3.2. Weather dataWeather plays an i

3.2. Weather data
Weather plays an important role in all stages of wildfire development.
The term fire weather is used to describe the meteorological conditions
that affect wildfire potential, behavior and suppression. Virtual
Fire provides the ability to monitor and survey several forecasting and
real-time fire weather information, both in spatial and non-spatial
form, achieving either an early warning or knowledge of the current
real-time conditions. The weather forecasting system is based on the
SKIRON weather prediction model4 (Kallos et al., 1997) and supplies
the necessary input weather data for visualizing weather maps. In
Virtual Fire, a total of 85 forecasting maps of temperature, relative
humidity, cloud cover, rain and wind are created once every day (at
10:00 am local time) with a prediction range of 3 days and a time interval
of 3 h. These maps are prepared with horizontal resolution
of 0.05 × 0.05° (~5 × 5 km) for an area that covers the entire North
Aegean Region. This daily generation of the weather maps is created
automatically. The daily sequence of input weather files is downloaded
into the Virtual Fire server according to a time scheduler. Then the
sequence of the output files is generated and the ArcSDE database
that stores the weather maps is updated. Following the update, end
users have the ability of displaying weather maps by simply selecting
the desired weather parameter (e.g. wind) and the corresponding
time. The system also supports real-time data monitoring from a network
of remote automatic weather stations (RAWS). In Lesvos Island,
four RAWS have been installed in characteristic parts of the island to
achieve an optimum geographical coverage. These weather data are
also available on an external website5 developed with Campbell's
Loggernet software. A modern graphical interface visualizes all the
weather data in an easily comprehensible form (Fig. 3).

3.3. Fire Ignition Index
Wildland fire risk or danger evaluation is an integration of weather,
topography, vegetative fuel and socioeconomic input variables to produce
indices of fire potential outputs (Andrews et al., 2008; Pyne
et al., 1996). Various quantitative methods have been explored for the
correlation of the input variables to fire danger assessment; most of
these methods include the importance of the input variable as a direct
or indirect output based on subjective weighting methods (Alcázar
et al., 1998; Salas and Chuvieco, 1994). Modern methods are based
on either a statistical approach (Chou, 1992; Kalabokidis et al., 2007;
Vasconcelos et al., 2001) or a stochastic approach, i.e. artificial neural
networks (ANN) (Chuvieco et al., 1999; Vasconcelos et al., 2001;
Vasilakos et al., 2007, 2009).
Virtual Fire provides computational and geographical representation
of the fire ignition probability and identification of the high-risk
areas that is valid for the next day at noon time. It integrates models
used for predicting forest fire ignition based on forecasted meteorological
data and geographical data (Table 1). In our previously published
research (Vasilakos et al., 2007, 2009), three different neural networks
were developed and trained to calculate three intermediate outcomes
of the Fire Ignition Index (FII); i.e. the Fire Weather Index (FWI), the
Fire Hazard Index (FHI), and the Fire Risk Index (FRI). The FWI examines
the wind, humidity, temperature and rainfall variables that are
generally considered to determine fire danger potential (Schroeder
and Buck, 1970), and how these parameters influence the fire ignition
potential; FWI is different from the Canadian Fire Weather Index (Lee
et al., 2002). The FHI includes the biophysical factors such as vegetation
and topography. The FRI refers to the probability that a wildland fire
will start as determined by the proximity of causative human activities,
through the appropriate tools incorporated into ArcGIS.
The functional approach to calculate the three indices of wildfire ignition
was performed through the use of a multi-layer perceptron
(MLP) that had been trained with the back-propagation algorithm
(Rumelhart and McClelland, 1986). All three networks had one hidden
layer with six hidden nodes for the FWI, four hidden nodes for the FHI
and eight hidden nodes for the FRI (Vasilakos et al., 2007). The logistic
function was used for the activation between inputs and hidden layer;
and the identity function was used for the activation of the output. A
learning rate of r = 0.1 was chosen, whereas the output neuron was
considered activated in case of an output value above 0.5. By taking
into consideration the mean square error in a training and a validation
dataset, best results were achieved after 100 epochs for the FWI, 1500
epochs for the FHI and 1000 epochs for the FRI (Vasilakos et al., 2007).
It should be noted also that the parameters have been chosen to reflect
the wildland fire ignition pattern based on the fire ignition causes of our
study area. Hence, the model itself is applicable to another study area
only if it will be trained with the fire history data of the new area. The
output Fire Ignition Index map (Fig. 4) portrays the geographical probability
of a new fire ignition, classified into 5 categories: low risk (0–40);
medium risk (41–60); high risk (61–80); very high risk (81–90); and
alarm risk status (91–100). The system is designed to function in an automated
mode daily at 10:00 am local time, in the same way used for
the creation of the weather maps. The SKIRON model provides all the
necessary forecasted weather prediction data to be used as inputs.
Fire ignition and weather prediction maps in Virtual Fire are produced
daily. However, the processing time needed for this creation
was considerably high, due to large input datasets. To confront this






it does not provide support for resource dispatching. It also provides advanced
tools for fire behavior estimation; simulations are conducted by
using FlamMap, FARSITE, FSPRO and the Minimum Travel Time (MTT)
algorithm (Finney, 2002). Compared with the other platforms for forest
fire management presented, Virtual Fire supports a great variety of tools
and data, except of damage assessment. Virtual Fire is based on state-of
the-art standards, such as the Silverlight API (for user interaction) and
HPC (for the calculation of the fire ignition and weather maps).
A possible enhancement of the system could be the activation of
the GPS abilities of modern mobile smartphones, which can send
10 http://maps.wfas.net/, last accessed 19/03/2013. 11 http://www.fs.fed.us/fire/planning/nist/wims.htm, last accessed 19/03/2013.
