ترجمه یک روش داده کاوی برای پیش‌بینی آتش‌سوزی جنگل با استفاده از داده‌های هواشناسی

توضیحات

 عنوان فارسی: یک روش داده کاوی برای پیش‌بینی آتش‌سوزی جنگل با استفاده از داده‌های هواشناسی

عنوان انگلیسی مقاله ترجمه شده:

A Data Mining Approach to Predict Forest Fires using Meteorological Data

یک روش داده کاوی برای پیش‌بینی آتش‌سوزی جنگل با استفاده از داده‌های هواشناسی

 

چکیده

آتش‌سوزی جنگل‌ها، یک مساله زیست محیطی مهم است که صدمات اقتصادی و اکولوژیکی (بوم‌شناسی) ایجاد کرده و زندگی انسان‌ها را به خطر می‌اندازد. تشخیص سریع، یک عنصر کلیدی برای کنترل چنین پدیده‌ای است. برای دستیابی به این هدف، یک روش جایگزین، استفاده از ابزار خودکار برپایه حسگرهای محلی است که توسط ایستگاه‌های هواشناسی فراهم شده است. در واقع، شرایط هوایی (نظیر دما و باد) در آتش‌سوزی‌های جنگل و چندین شاخص آتش‌سوزی دیگر نظیر شاخص آب و هوایی آتش‌سوزی جنگل (FWI)[1]، اثر گذار هستند. در این بررسی، یک روش داده کاوی (DM)[2] برای پیش‌بینی نواحی سوخته در آتش‌سوزی جنگل استخراج می‌شود. 5 روش DM مختلف، شامل ماشین بردار پشتیبان (SVM) و جنگل‌های تصادفی و چهار ویژگی انتخابی متمایز (با استفاده از ویژگی‌های فضایی، زمانی، اجزای FWI و آب و هوایی)، بر روی داده‌های واقعی جمع‌آوری شده از نواحی شمال شرقی پرتقال، تست شده‌اند. بهترین پیکربندی از SVM و چهار ورودی هواشناسی (شامل دما، رطوبت نسبی، باران و باد) استفاده می‌کند و می‌تواند نواحی سوخته از آتش‌سوزی‌های کوچک که زیاد تکرار می‌شوند، را پیش‌بینی کند. چنین دانشی برای بهبود مدیریت منابع آتش‌نشانی (نظیر تعیین اولویت برای تانکرهای هوایی و خدمه‌های زمینی) کاملا مفید است.

کلمات کلیدی: کاربرد داده کاوی، علوم آتش، رگرسیون، ماشین بردار پشتیبان

 

1- مقدمه

یک نگرانی زیست محیطی مهم، آتش‌سوزی‌های جنگل است (که آتش‌سوزی خود رو نیز نامیده می‌شود) که بر حراست از جنگل‌ها اثر گذاشته، صدمات اقتصادی و اکولوژیکی ایجاد می‌کند و منجر به آسیب‌های انسانی می‌شود. چنین پدید‌ه‌ای ناشی از عوامل متعدد (نظیر قصور انسانی و رعد و برق) است و هزینه‌های دولت در کنترل این فاجعه را افزایش می‌دهد؛ هر ساله میلیون‌ها هکتار (ha) جنگل در سراسر دنیا به این خاطر تخریب می‌شوند. بخصوص، پرتقال بیشترین تاثیر را از آتش‌سوزی جنگل گرفته است. از سال 1980 تا 2005، بیش از 2.7 میلیون هکتار از نواحی جنگلی (معادل با وسعت آلبانی)، تخریب شده‌اند. این میزان در سال‌های 2003 تا 2005 بسیار ویژه بود بطوری که 4.6 و 3.1 درصد از محدوده جنگلی را با 21 و 18 کشته دربر گرفت.

تشخیص سریع، یک عنصر کلیدی برای مهار موفق آتش است. از آن‌جا که نظارت سنتی انسانی هزینه‌بر است و از عوامل شخصی تاثیر می‌پذیرد، بر توسعه راه‌حل‌های خودکار تاکید شده است. این راه‌حل‌ها می‌توانند در سه دسته اصلی تقسیم‌بندی شوند: براساس ماهواره، اسکنرهای مادون قرمز/ دود و حسگرهای محلی. ماهواره‌ها، هزینه استفاده زیادی دارند و دارای تاخیر در محلی‌سازی هستند و دقت آن‌ها برای تمام موارد کافی نیست. به‌علاوه، اسکنرها هزینه‌های نگهداری و تجهیز بالایی دارند. شرایط آب و هوایی، نظیر دما و رطوبت هوا، در ایجاد آتش سوزی، تاثیر گذار هستند. از آن‌جا که ایستگاه‌های خودکار هواشناسی اغلب در دسترس هستند (مثلا پرتقال دارای 162 ایستگاه است)، چنین داده‌هایی می‌توانند بصورت بلادرنگ با هزینه پایین جمع‌آوری شوند.

