Orman yangınları

  • Açıklama:

Bu, meteorolojik ve diğer verileri kullanarak Portekiz'in kuzeydoğu bölgesindeki orman yangınlarının yanmış alanını tahmin etmeyi amaçlayan bir regresyon görevidir.

Veri Kümesi Bilgileri:

[Cortez ve Morais, 2007]'de, çıktı 'alanı' ilk olarak bir ln(x+1) işleviyle dönüştürülmüştür. Daha sonra birkaç Veri Madenciliği yöntemi uygulanmıştır. Modelleri yerleştirdikten sonra, çıktılar ln(x+1) dönüşümünün tersi ile sonradan işlendi. Dört farklı giriş kurulumu kullanıldı. Deneyler, 10 kat (çapraz doğrulama) x 30 çalıştırma kullanılarak yapıldı. İki regresyon metriği ölçüldü: MAD ve RMSE. Yalnızca 4 doğrudan hava koşuluyla (sıcaklık, bağıl nem, rüzgar ve yağmur) beslenen bir Gauss destek vektör makinesi (SVM) en iyi MAD değerini elde etti: 12.71 +- 0.01 (bir t-öğrenci dağılımı kullanılarak %95 içinde ortalama ve güven aralığı). En iyi RMSE, saf ortalama tahmincisi tarafından elde edildi. Regresyon hatası eğrisine (REC) yönelik bir analiz, SVM modelinin daha düşük bir kabul edilen hata içinde daha fazla örnek öngördüğünü gösterir. Gerçekte, SVM modeli, çoğunluğu oluşturan küçük yangınları daha iyi tahmin eder.

Özellik Bilgileri:

Daha fazla bilgi için bkz. [Cortez ve Morais, 2007].

  1. Montesinho park haritasındaki X - x ekseni uzamsal koordinatı: 1 ila 9
  2. Montesinho park haritasındaki Y - y ekseni uzaysal koordinatı: 2 ila 9
  3. ay - yılın ayı: 'jan'dan 'ara'ya
  4. gün - haftanın günü: 'mon'dan 'sun'a
  5. FFMC - FWI sisteminden FFMC endeksi: 18.7 - 96.20
  6. DMC - FWI sisteminden DMC indeksi: 1.1 - 291.3
  7. FWI sisteminden DC - DC indeksi: 7,9 - 860.6
  8. FWI sisteminden ISI - ISI indeksi: 0.0 - 56.10
  9. sıcaklık - Santigrat derece cinsinden sıcaklık: 2,2 - 33,30
  10. RH - % olarak bağıl nem: 15,0 ila 100
  11. rüzgar - km/sa cinsinden rüzgar hızı: 0,40 - 9,40
  12. yağmur - mm/m2 cinsinden dışarıdaki yağmur: 0,0 ila 6,4
  13. alan - ormanın yanmış alanı (ha cinsinden): 0,00 ila 1090,84 (bu çıktı değişkeni 0,0'a çok çarpıktır, bu nedenle logaritma dönüşümüyle modellemek mantıklı olabilir).
Bölmek Örnekler
'train' 517
  • Özellikler:
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,
    }),
})
  • Citation:
@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)}
}