Through the use of a univariate and

Through the use of a univariate and classification tree analysis we have identified the key meteorological variables responsible for significant avalanche activity on the Seward Highway in Alaska.
Using 28 years of snowpack, weather and avalanche data, including more than 4500 individual avalanche events we trained and developed classifi cations trees using remotely measured meteorological variables as predictors of signifi cant avalnche activity.
We generated a tree with equal misclassifi cation costs that used only three parameters; the sum
of 72 h of water, the 24 h high temperature, and the 72 h average high temperature, to obtain a POD of 0.77 within the training data set.
An alternative tree with unequal misclassifi cation costs has a higher POD, but at the cost of an unacceptably high FAR for operational considerations

ผลลัพธ์ (ไทย) 1:

โดยใช้การวิเคราะห์แผนภูมิอย่างไร univariate และจัดประเภท เราได้ระบุแปรอุตุนิยมวิทยาหลักที่รับผิดชอบกิจกรรมหิมะถล่มสำคัญบนทางหลวงเวิร์ดในอลาสก้า ใช้ snowpack 28 ปี ข้อมูลสภาพอากาศและหิมะถล่ม รวมถึงเหตุการณ์หิมะถล่มละ 4500 กว่าเราผ่านการฝึกอบรม และพัฒนา classifi เป็นของหายากต้นไม้ระยะไกลใช้วัดตัวแปรอุตุนิยมวิทยาเป็นกิจกรรม avalnche ต้อน predictors ของความ เราสร้างต้นไม้ มีต้นทุนเท่ากับ misclassifi cation ที่ใช้พารามิเตอร์ที่สามเท่านั้น ผลรวมของ h 72 ของน้ำ อุณหภูมิสูง 24 ชม และ 72 h เฉลี่ยสูง อุณหภูมิ รับฝักของ 0.77 ภายในชุดข้อมูลฝึกอบรมแผนภูมิอื่น มีต้นทุนไม่เท่ากัน misclassifi cation มีฝักสูง แต่ ค่าการฟาร์ unacceptably สูงสำหรับพิจารณาการดำเนินงาน

ผลลัพธ์ (ไทย) 2:

ผ่านการใช้การวิเคราะห์ต้นไม้ univariate และการจำแนกเราได้ระบุตัวแปรทางอุตุนิยมวิทยาที่สำคัญรับผิดชอบในกิจกรรมที่พังทลายลงอย่างมีนัยสำคัญในซีเวิร์ดทางหลวงในอลาสก้า
ใช้ 28 ปีของ snowpack สภาพอากาศและหิมะถล่มข้อมูลรวมกว่า 4500 เหตุการณ์หิมะถล่มบุคคลที่เราได้รับการฝึกฝนและ การพัฒนาต้นไม้ไพเพ classifi ใช้วัดระยะไกลเป็นตัวแปรอุตุนิยมวิทยาพยากรณ์ลาดเท avalnche กิจกรรมคัญ
เราสร้างต้นไม้ที่มีค่าใช้จ่าย misclassifi ไอออนบวกเท่ากับที่ใช้เฉพาะสามพารามิเตอร์; ผลรวม
ของ 72 ชั่วโมงน้ำ 24 ชั่วโมงที่อุณหภูมิสูงและอุณหภูมิสูง 72 ชั่วโมงโดยเฉลี่ยจะได้รับ POD 0.77 ภายในข้อมูลการฝึกอบรมที่กำหนด
ต้นไม้ทางเลือกที่มีต้นทุนไม่เท่ากัน misclassifi ไอออนบวกมี POD สูงขึ้น แต่อย่าง ค่าใช้จ่ายของ FAR สูงอย่างไม่น่าสำหรับการพิจารณาการดำเนินงาน

ผลลัพธ์ (ไทย) 3:

ผ่านการใช้งานของประชากร และการวิเคราะห์การจำแนกต้นไม้ที่เราได้ระบุคีย์ตัวแปร รับผิดชอบกิจกรรมทางอุตุนิยมวิทยาหิมะถล่มบนทางหลวงซีเวิร์ดในอลาสกา
ใช้ 28 ปี snowpack สภาพอากาศ ข้อมูล หิมะถล่มรวมกว่า 4 , 500 รายหิมะถล่มเหตุการณ์เราฝึกและพัฒนา classifi ทำให้ต้นไม้ที่ใช้วัดตัวแปรที่ทำนายจากอุตุนิยมวิทยา signifi ลาดเท avalnche กิจกรรม
เราสร้างต้นไม้เท่ากับต้นทุนที่ใช้ในการ misclassifi เพียงสามพารามิเตอร์ผลรวม
72 H ของน้ำ , อุณหภูมิสูง 24 ชั่วโมงและ 72 ชั่วโมงโดยเฉลี่ยอุณหภูมิสูงเพื่อให้ได้ฝัก 0.77 ในการฝึกอบรมชุดข้อมูล .
ต้นไม้อื่น มีต้นทุนไม่เท่ากัน misclassifi ไอออนบวกได้ฝักสูง แต่ที่ค่าใช้จ่ายของการดำเนินงาน unacceptably สูงไกล