Dự Đoán Diện Tích Cháy Rừng: Một Phương Pháp Trí Tuệ Nhân Tạo
Tóm tắt
Các vụ cháy rừng có ảnh hưởng quan trọng đến môi trường và đời sống của chúng ta. Khả năng dự đoán chính xác diện tích có thể bị ảnh hưởng trong một sự kiện cháy rừng có thể giúp tối ưu hóa các nỗ lực quản lý cháy. Với sự phức tạp của nhiệm vụ này, cần có các công cụ tính toán mạnh mẽ để dự đoán diện tích sẽ bị cháy trong một vụ cháy rừng. Mục đích của nghiên cứu này là phát triển một hệ thống thông minh dựa trên lập trình di truyền để dự đoán các khu vực bị cháy, chỉ sử dụng dữ liệu liên quan đến rừng đang phân tích và dữ liệu khí tượng. Chúng tôi đã sử dụng lập trình di truyền hình học dựa trên các toán tử hình học đã được định nghĩa gần đây cho lập trình di truyền. Kết quả thí nghiệm, đạt được bằng cách sử dụng cơ sở dữ liệu của 517 sự kiện cháy rừng từ năm 2000 đến 2003, đã cho thấy tính thích hợp của hệ thống đã đề xuất trong việc dự đoán các khu vực bị cháy. Cụ thể, các kết quả đạt được với lập trình di truyền hình học tốt hơn đáng kể so với những gì được tạo ra bởi lập trình di truyền tiêu chuẩn và các phương pháp học máy tiên tiến khác trên cả dữ liệu huấn luyện và dữ liệu ngoài mẫu. Nghiên cứu này cho thấy việc điều tra sâu hơn về lập trình di truyền trong lĩnh vực dự đoán cháy rừng có thể mang lại hiệu quả cao.
Từ khóa
Tài liệu tham khảo
Brumby, S.P., N.R. Harvey, J.J. Bloch, J.P. Theiler, S.J. Perkins, A.C. Young, and J.J. Szymanski. 2001. Evolving forest fire burn severity classification algorithms for multispectral imagery. Pages 236–245 in: S.S. Shen and M.R. Descour, editors. Algorithms for multispectral, hyper-spectral, and ultraspectral imagery VII. Proceedings of a symposium. SPIE Volume 4381. International Society for Optics and Photonics, 16–19 Apr 2001, Orlando, Florida, USA.
Castelli, M., S. Silva, and L. Vanneschi. 2014. A C++ framework for geometric semantic genetic programming. Genetic Programming and Evolvable Machines 15: 1–9.
Castro, J., T. Figueiredo, F. Fonseca, J.P. Castro, S. Nobre, and L. Pires. 2010. Montesinho Natural Park: general description and natural values. Pages 119–132 in: N. Evelpidou, T. Figueiredo, F. Mauro, V. Tecim, and A. Vassilopoulos, editors. Natural Heritage from East to West. Springer, Berlin Heidelberg, Germany.
Certini, G. 2005. Effects of fire on properties of forest soils: a review. Oecologia 143(1): 1–10. doi: 10.1007/s00442-004-1788-8
Cortez, P., and A.d.J.R. Morais. 2007. A data mining approach to predict forest fires using meteorological data. Pages 512–523 in: J.M. Neves, M.F. Santos, and J.M. Machado, editors. Proceedings of the Portuguese conference on artificial intelligence (EPIA 2007). Associação Portuguesa para a Inteligência Artificial, 15–18 Dec 2007, Guimarães, Portugal. Springer, Berlin Heidelberg, Germany.
Gurney, K. 2003. An introduction to neural networks. Taylor & Francis, London, England, United Kingdom.
Haykin, S. 1999. Neural networks: a comprehensive foundation. Prentice Hall, Upper Saddle River, New Jersey, USA.
Hoffmann, L. 2009. Multivariate isotonic regression and its algorithms. Thesis, Wichita State University, Wichita, Kansas, USA.
Koza, J.R. 1992. Genetic Programming: on the programming of computers by means of natural selection. MIT Press, Cambridge, Massachusetts, USA.
Koza, J.R. 2010. Human-competitive results produced by genetic programming. Genetic Programming and Evolvable Machines 11(3–4): 251–284. doi: 10.1007/s10710-010-9112-3
Krawiec, K., and P. Lichocki. 2009. Approximating geometric crossover in semantic space. Pages 987–994 in: G. Raidl, F. Rothlauf, G. Squillero, R. Drechsler, T. Stuetzle, M. Birattari, C. Bates Congdon, and M. Middendorf, editors. Proceedings of the 11th annual conference on genetic and evolutionary computation. Association for Computing Machinery, 8–12 Jul 2009, Montreal, Quebec, Canada.
