Um estudo comparativo de desempenho na previsão de incêndios florestais
Usando técnicas de aprendizado de máquina
Versandkostenfrei!
Versandfertig in 6-10 Tagen
29,99 €
inkl. MwSt.
PAYBACK Punkte
15 °P sammeln!
O incêndio florestal é a combustão descontrolada e não prescrita da vegetação natural que representa uma grande ameaça para o ambiente. Sendo um fenómeno natural, é impossível para a humanidade evitá-lo. Existe uma necessidade de previsão precoce, detecção rápida e acção imediata para controlar tais fenómenos para proteger o ecossistema. Neste livro, um modelo de previsão que é capaz de prever os incêndios florestais é derivado usando computação suave e técnicas de aprendizagem de máquinas. O conjunto de dados consiste em 517 registos de séries cronológicas de dados...
O incêndio florestal é a combustão descontrolada e não prescrita da vegetação natural que representa uma grande ameaça para o ambiente. Sendo um fenómeno natural, é impossível para a humanidade evitá-lo. Existe uma necessidade de previsão precoce, detecção rápida e acção imediata para controlar tais fenómenos para proteger o ecossistema. Neste livro, um modelo de previsão que é capaz de prever os incêndios florestais é derivado usando computação suave e técnicas de aprendizagem de máquinas. O conjunto de dados consiste em 517 registos de séries cronológicas de dados do parque natural de Montesinho, em Portugal. Para encontrar alguns dos padrões críticos e segmentar as regiões de fogo (utilizando agrupamento), são utilizados métodos PCA e agrupamento através de K-means, respectivamente, no conjunto de dados. Cinco técnicas de computação suave, nomeadamente MPNN, PNN, KNN, RBF e SVM, são aplicadas simultaneamente. As bibliotecas Python tais como Scikit-learn, Pandas, Matplotlib e Seaborn são utilizadas para a execução dos algoritmos. Finalmente, cada técnica de computação suave é avaliada sob os parâmetros de avaliação tais como MSE, RMSE, MAE, RAE & IG e é identificado o modelo apropriado com os melhores valores.
Andere Kunden interessierten sich für
