The functional approach to calculat

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.

ผลลัพธ์ (ไทย) 1:

วิธีการทำงานในการคำนวณดัชนีทั้งสามของจุดระเบิดไฟป่าที่ดำเนินการโดยใช้แบบหลายชั้นเพอร์เซปตรอน (MLP) ที่ได้รับการฝึกอบรมกับอัลกอริทึมเผยแพร่หลัง (Rumelhart และ McClelland, 1986) เครือข่ายทั้งหมดสามมีชั้นซ่อนหนึ่งกับหกโหนซ่อนสำหรับ FWI โหนสี่ซ่อนสำหรับ FHI และโหนซ่อนแปดสำหรับ FRI (Vasilakos et al., 2007) ใช้สำหรับเปิดใช้งานระหว่างอินพุตและชั้นซ่อน ฟังก์ชันโลจิสติก และใช้สำหรับการเรียกใช้ผลลัพธ์ฟังก์ชันเอกลักษณ์ อัตราการเรียนรู้ r = 0.1 ถูกเลือก ในขณะที่เซลล์ประสาทออกได้ถือว่าเปิดใช้งานในกรณีที่ค่าผลผลิตข้างต้น 0.5 โดยการพิจารณาค่าเฉลี่ยกำลังสองผิดพลาดในการฝึกอบรมและการตรวจสอบชุดข้อมูล สุดสำเร็จหลัง 100 epochs สำหรับ FWI, epochs 1500 สำหรับ FHI และ epochs 1000 สำหรับ FRI (Vasilakos et al., 2007) มันควรจดบันทึกยังว่า พารามิเตอร์ได้รับเลือกถึงลายไฟสม่ำเสมอ wildland จุดระเบิดตามสาเหตุจุดระเบิดไฟของพื้นที่ศึกษาของเรา ดังนั้น จำลองตัวเองเป็นการศึกษาพื้นที่อื่นเมื่อจะได้รับการอบรมกับข้อมูลประวัติไฟของใหม่ การแสดงผลแผนที่ดัชนีไฟจุดระเบิด (Fig. 4) portrays น่าตัวใหม่ไฟจุดระเบิด แบ่งประเภท 5 ภูมิศาสตร์: ต่ำความเสี่ยง (0 – 40); ความเสี่ยงปานกลาง (41 – 60); ความเสี่ยงสูง (61-80); ความเสี่ยงสูงมาก (81-90); และปลุกสถานะความเสี่ยง (91-100) ระบบถูกออกแบบมาเพื่อทำงานในโหมดแบบอัตโนมัติการทุกวัน 10:00 น.เวลาท้องถิ่น แบบเดียวกับที่ใช้สำหรับสร้างแผนที่สภาพอากาศ รุ่น SKIRON ให้ข้อมูลพยากรณ์อากาศคาดการณ์จำเป็นทั้งหมดจะใช้เป็นอินพุต

ผลลัพธ์ (ไทย) 2:

วิธีการทำงานในการคำนวณดัชนีสามของการเผาไหม้ไฟป่าได้ดำเนินการผ่านการใช้ตรอนหลายชั้น (MLP) ที่ได้รับการฝึกอบรมที่มีขั้นตอนวิธีการขยายพันธุ์กลับ (Rumelhart และแมคคลีแลนด์ 1986) ทั้งสามเครือข่ายมีชั้นหนึ่งที่ซ่อนอยู่กับหกโหนดที่ซ่อนอยู่สำหรับ FWI สี่โหนดที่ซ่อนอยู่สำหรับ FHI และแปดโหนดที่ซ่อนอยู่สำหรับศุกร์ (Vasilakos et al., 2007) ฟังก์ชั่นโลจิสติกที่ใช้สำหรับยืนยันการใช้งานระหว่างปัจจัยการผลิตและชั้นที่ซ่อนอยู่; และการทำงานของตัวตนที่ใช้สำหรับยืนยันการใช้งานของการส่งออก อัตราการเรียนรู้ของ r = 0.1 ได้รับการแต่งตั้งในขณะที่เซลล์ประสาทที่ส่งออกได้รับการพิจารณาการเปิดใช้งานในกรณีที่มีมูลค่าส่งออกสูงกว่า 0.5 โดยคำนึงถึงข้อผิดพลาดตารางค่าเฉลี่ยในการฝึกอบรมและชุดการตรวจสอบผลที่ดีที่สุดก็ประสบความสำเร็จหลังจากที่ 100 epochs สำหรับ FWI, 1500 epochs สำหรับ FHI และ 1000 epochs สำหรับศุกร์ (Vasilakos et al., 2007) มันควรจะสังเกตว่าพารามิเตอร์ที่ได้รับการคัดเลือกเพื่อให้สอดคล้องกับรูปแบบการจุดระเบิดไฟไหม้ป่าขึ้นอยู่กับสาเหตุการเผาไหม้ของไฟไหม้พื้นที่การศึกษาของเรา ดังนั้นรูปแบบของตัวเองมีผลบังคับใช้กับพื้นที่การศึกษาอื่นเพียงว่ามันจะได้รับการอบรมที่มีข้อมูลประวัติไฟของพื้นที่ใหม่ เอาท์พุทไฟจุดระเบิดดัชนีแผนที่ (. รูปที่ 4) portrays ความน่าจะเป็นทางภูมิศาสตร์ของจุดระเบิดไฟใหม่แบ่งออกเป็น 5 ประเภทมีความเสี่ยงต่ำ (0-40); ความเสี่ยงปานกลาง (41-60); มีความเสี่ยงสูง (61-80); มีความเสี่ยงสูงมาก (81-90); และสถานะความเสี่ยงปลุก (91-100) ระบบถูกออกแบบมาเพื่อให้สามารถทำงานในโหมดอัตโนมัติให้บริการทุกวันเวลา 10.00 นตามเวลาท้องถิ่นในลักษณะเดียวกับที่ใช้สำหรับการสร้างแผนที่อากาศ รูปแบบ Skiron ให้ทั้งหมดที่จำเป็นข้อมูลการพยากรณ์อากาศคาดว่าจะถูกนำมาใช้เป็นปัจจัยการผลิต