Fig. 5. Geographical representation of fire perimeter (A), flame length (B), fire spread (C) and fireline intensity (D) after simulation of a wildfire event.
Table 2
Comparison of Virtual Fire and similar platforms.
Tools Virtual Fire AHP
(Kalabokidis et al., 2012)
WFDSS
(Pence and
Zimmerman, 2011)
Firementor
(Markatos et al., 2007)
EFFIS
(San-Miguel-Ayanz
et al., 2012)
Weather forecast data
(analysis/visualization)
✓
(SKIRON forecast maps plus real
time data from RAWS)
✓
(SKIRON forecast maps, analysis only)
✓
(WIMS and RAWS
data, analysis only)
✓
(Meteo France and
DWD, analysis
only)
Fire danger estimation ✓
(based on HPC)
✓
(serial execution)
✓
(NFDRS)
✓
(Canadian FWI)
Fire behavior ✓
(based on FARSITE)
✓
(static maps of linear fire intensity,
rate of fire spread, potential fire loss
index)
✓
(based on FlamMap,
MTT, FARSITE and
FSPRO)
✓
(based on BehavePlus)
Resource dispatching ✓
(fleet tracking/GPS navigation,
optimal routing, closest routes to
critical facilities)
✓
(routing/positioning of
fire suppression
services)
Damage assessment ✓
(based on RAVAR,
Stratified Cost Index)
✓
(risk assessment of
roads during panic
evacuation)
✓
(burnt area
mapping)
Fire detection ✓
(covered by optical camera
surveillance)
✓
(covered by optical and infrared
camera surveillance)
✓
(based on MODIS
satellite)
✓
(based on sensor
network)
✓
(based on MODIS
satellite)
Interface Web-based Non-web-based Web-based Non-web-based Web-based
68 K. Kalabokidis et al. / Ecological Informatics 16 (2013) 62–69their coordinates to a server. This idea remains to be investigated
further, with a goal to compile a mobile application that will bring
on the firefighters' hands fire risk indices, fire behavior potential,
satellite images and spatial information, along with the actual signal
of their vehicles transmitted to the command center of control. The
Virtual Fire prototype is currently applied in Lesvos Island of Greece,
but its flexibility enables its expansion to a broader area. Implementation
efforts for an expansion require re-calculation of ANN for the fire
ignition code running in the HPC scheme. Such an expansion would
also demand efficient scalability of the workload computations and
more reliable data storage, which may be provided by moving from
HPC to a cloud-based platform.
Acknowledgments
This research project was supported by the University of Athens
and Microsoft Hellas in Greece, and it was competitively funded by
Microsoft Research. Thanks are due to the Lesvos Fire Department
in Greece for its cooperation. Anonymous reviewers must also be
acknowledged for their constructive and useful comments.

ผลลัพธ์ (ไทย) 1:

3.2. อากาศข้อมูลสภาพอากาศมีบทบาทสำคัญในทุกขั้นตอนของการพัฒนาของไฟป่าใช้เพื่ออธิบายสภาพอุตุนิยมวิทยาอากาศไฟระยะที่มีผลกระทบต่อไฟป่าที่อาจเกิดขึ้น ลักษณะการทำงาน และปราบปราม เสมือนไฟช่วยให้สามารถตรวจสอบ และสำรวจการคาดการณ์ต่าง ๆ และข้อมูลสภาพอากาศแบบเรียลไทม์ไฟ ทั้ง ในพื้นที่ และไม่มีพื้นที่แบบฟอร์ม การบรรลุก่อนเตือนหรือความรู้ในปัจจุบันเงื่อนไขแบบเรียลไทม์ ระบบพยากรณ์ตามModel4 พยากรณ์อากาศ SKIRON (Kallos และ al., 1997) และอุปกรณ์ข้อมูลสภาพอากาศป้อนข้อมูลที่จำเป็นสำหรับการแสดงผลแผนที่สภาพอากาศ ในเสมือนไฟ จำนวน 85 คาดการณ์แผนที่อุณหภูมิ ญาติความชื้น เมฆปก ฝน และลมจะสร้างหนึ่งครั้งทุกวันที่10:00 น.