Lipsett, M., B. Materna, S.L. Stone, S. Therriault, R. Blaisdell, and J. Cook. 2008. Wildfire smoke: a guide for public health officials. California Department of Public Health; US Environmental Protection Agency; Missoula County Health Department; California Office of Environmental Health Hazard Assessment; California Air Resources Board, Sacramento, California, USA.
Machine Learning Project. 2015. Weka—Waikato environment for learning analysis. <http://www.cs.waikato.ac.nz/ml/index.html>. Accessed 1 Feb 2015.
Mangan, R. 2007. Wildland firefighter fatalities in the United States 1990–2006. National Wildfire Coordinating Group, Missoula, Montana, USA.
Manson, S.M. 2005. Agent-based modeling and genetic programming for modeling land change in the southern Yucatán peninsular region of Mexico. Agriculture, Ecosystems & Environment 111(1–4): 47–62. doi: 10.1016/j.agee.2005.04.024
Mateus, P., and P.M. Fernandes. 2014. Forest fires in Portugal: dynamics, causes and policies. Pages 219–236 in: F. Reboredo, editor. Forest context and policies in Portugal, present and future challenges. World forests, volume 19. Springer International, Berlin Heidelberg, Germany.
Moraglio, A., K. Krawiec, and C.G. Johnson. 2012. Geometric semantic genetic programming. Pages 21–31 in:C.A. Coello, V. Cutello, K. Deb, S. Forrest, G. Nicosia, and M. Pavone, editors. Proceedings of the 12th International Conference on Parallel Problem Solving from Nature—PPSN XII. 1–5 Sep 2012, Taormina, Italy. Springer, Berlin Heidelberg, Germany.
Poli, R., and W.B. Langdon. 1998. Schema theory for genetic programming with one-point crossover and point mutation. Evolutionary Computation 6(3): 231–252. doi: 10.1162/evco.1998.6.3.231
Poli, R., W.B. Langdon, and N.F. McPhee.2008. A field guide to genetic programming. <http://www.gp-field-guide.org.uk>. Accessed 12 Sep 2014.
Raínha, M., and P.M. Fernandes. 2002. Using the Canadian Fire Weather Index (FWI) in the Natural Park of Montesinho, NE Portugal: calibration and application to fire management. Pages 83–88 in D.X. Viegas, editor. Proceedings of IV International Conference on Forest Fire Research, 2002 Wildland Fire Safety Summit. 18–23 Nov 2002, Luso, Coimbra, Portugal. Millpress Science Publishers, Rotterdam, The Netherlands.
Rothermel, R.C. 1972. A mathematical model for predicting fire spread in wildland fuels. USDA Forest Service, Intermountain Research Station, Ogden, Utah, USA.
Schölkopf, B., and A.J. Smola. 2002. Learning with kernels: support vector machines, regularization, optimization, and beyond. MIT Press, Boston, Massachusetts, USA.
Taylor, S.W., and M.E. Alexander. 2006. Science, technology, and human factors in fire danger rating: the Canadian experience. International Journal of Wildland Fire 15: 121–135. doi: 10.1071/WF05021
Vanneschi, L., M. Castelli, L. Manzoni, and S. Silva. 2013. A new implementation of geometric semantic GP and its application to problems in pharmacokinetics. Pages 205–216 in: K. Krawiec, A. Moraglio, T. Hu, A.Ş. Etaner-Uyar, and B. Hu, editors. Proceedings of the 16th European conference, EuroGP 2013. 3–5 Apr 2013, Vienna, Austria. Lecture notes in computer science 7831, Springer, Berlin Heidelberg, Germany.
Vanneschi, L., M. Castelli, and S. Silva. 2014. A survey of semantic methods in genetic programming. Genetic Programming and Evolvable Machines 15(2): 195–214. doi: 10.1007/s10710-013-9210-0
Weisberg, S. 2005. Applied linear regression. John Wiley & Sons, Hoboken, New Jersey, USA. doi: 10.1002/0471704091
Wildland Fire Management Research, Development & Application Organization. 2012. Wildland fire decision support tools. Wildland Fire Management Research, Development & Application Organization, Boise, Idaho, USA.