ผลลัพธ์ (ไทย) 3:

แนวทางการทำงานเพื่อคำนวณสามดัชนีจุดไฟป่าคือดำเนินการผ่านการใช้ medium PERCEPTRON ( MLP ) ที่ได้รับการฝึกด้วย back-propagation ขั้นตอนวิธี ( และ rumelhart McClelland , 1986 ) ทั้งสามเครือข่ายได้หนึ่งชั้นซ่อนกับโหนดที่ซ่อนอยู่หกสำหรับ fwi สี่โหนดที่ซ่อนอยู่สำหรับ FHI และปมที่ซ่อนอยู่ แปด ศ. ( vasilakos et al . , 2007 )ฟังก์ชันที่ใช้สำหรับการเปิดใช้งานโลจิสติกระหว่างกระผมและซ่อนเลเยอร์ และฟังก์ชันเหมือนกันใช้สำหรับการกระตุ้นการส่งออก อัตราการเรียนรู้ของ R = 0.1 ถูกเลือก ในขณะที่ผลผลิตเซลล์ก็ถือว่าใช้งานในกรณีของผลผลิตสูงกว่า 0.5 โดยพิจารณาค่าเฉลี่ยความคลาดเคลื่อนกำลังสองในการฝึกอบรมและข้อมูลการตรวจสอบ ,ผลลัพธ์ที่ดีที่สุดคือยุคสมัยหลังได้รับ 100 สำหรับ fwi 1500 ยุคสมัยสำหรับ FHI และ 1000 ยุคสมัยในวันศุกร์ ( vasilakos et al . , 2007 ) มันควรจะสังเกตได้ว่าค่าพารามิเตอร์ที่ได้เลือกที่จะสะท้อนให้เห็นถึงไฟป่าจุดระเบิดแบบใช้ไฟจุดระเบิด สาเหตุจากพื้นที่ศึกษาของเรา ดังนั้นแบบที่ตัวเองได้ศึกษาอื่นพื้นที่เท่านั้น ถ้าจะฝึกด้วยไฟข้อมูลประวัติของพื้นที่ใหม่ แผนที่แสดงดัชนีการจุดระเบิดไฟ ( รูปที่ 4 ) แสดงให้เห็นถึงความเป็นไปได้ทางภูมิศาสตร์ของไฟจุดระเบิดใหม่ แบ่งออกเป็น 5 ประเภท : ความเสี่ยงต่ำ ( 0 – 40 ) ; ความเสี่ยงปานกลาง ( 41 - 60 ) ; ความเสี่ยงสูง ( 61 - 80 ) ; ความเสี่ยงสูงมาก ( 81 - 90 ) ; และสถานะความเสี่ยงเตือนภัย ( 91 ( 100 )ระบบถูกออกแบบมาเพื่อทำงานในโหมดอัตโนมัติทุกวัน ในเวลา 10.00 น. ตามเวลาท้องถิ่น ในลักษณะเดียวกับที่ใช้ในการสร้างอากาศแผนที่ การ skiron รูปแบบมีทั้งหมดที่จำเป็นจากพยากรณ์อากาศข้อมูลเพื่อใช้เป็นปัจจัยการผลิต