เวลาท้องถิ่น) กับช่วงพยากรณ์ 3 วันและช่วงเวลาของ 3 h แผนที่เหล่านี้พร้อมความละเอียดแนวนอนของ 0.05 × 0.05 ° (~ 5 × 5 km) สำหรับพื้นที่ที่ครอบคลุมภาคเหนือทั้งหมดภูมิภาคเฟอร์สวี สร้างแผนที่สภาพอากาศรุ่นนี้ทุกวันโดยอัตโนมัติ ลำดับทุกสภาพอากาศเข้าแฟ้มจะถูกดาวน์โหลดเป็นเซิร์ฟเวอร์เสมือนไฟตามกำหนดการเวลา นั้นสร้างลำดับของไฟล์ที่ส่งออก และฐานข้อมูล ArcSDEที่ร้านอากาศแผนที่มีการปรับปรุง ต่อการปรับปรุง สิ้นสุดผู้มีความสามารถในการแสดงแผนที่อากาศโดยเพียงแต่เลือกอากาศระบุพารามิเตอร์ (เช่นลม) และให้สอดคล้องกับเวลา ระบบยังรองรับการตรวจสอบแบบเรียลไทม์ข้อมูลจากเครือข่ายของระยะไกลอัตโนมัติสถานีตรวจอากาศ (RAWS) ในเกาะ LesvosRAWS สี่ถูกติดตั้งในส่วนลักษณะของเกาะให้ความคุ้มครองทางภูมิศาสตร์เหมาะสม ข้อมูลสภาพอากาศเหล่านี้นอกจากนี้ยัง มีการ website5 ภายนอกพัฒนา ด้วยของ CampbellLoggernet ซอฟต์แวร์ Visualizes อินเทอร์เฟซแบบกราฟิกที่ทันสมัยทั้งหมดข้อมูลสภาพอากาศในแบบที่ง่าย ๆ comprehensible (Fig. 3)3.3 ดัชนีจุดระเบิดไฟการประเมินอันตรายหรือความเสี่ยงด้านอัคคีภัยสม่ำเสมอ Wildland มีการรวมของอากาศภูมิประเทศ น้ำมันผักเรื้อรัง และประชากรตัวแปรอินพุตการผลิตดัชนีของการแสดงผลเป็นไฟ (แอนดรูวส์ et al., 2008 Pyneร้อยเอ็ด al., 1996) มีการสำรวจวิธีการเชิงปริมาณต่าง ๆ สำหรับการความสัมพันธ์ของตัวแปรอินพุตไฟประเมินอันตราย ส่วนใหญ่วิธีการเหล่านี้รวมถึงความสำคัญของตัวแปรอินพุตเป็นนั่งหรือผลผลิตทางอ้อมตามวิธีน้ำหนักตามอัตวิสัย (Alcázarและ al., 1998 ศาลาและ Chuvieco, 1994) วิธีการสมัยใหม่อยู่การทางสถิติวิธีการ (โชว 1992 Kalabokidis et al., 2007Vasconcelos และ al., 2001) หรือ วิธีแบบเฟ้นสุ่ม ประดิษฐ์เช่นประสาทเครือข่าย (แอน) (Chuvieco et al., 1999 Vasconcelos และ al., 2001Vasilakos et al., 2007, 2009)เสมือนไฟให้แสดงการคำนวณ และภูมิศาสตร์ของไฟจุดระเบิดน่าเป็นการระบุของอิกพื้นที่ที่ถูกต้องในเวลาเที่ยงวัน มันรวมรุ่นใช้สำหรับคาดการณ์จุดระเบิดไฟไหม้ป่าตามคาดการณ์อุตุนิยมวิทยาข้อมูลและข้อมูลทางภูมิศาสตร์ (ตาราง 1) ในประกาศของเราก่อนหน้านี้วิจัย (Vasilakos et al., 2007, 2009), เครือข่ายประสาทแตกต่างกันสามพัฒนา และฝึกฝนในการคำนวณผลกลางสามของดัชนีไฟจุดระเบิด (FII); เช่นการไฟอากาศดัชนี (FWI), การไฟไหม้อันตรายดัชนี (FHI), และดัชนีความเสี่ยงด้านอัคคีภัย (ศุกร์) FWI ตรวจสอบตัวแปรลม ความชื้น อุณหภูมิ และปริมาณน้ำฝนที่โดยทั่วไปพิจารณาเพื่อกำหนดไฟอันตรายอาจเกิดขึ้น (Schroederและ บัค 1970), และวิธีพารามิเตอร์เหล่านี้มีอิทธิพลต่อการจุดระเบิดไฟศักยภาพ FWI จะแตกต่างจากแคนาดาไฟอากาศดัชนี (ลีและ al., 2002) FHI รวมปัจจัย biophysical เช่นพืชและภูมิประเทศ ศุกร์หมายถึงความน่าเป็นที่ไฟสม่ำเสมอ wildlandเริ่มต้นใกล้ชิดของกิจกรรมมนุษย์สาเหตุการผ่านเครื่องมือที่เหมาะสมรวมเป็น ArcGISวิธีการทำงานในการคำนวณดัชนีทั้งสามของจุดระเบิดไฟป่าทำโดยใช้เพอร์เซปตรอนแบบหลายชั้น(MLP) ที่ได้รับการฝึกอบรมกับอัลกอริทึมกลับมาเผยแพร่(Rumelhart และ McClelland, 1986) มีเครือข่ายทั้งหมดสามหนึ่งซ่อนอยู่ชั้น 6 ซ่อนโหนสำหรับ FWI โหนสี่ซ่อนสำหรับ FHIและโหนดที่ซ่อนแปดสำหรับ FRI (Vasilakos et al., 2007) การโลจิสติกฟังก์ชันที่ใช้สำหรับการเรียกใช้ระหว่างอินพุตและชั้นซ่อนและใช้สำหรับการเรียกใช้ผลลัพธ์ฟังก์ชันเอกลักษณ์ Aเรียนรู้อัตราของ r = 0.1 ถูกเลือก ในขณะเซลล์ประสาทออกถือว่าเปิดใช้งานในกรณีของค่าผลผลิตข้างต้น 0.5 โดยการนำพิจารณาข้อผิดพลาดของค่าเฉลี่ยกำลังสองในการฝึกอบรมและการตรวจสอบชุดข้อมูล สุดสำเร็จหลัง 100 epochs สำหรับ FWI, 1500epochs สำหรับ FHI และ epochs 1000 สำหรับ FRI (Vasilakos et al., 2007)มันควรจดบันทึกยังว่า พารามิเตอร์ได้รับเลือกถึงรูปแบบการจุดระเบิดไฟสม่ำเสมอ wildland ตามสาเหตุไฟจุดระเบิดของเราศึกษาที่ตั้ง ดังนั้น รูปแบบตัวเองเป็นพื้นที่การศึกษาอื่นเมื่อจะได้รับการอบรมกับข้อมูลประวัติไฟของใหม่ ที่แสดงผลแผนที่ดัชนีไฟจุดระเบิด (Fig. 4) portrays ความน่าเป็นทางภูมิศาสตร์ของยังใหม่ไฟจุดระเบิด แบ่งได้เป็น 5 ประเภท: ต่ำความเสี่ยง (0 – 40);ความเสี่ยงปานกลาง (41 – 60); ความเสี่ยงสูง (61-80); ความเสี่ยงสูงมาก (81-90); และปลุกสถานะความเสี่ยง (91-100) ระบบถูกออกแบบมาเพื่อทำงานในการอัตโนมัติโหมดทุกวันเวลา 10:00 น.