در گذشته، داده‌های هواشناسی در شاخص‌های عددی که برای پیش‌گیری (مثلا هشدار عمومی برای خطر آتش‌سوزی) و پشتیبانی تصمیم‌گیری‌های مدیریت آتش‌سوزی (نظیر سطح آمادگی، اولویت‌بندی اهداف یا ارزیابی دستورالعمل‌ها برای مهار ایمن آتش) استفاده می‌شود، مشارکت داده می‌شدند. بطور ویژه، سیستم شاخص آب و هوایی آتش‌سوزی جنگل (FWI) در کانادا، در سال 1970 وقتی کامپیوترها به‌ندرت استفاده می‌شدند، طراحی گردید؛ بنابراین تنها به محاسبات ساده با استفاده از جداول جستجو با خواندن چهار داده هواشناسی (شامل دما، رطوبت نسبی، باران و باد) که می‌توانست بصورت دستی در ایستگاه‌های هواشناسی جمع‌آوری شود، نیاز داشت. با این وجود، امروزه این شاخص بطور گسترده‌ای نه‌ تنها در کانادا بلکه در چندین کشور دیگر در سراسر دنیا (نظیر آرژانتین یا نیوزلند) استفاده می‌شود. اگرچه آب و هوای مدیترانه‌ای متفاوت از کانادا است، اما سیستم FWI با فعالیت آتش‌سوزی در کشورهای اروپای شرقی نظیر پرتقال، همبستگی دارد.

از سوی دیگر، علاقه به داده کاوی (DM)، که بعنوان کشف دانش در پایگاه داده (KDD)[3] نیز شناخته می‌شود، بخاطر پیشرفت‌های فناوری اطلاعات گسترش یافت و منجر به رشد سریع پایگاه داده‌های تجاری، علمی و مهندسی گردید. تمام داده‌ها دارای اطلاعات ارزشمندی نظیر الگوها و تمایلات هستند که می‌توانند برای بهبود تصمیم‌گیری استفاده شوند. به علاوه، تحلیل آماری کلاسیک به ظهور چنین داده‌های پیچیده و انبوهی، با شکست مواجه شد. بنابراین، روش جایگزین استفاده از ابراز DM خودکار برای تحلیل داده‌ها و استخراج اطلاعات سطح بالا برای تصمیم‌گیران است.

بعلاوه، چند روش DM در حوزه تشخیص آتش‌سوزی بکار گرفته می‌شوند. برای مثال، وگا گارسیا و همکاران ]25[، روش شبکه‌های عصبی (NN)[4] را برای پیش‌بینی آتش‌سوزی‌های با عامل انسانی اتخاذ کردند. اسکنرهای مادون قرمز و NN در مرجع ]1[ برای کاهش هشداهای غلط آتش‌سوزی جنگل با موفقیت 90 درصد ترکیب شدند. یک خوشه‌بندی فضایی (FASTCiD) توسط هسو و همکاران ]14[ برای تشخیص آتش‌سوزی جنگل با استفاده از تصاویر ماهواره، اتخاذ گردید. در سال 2005، تصاویر ماهواره‌ای از آتش‌سوزی‌های جنگلی در شمال آمریکا در ماشین بردار پشتیبان (SVM)[5] اعمال شد که 75 درصد درستی در پیدا کردن دود در سطح پیکسل 1.1 کیلومتری را حاصل کرد. استویانوآ و همکاران ]23[ روش‌های رگرسیون لجستیک، جنگل تصادفی (RF)[6] و درختان تصمیم‌گیری (DT)[7] برای تشخیص آتش‌سوزی در جنگل‌های اسلوونی را با استفاده از داده‌های هواشناسی و ماهواره‌ای، بکار گرفتند. بهترین مدل توسط DT با درستی کلی 80 درصد حاصل شد.

در مقابل با کارهای سابق،  در این کار یک روش جدید DM برای آتش‌سوزی جنگل ارائه شده است که از داده‌های هواشناسی بدون هزینه و بلادرنگ استفاده می‌کند. در اینجا از داده‌های واقعی که از نواحی شمال شرق پرتقال جمع‌آوری شده‌اند، به قصد پیش‌بینی نواحی (یا ابعاد) سوختگی در آتش‌سوزی جنگل، استفاده شده است. چندین آزمایش با در نظر گرفتن 5 روش DM (شامل رگرسیون چندگانه (MR)[8]، DT، RF، NN و SVM) و چهار ویژگی انتخابی (شامل استفاده از داده‌های فضایی، زمانی، سیستم FWI و هواشناسی) انجام شده است. راه‌حل پیشنهادی شامل تنها چهار متغیر آب و هوایی (باران، باد، دما و رطوبت) در ترکیب با SVM است و توانایی پیش‌بینی نواحی سوختگی در آتش‌سوزی‌های کوچک، که اکثریت آتش‌سوزی‌ها را تشکیل می‌دهد، دارد. چنین دانشی برای پشتیبانی مدیریت آتش (نظیر برنامه‌ریزی منابع) کاملا مفید است.

این مقاله بصورت زیر شکل گرفته است، در ابتدا، داده‌های آتش‌سوزی جنگل در بخش (2) شرح داده می‌شوند. روش‌های DM اتخاذ شده، در بخش (3) ارائه می‌شوند و نتایج در بخش 4 نشان داده شده و مورد بحث قرار می‌گیرند. در نهایت، در بخش 5 نتیجه‌گیری انجام می‌شود.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.

سفارش ترجمه مقاله

به منظور سفارش ترجمه تخصصی مقالات خود بر روی کلید زیر کلیک نمایید.

سفارش ترجمه تخصصی