Machine Learning for Forest Fire Prediction: A Case Study in North Algeria
Notice bibliographique
Résumé
Wildland fires are the most common peril for forests due to climate change.Furthermore, it is an uncontrollable disaster and poses a great deal of threat to human health and ecosystems.In Algeria, almost 40,000 hectares are burned each year, approximately 1% of all existing woodlands of the country.In this work, the forest fire event prediction is highlighted using machine learning.The study utilized data sets from several sources, including fire data obtained from the fire information system for resource management by NASA (FIRMS) and climate data accessed from the NASA energy project API, derived from the MODIS satellite (NASA forecasting of energy resources around the world).Fire data from NASA provides real-time information, spanning from 2000 to 2020.The methodology process of creating the prediction system involved collecting the data, preprocessing the data, finding the best models, training and testing the models, and evaluating them for validation.The machine learning model was trained and validated using 70% and 30% of the set features with a performance accuracy of up to 86%.Upon completion, we deployed our selected machine learning model to create a Web platform enables different end users to check possible future forest fires by select a geographical area on a world map.The objective of our machine learning model is to analyze the weather data of the selecting area on the map in real time and predict whether a fire will occur or not.This prediction system will enhance early detection, allowing prompt response measures to be implemented, reducing the risk of uncontrolled wildfires and safeguarding ecosystems and communities.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».