ภายใน แบบเดียวกับที่ใช้สำหรับการสร้างแผนที่สภาพอากาศ รุ่น SKIRON มีทั้งหมดข้อมูลพยากรณ์อากาศคาดการณ์จำเป็นที่จะใช้เป็นอินพุตไฟจุดระเบิดและอากาศทำนายแผนที่ในไฟเสมือนผลิตทุกวัน อย่างไรก็ตาม เวลาการประมวลผลที่จำเป็นสำหรับการสร้างนี้ไม่สูงมาก เนื่องจากอินพุต datasets ขนาดใหญ่ การเผชิญหน้านี้จะไม่ให้การสนับสนุนสำหรับการจัดส่งทรัพยากร ยังมีขั้นสูงเครื่องมือสำหรับการประเมินพฤติกรรมไฟ จำลองที่ดำเนินการโดยใช้ FlamMap, FARSITE, FSPRO และเวลาเดินทางน้อย (MTT)อัลกอริทึม (Finney, 2002) เมื่อเทียบกับแพลตฟอร์มอื่น ๆ ในป่าไฟการจัดการแสดง ไฟเสมือนสนับสนุนเครื่องมือที่หลากหลายข้อมูล และการยกเว้นการประเมินความเสียหาย เสมือนไฟจะขึ้นอยู่กับสถานะของสมัยมาตรฐาน เช่น API Silverlight (การโต้ตอบผู้ใช้) และHPC (สำหรับการคำนวณของไฟจุดระเบิดและแผนที่สภาพอากาศ)ปรับปรุงเป็นไปได้ของระบบอาจเป็นการเรียกใช้ความสามารถ GPS ของสมาร์ทโฟนมือถือสมัยใหม่ ซึ่งสามารถส่ง10 http://maps.wfas.net/ เข้าถึงครั้งล่าสุด 19/03/2013 11 http://www.fs.fed.us/fire/planning/nist/wims.htm เข้าถึงครั้งล่าสุด 19/03/2013Fig. 5 แสดงภูมิศาสตร์ของขอบเขตของไฟ (A), เปลวไฟยาว (B), ไฟแพร่กระจาย (C) และความเข้ม fireline (D) หลังจากการจำลองเหตุการณ์ไฟป่าตารางที่ 2เปรียบเสมือนไฟและแพลตฟอร์มคล้ายเครื่องมือเสมือนไฟ AHP(Kalabokidis et al., 2012)WFDSS(เก็บเบี้ยใต้ถุนร้าน และZimmerman, 2011)Firementor(Markatos et al., 2007)EFFIS(ซาน-Miguel-Ayanzร้อยเอ็ด al., 2012)ข้อมูลพยากรณ์อากาศ(วิเคราะห์/แสดงภาพประกอบเพลง)✓(คาดการณ์ SKIRON แผนที่บวกจริงข้อมูลเวลา RAWS)✓(SKIRON การณ์แผนที่ วิเคราะห์เท่านั้น)✓(WIMS และ RAWSข้อมูล วิเคราะห์เท่านั้น)✓(Meteo ฝรั่งเศส และDWD วิเคราะห์เท่านั้น)✓ประเมินอันตรายไฟ(ตาม HPC)✓(ลำดับการดำเนินการ)✓(NFDRS)✓(แคนาดา FWI)ไฟลักษณะ✓(ตาม FARSITE)✓(คงแผนที่เส้นไฟความรุนแรงอัตราแพร่กระจาย ไฟไฟขาดทุนที่อาจเกิดขึ้นดัชนี)✓(จาก FlamMapMTT, FARSITE และFSPRO)✓(ตาม BehavePlus)✓การจัดทรัพยากร(กองเรือ ติดตาม/GPS นำทางสุดสาย ใกล้เส้นทางไปสิ่งอำนวยความสะดวกที่สำคัญ)✓(สายงาน/ตำแหน่งของเพลิงบริการ)✓ประเมินความเสียหาย(จาก RAVARดัชนีต้นทุน stratified)✓(การประเมินความเสี่ยงของถนนระหว่างตกใจอพยพ)✓(บริเวณเผาไหม้แม็ป)✓ตรวจหาไฟ(ครอบคลุมกล้องออปติคอลเฝ้าระวัง)✓(ครอบคลุม ด้วยแสงอินฟราเรดกล้องเฝ้าระวัง)✓(MODIS ตามดาวเทียม)✓การเซ็นเซอร์เครือข่าย)✓(MODIS ตามดาวเทียม)อินเทอร์เฟซแบบเว็บไม่ใช่เว็บไซต์บนเว็บไม่ใช่เว็บไซต์บนเว็บ68 คุณ Kalabokidis et al. / ระบบนิเวศสารสนเทศ 16 (2013) 62-69their ประสานไปยังเซิร์ฟเวอร์ ความคิดนี้ยังคงจะต้องถูกตรวจสอบเพิ่มเติม มีเป้าหมายที่จะรวบรวมแอพพลิเคชันโมบายที่จะนำในดัชนีความเสี่ยงไฟไหม้มือของพนักงานดับเพลิง ไฟทำงานที่มีศักยภาพภาพดาวเทียมและข้อมูลปริภูมิ พร้อมกับสัญญาณจริงยานพาหนะของพวกเขาส่งไปยังศูนย์คำสั่งควบคุม ที่ต้นแบบเสมือนไฟถูกใช้ใน Lesvos เกาะของประเทศกรีซแต่มีความยืดหยุ่นช่วยให้การขยายพื้นที่กว้างขึ้น นำไปใช้ความพยายามสำหรับขยายต้องคำนวณใหม่ของแอนไฟรหัสจุดระเบิดที่ใช้ในแผนงาน HPC จะกล่าวขยายยัง ต้องปรับขยายประสิทธิภาพของการประมวลผลปริมาณ และเชื่อถือได้มากกว่าการจัดเก็บข้อมูล ซึ่งอาจให้ โดยการย้ายจากHPC ไปแพลตฟอร์มคลาวด์ตามตอบโครงการวิจัยนี้ได้รับการสนับสนุน โดยมหาวิทยาลัยเอเธนส์และเฮ Microsoft ในกรีซ และไม่สามารถแข่งขันได้รับการสนับสนุนงานวิจัยของ Microsoft ขอบคุณได้เนื่องจาก Lesvos เพลิงในกรีซในความร่วมมือ ยังต้องทานแบบไม่ระบุชื่อยอมรับในความเห็นของพวกเขาสร้างสรรค์ และเป็นประโยชน์

ผลลัพธ์ (ไทย) 2:

3.2 ข้อมูลสภาพอากาศ
สภาพอากาศมีบทบาทสำคัญในทุกขั้นตอนของการพัฒนาไฟป่า.
