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 önce bir ln(x+1) işleviyle dönüştürüldü. Daha sonra çeşitli Veri Madenciliği yöntemleri uygulanmıştır. Modelleri yerleştirdikten sonra, çıktılar ln(x+1) dönüşümünün tersi ile son işleme tabi tutuldu. Dört farklı giriş kurulumu kullanıldı. Deneyler, 10 kat (çapraz doğrulama) x 30 çalıştırma kullanılarak gerçekleştirildi. İki regresyon ölçümü 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 (t-öğrenci dağılımı kullanılarak %95 içinde ortalama ve güven aralığı). En iyi RMSE, saf ortalama öngörücü tarafından elde edildi. Regresyon hata eğrisine (REC) yönelik bir analiz, SVM modelinin kabul edilen daha düşük bir hata dahilinde daha fazla örnek öngördüğünü gösterir. Gerçekte, SVM modeli, çoğunluğu oluşturan küçük yangınları daha iyi tahmin eder.

Öznitelik Bilgileri:

Daha fazla bilgi için [Cortez ve Morais, 2007]'yi okuyun.

  1. X - Montesinho park haritası içindeki x ekseni uzamsal koordinatı: 1'den 9'a
  2. Y - Montesinho park haritası içindeki y ekseni uzamsal koordinatı: 2 - 9
  3. ay - yılın ayı: 'jan' - 'dec'
  4. gün - haftanın günü: 'pzt' ila 'güneş'
  5. FFMC - FWI sisteminden FFMC dizini: 18,7 - 96,20
  6. DMC - FWI sisteminden DMC dizini: 1,1 ila 291,3
  7. DC - FWI sisteminden DC indeksi: 7,9 ila 860,6
  8. FWI sisteminden ISI - ISI indeksi: 0,0 ila 56,10
  9. temp - Santigrat derece cinsinden sıcaklık: 2,2 ila 33,30
  10. Bağıl Nem - % cinsinden 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 doğru oldukça eğimlidir, bu nedenle logaritma dönüşümü ile modellemek mantıklı olabilir).
Bölmek örnekler
'train' 517
  • Özellik yapısı :
FeaturesDict({
    'area': float32,
    'features': FeaturesDict({
        'DC': float32,
        'DMC': float32,
        'FFMC': float32,
        'ISI': float32,
        'RH': float32,
        'X': uint8,
        'Y': uint8,
        'day': ClassLabel(shape=(), dtype=int64, num_classes=7),
        'month': ClassLabel(shape=(), dtype=int64, num_classes=12),
        'rain': float32,
        'temp': float32,
        'wind': float32,
    }),
})
  • Özellik belgeleri :
Özellik Sınıf Şekil Dtipi Tanım
ÖzelliklerDict
alan tensör şamandıra32
özellikleri ÖzelliklerDict
özellikler/DC tensör şamandıra32
özellikler/DMC tensör şamandıra32
özellikler/FFMC tensör şamandıra32
özellikler/ISI tensör şamandıra32
özellikler/sağ tensör şamandıra32
özellikler/X tensör uint8
özellikler/Y tensör uint8
özellikler/gün SınıfEtiketi int64
özellikler/ay SınıfEtiketi int64
özellikler/yağmur tensör şamandıra32
özellikler/sıcaklık tensör şamandıra32
özellikler/rüzgar tensör şamandıra32
  • Alıntı :
@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)}
}