Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

kebakaran hutan

  • Deskripsi :

Tugas regresi ini bertujuan untuk memprediksi luas areal kebakaran hutan yang terbakar di wilayah timur laut Portugal dengan menggunakan data meteorologi dan data lainnya.

Informasi Kumpulan Data:

Dalam [Cortez dan Morais, 2007], 'area' keluaran pertama kali diubah dengan fungsi ln (x + 1). Kemudian, beberapa metode Data Mining diterapkan. Setelah model dipasang, output diproses pasca dengan invers dari transformasi ln (x + 1). Empat pengaturan input berbeda digunakan. Percobaan dilakukan dengan menggunakan 10 kali lipat (validasi silang) x 30 kali berjalan. Dua metrik regresi diukur: MAD dan RMSE. Mesin vektor pendukung Gaussian (SVM) yang diumpankan hanya dengan 4 kondisi cuaca langsung (suhu, RH, angin dan hujan) memperoleh nilai MAD terbaik: 12.71 + - 0.01 (mean dan interval kepercayaan dalam 95% menggunakan distribusi t-student). RMSE terbaik dicapai dengan prediktor rata-rata yang naif. Analisis kurva kesalahan regresi (REC) menunjukkan bahwa model SVM memprediksi lebih banyak contoh dalam kesalahan yang diakui lebih rendah. Akibatnya, model SVM memprediksi kebakaran kecil yang lebih baik, yang merupakan mayoritas.

Informasi Atribut:

Untuk informasi lebih lanjut, baca [Cortez dan Morais, 2007].

  1. Koordinat spasial sumbu-X dalam peta taman Montesinho: 1 hingga 9
  2. Koordinat spasial sumbu-y dalam peta taman Montesinho: 2 hingga 9
  3. bulan - bulan dalam setahun: 'jan' hingga 'des'
  4. hari - hari dalam seminggu: 'mon' to 'sun'
  5. FFMC - Indeks FFMC dari sistem FWI: 18,7 hingga 96,20
  6. DMC - Indeks DMC dari sistem FWI: 1.1 hingga 291.3
  7. Indeks DC - DC dari sistem FWI: 7,9 hingga 860,6
  8. ISI - Indeks ISI dari sistem FWI: 0,0 hingga 56,10
  9. suhu - suhu dalam derajat Celcius: 2,2 hingga 33,30
  10. RH - kelembaban relatif dalam%: 15,0 hingga 100
  11. angin - kecepatan angin dalam km / jam: 0.40 sampai 9.40
  12. hujan - hujan di luar dalam mm / m2: 0,0 hingga 6,4
  13. areal - areal hutan yang terbakar (dalam ha): 0,00 sampai 1090,84 (variabel keluaran ini sangat condong ke 0,0, sehingga mungkin masuk akal untuk membuat model dengan transformasi logaritma).
Membagi Contoh
'train' 517
  • Fitur :
FeaturesDict({
    'area': tf.float32,
    'features': FeaturesDict({
        'DC': tf.float32,
        'DMC': tf.float32,
        'FFMC': tf.float32,
        'ISI': tf.float32,
        'RH': tf.float32,
        'X': tf.uint8,
        'Y': tf.uint8,
        'day': ClassLabel(shape=(), dtype=tf.int64, num_classes=7),
        'month': ClassLabel(shape=(), dtype=tf.int64, num_classes=12),
        'rain': tf.float32,
        'temp': tf.float32,
        'wind': tf.float32,
    }),
})
@misc{Dua:2019 ,
author = "Dua, Dheeru and Graff, Casey",
year = "2017",
title = "{UCI} Machine Learning Repository",
url = "http://archive.ics.uci.edu/ml",
institution = "University of California, Irvine, School of Information and Computer Sciences" }

@article{cortez2007data,
  title={A data mining approach to predict forest fires using meteorological data},
  author={Cortez, Paulo and Morais, Anibal de Jesus Raimundo},
  year={2007},
  publisher={Associa{\c{c} }{\~a}o Portuguesa para a Intelig{\^e}ncia Artificial (APPIA)}
}