สภาพอากาศที่ไฟไหม้เป็นคำที่ใช้เพื่ออธิบายสภาพทางอุตุนิยมวิทยา
ที่มีผลต่อไฟป่าที่อาจเกิดพฤติกรรมและปราบปราม เสมือน
ไฟให้ความสามารถในการตรวจสอบและสำรวจการคาดการณ์หลายแห่งและ
เรียลไทม์ข้อมูลสภาพอากาศไฟทั้งในเชิงพื้นที่และเชิงพื้นที่ที่ไม่ใช่
รูปแบบที่ประสบความสำเร็จทั้งการเตือนภัยหรือความรู้ในปัจจุบัน
สภาพเรียลไทม์ ระบบการคาดการณ์สภาพอากาศจะขึ้นอยู่กับ
การพยากรณ์อากาศ Skiron model4 (Kallos et al., 1997) และวัสดุสิ้นเปลือง
ข้อมูลสภาพอากาศการป้อนข้อมูลที่จำเป็นสำหรับการแสดงผลแผนที่อากาศ ใน
ไฟเสมือนทั้งสิ้น 85 แผนที่พยากรณ์อุณหภูมิญาติ
ความชื้นเมฆฝนตกและลมจะถูกสร้างขึ้นหนึ่งครั้งทุกวัน (ที่
10:00 เวลาท้องถิ่น) โดยมีช่วงคาดการณ์ 3 วันและช่วงเวลา
3 ชั่วโมง . แผนที่เหล่านี้จัดทำที่มีความละเอียดแนวนอน
0.05 × 0.05 ° (~ 5 × 5 กิโลเมตร) สำหรับพื้นที่ที่ครอบคลุมทั้งเหนือ
ทะเลอีเจียนภูมิภาค รุ่นนี้ในชีวิตประจำวันของแผนที่สภาพอากาศที่ถูกสร้างขึ้น
โดยอัตโนมัติ ลำดับในชีวิตประจำวันของไฟล์ที่สภาพอากาศการป้อนข้อมูลจะถูกดาวน์โหลด
ลงในเซิร์ฟเวอร์เสมือนไฟตามกำหนดการเวลา แล้ว
ลำดับของไฟล์ที่ส่งออกจะถูกสร้างขึ้นและฐานข้อมูล ArcSDE
ที่เก็บแผนที่สภาพอากาศที่มีการปรับปรุง ต่อไปนี้การปรับปรุงปลาย
ผู้ใช้มีความสามารถในการแสดงแผนที่อากาศโดยเพียงแค่เลือก
พารามิเตอร์สภาพอากาศที่ต้องการ (เช่นลม) และสอดคล้องกับ
เวลา นอกจากนี้ยังสนับสนุนระบบเรียลไทม์การตรวจสอบข้อมูลจากเครือข่าย
ของสถานีตรวจอากาศอัตโนมัติระยะไกล (RAWS) ในเกาะ Lesvos,
สี่ RAWS ได้รับการติดตั้งในส่วนลักษณะของเกาะเพื่อ
ให้บรรลุความคุ้มครองทางภูมิศาสตร์ที่เหมาะสม ข้อมูลสภาพอากาศเหล่านี้
ยังมีอยู่ใน website5 ภายนอกการพัฒนากับแคมป์เบล
ซอฟแวร์ Loggernet อินเตอร์เฟซแบบกราฟิกที่ทันสมัย ​​visualizes ทุก
ข้อมูลสภาพอากาศในรูปแบบที่เข้าใจได้ง่าย (รูปที่. 3). 3.3 ดัชนีจุดระเบิดไฟความเสี่ยงไฟป่าหรือการประเมินอันตรายคือการรวมของสภาพอากาศ, ภูมิประเทศน้ำมันพืชและตัวแปรทางเศรษฐกิจและสังคมในการผลิตดัชนีผลผลิตที่มีศักยภาพไฟ (แอนดรู, et al, 2008;. ไพน์และคณะ, 1996.) วิธีการเชิงปริมาณต่าง ๆ ได้รับการสำรวจสำหรับความสัมพันธ์ของตัวแปรในการประเมินอันตรายไฟ ที่สุดของวิธีการเหล่านี้รวมถึงความสำคัญของตัวแปรเป็นโดยตรงหรือโดยอ้อมที่ส่งออกขึ้นอยู่กับวิธีการถ่วงอัตนัย (อัลคาซาร์, et al, 1998;. ศาลาและ Chuvieco, 1994) วิธีการที่ทันสมัยจะขึ้นอยู่ในทั้งวิธีการทางสถิติ (โจว 1992; Kalabokidis et al, 2007;. . Vasconcelos, et al, 2001) หรือวิธีการสุ่มคือประสาทเทียมเครือข่าย (ANN) (Chuvieco et al, 1999;. Vasconcelos และ อัล, 2001;. Vasilakos et al, 2007, 2009).. ไฟเสมือนจริงให้เป็นตัวแทนในการคำนวณและภูมิศาสตร์ของความน่าจะจุดระเบิดไฟและระบุความเสี่ยงสูงพื้นที่ที่ถูกต้องสำหรับวันถัดไปในเวลาเที่ยง มันรวมแบบจำลองที่ใช้ในการทำนายการเผาไหม้ไฟป่าขึ้นอยู่กับอุตุนิยมวิทยาคาดการณ์ข้อมูลและข้อมูลทางภูมิศาสตร์ (ตารางที่ 1) ในเราเผยแพร่ก่อนหน้านี้การวิจัย (. Vasilakos et al, 2007, 2009) สามเครือข่ายประสาทที่แตกต่างกันได้รับการพัฒนาและการฝึกอบรมในการคำนวณสามผลกลางของดัชนีจุดระเบิดไฟ (FII); คือดัชนีสภาพอากาศไฟ (FWI) ดัชนีอันตรายดับเพลิง (FHI) และดัชนีความเสี่ยงอัคคีภัย (ศุกร์) FWI ตรวจสอบลมความชื้นอุณหภูมิและตัวแปรปริมาณน้ำฝนที่ได้รับการพิจารณาโดยทั่วไปเพื่อตรวจสอบอันตรายที่อาจเกิดไฟไหม้ (ชโรเดอและบั๊ก 1970) และวิธีการเหล่านี้มีอิทธิพลต่อพารามิเตอร์จุดระเบิดไฟไหม้ที่อาจเกิดขึ้น FWI จะแตกต่างจากแคนาดาดัชนีไฟอากาศ (Lee et al., 2002) FHI รวมถึงปัจจัยทางชีวกายภาพเช่นพืชและภูมิประเทศ ศุกร์หมายถึงความน่าจะเป็นที่ไฟป่าจะเริ่มต้นตามที่กำหนดโดยใกล้ชิดจากกิจกรรมของมนุษย์ที่ก่อให้เกิดการผ่านเครื่องมือที่เหมาะสมรวมเข้าไปใน ArcGIS. วิธีการทำงานในการคำนวณดัชนีสามของการเผาไหม้ไฟป่าได้ดำเนินการผ่านการใช้งานอเนกประสงค์ ตรอนชั้น(MLP) ที่ได้รับการฝึกอบรมที่มีขั้นตอนวิธีการขยายพันธุ์กลับ(Rumelhart และแมคคลีแลนด์ 1986) ทั้งสามเครือข่ายมีหนึ่งที่ซ่อนอยู่ชั้นหกโหนดที่ซ่อนอยู่สำหรับ FWI สี่โหนดที่ซ่อนอยู่สำหรับ FHI และแปดโหนดที่ซ่อนอยู่สำหรับศุกร์ (Vasilakos et al., 2007) โลจิสติกฟังก์ชั่นที่ใช้สำหรับยืนยันการใช้งานระหว่างปัจจัยการผลิตและชั้นที่ซ่อนอยู่และการทำงานของตัวตนที่ใช้สำหรับยืนยันการใช้งานของการส่งออก อัตราการเรียนรู้ของ r = 0.1 ได้รับการแต่งตั้งในขณะที่เซลล์ประสาทที่ส่งออกได้รับการพิจารณาการเปิดใช้งานในกรณีที่มีมูลค่าส่งออกสูงกว่า 0.5 โดยการเข้าสู่การพิจารณาข้อผิดพลาดตารางค่าเฉลี่ยในการฝึกอบรมและการตรวจสอบชุด, ผลลัพธ์ที่ดีที่สุดก็ประสบความสำเร็จหลังจากที่ 100 epochs สำหรับ FWI, 1500 epochs สำหรับ FHI และ 1000 epochs สำหรับศุกร์ (Vasilakos et al., 2007). มันควรจะเป็น ยังตั้งข้อสังเกตว่าพารามิเตอร์ได้รับเลือกเพื่อสะท้อนให้เห็นถึงรูปแบบการจุดระเบิดไฟไหม้ป่าขึ้นอยู่กับสาเหตุการเผาไหม้ของไฟของเราพื้นที่การศึกษา ดังนั้นรูปแบบของตัวเองมีผลบังคับใช้กับพื้นที่การศึกษาอื่นเพียงว่ามันจะได้รับการอบรมที่มีข้อมูลประวัติไฟของพื้นที่ใหม่ เอาท์พุทไฟจุดระเบิดดัชนีแผนที่ (. รูปที่ 4) portrays ความน่าจะเป็นทางภูมิศาสตร์ของจุดระเบิดไฟใหม่แบ่งออกเป็น 5 ประเภทมีความเสี่ยงต่ำ (0-40) ความเสี่ยงปานกลาง (41-60); มีความเสี่ยงสูง (61-80); มีความเสี่ยงสูงมาก (81-90); และสถานะความเสี่ยงปลุก (91-100) ระบบถูกออกแบบมาเพื่อทำงานในอัตโนมัติโหมดทุกวันเวลา 10.00 นตามเวลาท้องถิ่นในลักษณะเดียวกับที่ใช้สำหรับการสร้างแผนที่อากาศ รูปแบบ Skiron ให้ทุกสิ่งที่จำเป็นที่คาดการณ์ข้อมูลการพยากรณ์อากาศเพื่อนำไปใช้เป็นปัจจัยการผลิต. ไฟจุดระเบิดและแผนที่การคาดการณ์สภาพอากาศในไฟเสมือนจริงที่มีการผลิตในชีวิตประจำวัน แต่เวลาในการประมวลผลที่จำเป็นสำหรับการสร้างนี้อยู่ในระดับสูงมากเนื่องจากการป้อนชุดข้อมูลขนาดใหญ่ ที่จะเผชิญหน้ากับเรื่องนี้ก็ไม่ได้ให้การสนับสนุนทรัพยากรการฝึกอบรม นอกจากนี้ยังมีขั้นสูงเครื่องมือสำหรับการประมาณค่าไฟพฤติกรรม การจำลองจะดำเนินการโดยใช้ FlamMap, FARSITE, FSPro และเวลาในการเดินทางขั้นต่ำ (MTT) อัลกอริทึม (ฟินนีย์, 2002) เมื่อเทียบกับแพลตฟอร์มอื่น ๆ สำหรับป่าจัดการยิงนำเสนอไฟเสมือนสนับสนุนความหลากหลายของเครื่องมือและข้อมูลการยกเว้นการประเมินความเสียหาย