Model Classification of Fire Weather Index using the SVM-FF Method on Forest Fire in North Sumatra, Indonesia
Notice bibliographique
Résumé
As a tropical country, Indonesia is situated in Southeast Asia nation has vast forests. Forest fire occur busy vary due to land conditions and forest conditions in drought season. The indicator used mitigated potential forest fire is to study the indicator behavior of the fire weather index (FWI). The data is gathered from the observation station in north Sumatra province, computation and estimation FWI by Canadian Forest Fire Weather Index based on the data gathered. It is found that there is gathered outlier data. to hope will it, it is necessary to conduct classification and predict this of the dataset by machine learning approach using Support Vector Machine Forest Fire (SVM-FF), which is a further development of the previous models, known as the c-SVM and v-SVM. This method includes a balancing parameter by determining the lower and upper limits of a support vector. Furthermore, it allowed the balancing parameter value to be negative. The results showed that the classification of FWI was at low, medium, high, and extreme levels. The low FWI value has an average of 0.5 which is in the 0 to 1 interval. There was an increase in the model’s accuracy and performance from its predecessor, which include the c-SVM and v-SVM with respective values of 0.96 and 0.89. Meanwhile, it was observed that with the SVM-FF model, the accuracy was quite better with a value of 0.99, indicating that it is useful as an alternative to classify and predict forest fires.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».