ไฟเสมือนจริงจะขึ้นอยู่กับสถานะของมาตรฐานที่ทันสมัยเช่น API Silverlight (สำหรับผู้ใช้) และHPC (การคำนวณจุดระเบิดไฟและแผนที่อากาศ). การเพิ่มประสิทธิภาพเป็นไปได้ของระบบอาจจะกระตุ้นการทำงานของความสามารถในจีพีเอสมาร์ทโฟนมือถือที่ทันสมัยซึ่งสามารถส่ง10 http://maps.wfas.net/, เข้าถึงล่าสุด 19/03/2013 11 http://www.fs.fed.us/fire/planning/nist/wims.htm, เข้าถึงล่าสุด 19/03/2013. รูป 5. การเป็นตัวแทนทางภูมิศาสตร์ของปริมณฑลไฟ (A) ความยาวเปลวไฟ (B) การแพร่กระจายไฟ (C) และความเข้ม FIRELINE (D) หลังจากการจำลองเหตุการณ์ไฟป่า. ตารางที่ 2 เปรียบเทียบไฟเสมือนและแพลตฟอร์มที่คล้ายกัน. เครื่องมือเสมือนไฟ AHP ( Kalabokidis et al., 2012) WFDSS (เพนนีและZimmerman, 2011) Firementor (Markatos et al., 2007) EFFIS (San-มิเกล-Ayanz et al., 2012) ข้อมูลอากาศ(การวิเคราะห์ / การสร้างภาพ) ✓ (Skiron อากาศแผนที่ บวกจริงข้อมูลเวลาจาก RAWS) ✓ (Skiron คาดแผนที่, การวิเคราะห์เท่านั้น) ✓ (WIMS และ RAWS ข้อมูลการวิเคราะห์เท่านั้น) ✓ (Meteo ฝรั่งเศสและDWD วิเคราะห์เท่านั้น) การประมาณอันตรายไฟ✓ (ตาม HPC) ✓ (ดำเนินการอนุกรม) ✓ (NFDRS) ✓ (แคนาดา FWI) พฤติกรรมไฟ✓ (ตาม FARSITE) ✓ (แผนที่แบบคงที่ของความเข้มไฟเชิงเส้นอัตราของการแพร่กระจายไฟไหม้, การสูญเสียที่อาจเกิดไฟไหม้ดัชนี) ✓ (ตาม FlamMap, MTT, FARSITE และFSPro) ✓ ( ขึ้นอยู่กับ BehavePlus) ทรัพยากรเยี่ยงอย่าง✓ (กองทัพเรือติดตาม / นำทางจีพีเอสที่ดีที่สุดเส้นทางเส้นทางที่ใกล้เคียงกับสิ่งอำนวยความสะดวกที่สำคัญ) ✓ (เส้นทาง / การวางตำแหน่งของดับเพลิงบริการ) การประเมินความเสียหาย✓ (ตาม Ravar, ดัชนีต้นทุนแซด) ✓ (การประเมินความเสี่ยงถนนในช่วงตื่นตระหนกอพยพ) ✓ (พื้นที่เผาทำแผนที่) การตรวจสอบไฟ✓ (ปกคลุมด้วยกล้องแสงเฝ้าระวัง) ✓ (ปกคลุมด้วยแสงอินฟาเรดและการเฝ้าระวังกล้อง) ✓ (ตาม MODIS ดาวเทียม) ✓ (ขึ้นอยู่กับเซ็นเซอร์ระบบเครือข่าย) ✓ (ตาม MODIS ดาวเทียม) อินเตอร์เฟซบนเว็บไม่ web-based web-based ไม่ web-based Web-based 68 เค Kalabokidis และคณะ / นิเวศวิทยาสารสนเทศ 16 (2013) 62-69their พิกัดไปยังเซิร์ฟเวอร์ ความคิดนี้ยังคงที่จะตรวจสอบต่อไปโดยมีเป้าหมายที่จะรวบรวมโปรแกรมมือถือที่จะนำมาในมือของนักดับเพลิง 'ดัชนีความเสี่ยงการเกิดไฟไหม้ที่มีศักยภาพพฤติกรรมไฟไหม้, ภาพจากดาวเทียมและข้อมูลเชิงพื้นที่พร้อมกับสัญญาณที่เกิดขึ้นจริงของยานพาหนะของพวกเขาส่งไปยังคำสั่ง ศูนย์กลางของการควบคุม ไฟต้นแบบเสมือนจริงที่ถูกนำมาใช้ในขณะนี้ในเกาะ Lesvos ของกรีซแต่มีความยืดหยุ่นช่วยให้การขยายตัวของไปยังพื้นที่ที่กว้างขึ้น การดำเนินความพยายามสำหรับการขยายตัวจำเป็นต้องมีการคำนวณอีกครั้งของแอนสำหรับไฟรหัสจุดระเบิดทำงานในโครงการ HPC การขยายตัวดังกล่าวจะยังมีความต้องการขยายขีดความสามารถที่มีประสิทธิภาพของการคำนวณภาระงานและการจัดเก็บข้อมูลที่เชื่อถือได้มากขึ้นซึ่งอาจจะให้โดยการย้ายจากHPC ไปเป็นแพลตฟอร์มเมฆที่ใช้. กิตติกรรมประกาศโครงการวิจัยนี้ได้รับการสนับสนุนจากมหาวิทยาลัยเอเธนส์และ Microsoft เฮลลาสในกรีซ และมันได้รับการสนับสนุนการแข่งขันโดยการวิจัยไมโครซอฟท์ ขอขอบคุณเป็นเพราะ Lesvos ดับเพลิงในกรีซสำหรับความร่วมมือของ แสดงความคิดเห็นที่ไม่ประสงค์ออกนามจะต้องได้รับการยอมรับสำหรับความเห็นที่สร้างสรรค์และเป็นประโยชน์ของพวกเขา

ผลลัพธ์ (ไทย) 3:

3.2 . ข้อมูลอากาศ
สภาพอากาศมีบทบาทสำคัญในทุกขั้นตอนของการพัฒนา ไฟป่า
ระยะไฟอากาศถูกใช้เพื่ออธิบายถึงเงื่อนไขอุตุนิยมวิทยา
ส่งผลต่อศักยภาพไฟป่า พฤติกรรม และการปราบปราม ไฟเสมือน
มีความสามารถในการตรวจสอบ และสำรวจข้อมูลสภาพอากาศและการพยากรณ์หลาย
ไฟแบบเรียลไทม์ ทั้งในพื้นที่และนอกพื้นที่
แบบฟอร์ม ,การบรรลุทั้งการเตือนภัย หรือความรู้ของปัจจุบัน
- เงื่อนไข อากาศระบบการพยากรณ์ตาม
skiron พยากรณ์อากาศ model4 ( Kallos et al . , 1997 ) และวัสดุที่จำเป็นใส่
ข้อมูลอากาศสำหรับการสร้างภาพแผนที่อากาศ ใน
ไฟเสมือนทั้งหมด 85 ตัวแผนที่ของอุณหภูมิ ความชื้นสัมพัทธ์
ครอบคลุมคลาวด์ฝนและลมถูกสร้างขึ้นทุกๆวัน (
10.00 น. ตามเวลาท้องถิ่น ) กับการทำนายช่วง 3 วันและช่วงเวลา
3 H . แผนที่เหล่านี้จะเตรียม
ความละเอียดแนวนอน 0.05 × 0.05 องศา ( ~ 5 × 5 km ) สำหรับพื้นที่ที่ครอบคลุมทั้งภาคเหนือ
Aegean ภูมิภาค รุ่นนี้ทุกวัน ของสภาพอากาศแผนที่สร้างขึ้น
โดยอัตโนมัติ ลำดับทุกวัน ไฟล์อากาศเข้าดาวน์โหลด
เป็นเซิร์ฟเวอร์เสมือนไฟตามเวลาตารางเวลา จากนั้น
ลำดับของไฟล์ออกเป็นสร้างและ arcsde ฐานข้อมูล
ร้านค้าที่สภาพอากาศแผนที่จะปรับปรุง ต่อไปนี้การปรับปรุงผู้ใช้
มีความสามารถในการแสดงแผนที่อากาศโดยเพียงแค่การเลือกพารามิเตอร์ที่ต้องการอากาศ
( เช่นลม ) และเวลาเดียวกัน

ระบบยังสนับสนุนข้อมูลเรียลไทม์การตรวจสอบจากเครือข่าย
จากสถานีตรวจอากาศอัตโนมัติระยะไกล ( รอส ) ใน Lesvos Island ,
4 รอสได้รับการติดตั้งในส่วนลักษณะของเกาะ

ให้ได้ครอบคลุมทางภูมิศาสตร์ที่เหมาะสม ข้อมูลสภาพอากาศเหล่านี้จะยังสามารถใช้ได้บน website5 ภายนอก

loggernet แคมป์เบลที่พัฒนาด้วยซอฟต์แวร์ ส่วนติดต่อแบบกราฟิกที่ทันสมัยทั้งหมด
ทั้งข้อมูลสภาพอากาศในรูปแบบที่เข้าใจได้ง่าย ( รูปที่ 3 ) .

. . ไฟจุดระเบิดดัชนี
ไฟป่าความเสี่ยงหรืออันตรายการประเมินผล คือ การบูรณาการสภาพอากาศ
ภูมิประเทศ เชื้อเพลิง และตัวแปรทางเศรษฐกิจสังคมและสร้างดัชนีของผลผลิตศักยภาพ
ไฟ ( แอนดรู et al . , 2008 ; Pyne
et al . , 1996 ) วิธีการเชิงปริมาณต่าง ๆได้รับการสํารวจสําหรับ
ความสัมพันธ์ของตัวแปรนำเข้าไฟ การประเมินอันตราย ส่วนใหญ่ของ
วิธีการเหล่านี้รวมถึงความสำคัญของการใส่ตัวแปรที่เป็นโดยตรงหรือโดยอ้อม
ผลผลิตขึ้นอยู่กับวิธีการน้ำหนักอัตนัย ( ALC ZAR . kgm
et al . , 1998 ; ซาลาส และ chuvieco , 1994 ) วิธีการสมัยใหม่จะใช้ทั้งวิธีการทางสถิติ
( Chou , 1992 ; kalabokidis et al . , 2007 ;
Vasconcelos et al . , 2001 ) หรือ Stochastic Approach , .เช่นเครือข่ายประสาทเทียม ( ANN )
( chuvieco et al . , 1999 ; Vasconcelos et al . , 2001 ;
vasilakos et al . , 2007 , 2009 ) .
ไฟเสมือนให้คำนวณและ
แทนทางภูมิศาสตร์ของไฟจุดระเบิด ความน่าจะเป็น และกำหนดพื้นที่ที่มีความเสี่ยงสูง
ที่ถูกต้องสำหรับวันถัดไปที่เวลา เที่ยง
มันรวมรุ่น