Wildland fire risk or danger evalua

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 and 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 and Salas and Chuvieco, 1994). Modern methods are based on either a statistical approach (Chou, 1992, Kalabokidis et al., 2007 and 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 and Vasilakos et al., 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 and Vasilakos et al., 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.

ผลลัพธ์ (ไทย) 1:

การประเมินอันตรายหรือความเสี่ยงด้านอัคคีภัยสม่ำเสมอ Wildland มีการรวมสภาพอากาศ ภูมิประเทศ น้ำมันผักเรื้อรัง และประชากรตัวแปรอินพุตจะสร้างดัชนีของไฟแสดงผลอาจเกิดขึ้น (al. et แอนดรูส์ 2008 และ Pyne et al., 1996) มีการสำรวจวิธีการเชิงปริมาณต่าง ๆ สำหรับความสัมพันธ์ของตัวแปรอินพุตไฟประเมินอันตราย ส่วนใหญ่วิธีการเหล่านี้รวมถึงความสำคัญของตัวแปรอินพุตเป็นเป็นผลทางตรง หรือทางอ้อมตามวิธีน้ำหนักตามอัตวิสัย (Alcázar et al., 1998 และศาลา และ Chuvieco, 1994) วิธีการสมัยใหม่อยู่เป็นวิธีการทางสถิติ (โชว 1992, Kalabokidis et al., 2007 และ Vasconcelos และ al., 2001) หรือ วิธีแบบเฟ้นสุ่ม เครือข่ายประสาทเทียมเช่น (แอน) (Chuvieco et al., 1999, Vasconcelos และ al., 2001, Vasilakos et al., 2007 และ Vasilakos et al., 2009)เสมือนไฟให้แสดงภูมิศาสตร์ และคำนวณความน่าเป็นการจุดระเบิดไฟและรหัสพื้นที่อิกที่มีผลบังคับใช้วันถัดไปเวลาเที่ยง มันรวมรุ่นที่ใช้สำหรับการคาดการณ์จุดระเบิดไฟไหม้ป่าตามข้อมูลอุตุนิยมวิทยาคาดการณ์และข้อมูลทางภูมิศาสตร์ (ตาราง 1) ของเราก่อนหน้านี้เผยแพร่งานวิจัย (Vasilakos et al., 2007 และ Vasilakos et al., 2009), เครือข่ายประสาทแตกต่างกันสามถูกพัฒนา และฝึกอบรมการคำนวณผลกลางสามของไฟจุดระเบิดดัชนี (FII); เช่นไฟอากาศดัชนี (FWI), ดัชนีอันตรายไฟ (FHI), และความเสี่ยงด้านอัคคีภัยดัชนี (ศุกร์) ตรวจสอบการ FWI ลม ความชื้น อุณหภูมิและปริมาณน้ำฝนแปรที่ถือว่าเป็นการกำหนดไฟอันตรายอาจเกิดขึ้น (Schroeder และบัค 1970), และวิธีพารามิเตอร์เหล่านี้มีอิทธิพลต่อจุดระเบิดไฟที่เป็นไปได้ โดยทั่วไป FWI จะแตกต่างจากแคนาดาไฟอากาศดัชนี (Lee et al., 2002) FHI รวมปัจจัย biophysical ภูมิประเทศและพืช ศุกร์หมายถึงความน่าเป็นที่ไฟสม่ำเสมอ wildland จะเริ่มใกล้ชิดของสาเหตุการกิจกรรมมนุษย์ ผ่านเครื่องมือที่เหมาะสมรวมเป็น ArcGIS

ผลลัพธ์ (ไทย) 2:

ความเสี่ยงที่เกิดไฟป่าหรือการประเมินอันตรายคือการรวมของสภาพอากาศภูมิประเทศเชื้อเพลิงพืชและตัวแปรทางเศรษฐกิจและสังคมในการผลิตดัชนีผลผลิตที่มีศักยภาพไฟ (แอนดรู et al., 2008 และไพน์ et al., 1996) วิธีการเชิงปริมาณต่าง ๆ ได้รับการสำรวจสำหรับความสัมพันธ์ของตัวแปรในการประเมินอันตรายไฟ; มากที่สุดของวิธีการเหล่านี้รวมถึงความสำคัญของตัวแปรเป็นผลผลิตโดยตรงหรือโดยอ้อมขึ้นอยู่กับวิธีการถ่วงอัตนัย (อัลคาซาร์ et al., 1998 และศาลาและ Chuvieco, 1994) วิธีการที่ทันสมัยจะขึ้นอยู่กับวิธีการอย่างใดอย่างหนึ่งทางสถิติ (โจวปี 1992 Kalabokidis et al., 2007 และ Vasconcelos et al., 2001) หรือวิธีการสุ่มเช่นเครือข่ายประสาทเทียม (ANN) (Chuvieco et al., 1999, Vasconcelos และ al., 2001, Vasilakos et al., 2007 และ Vasilakos et al., 2009). ไฟเสมือนจริงให้เป็นตัวแทนในการคำนวณและภูมิศาสตร์ของความน่าจะจุดระเบิดไฟไหม้และการตรวจสอบในพื้นที่ที่มีความเสี่ยงสูงที่ถูกต้องสำหรับวันถัดไปในเวลาเที่ยง . มันรวมแบบจำลองที่ใช้ในการทำนายการเผาไหม้ไฟป่าบนพื้นฐานของข้อมูลทางอุตุนิยมวิทยาคาดการณ์และข้อมูลทางภูมิศาสตร์ (ตารางที่ 1) ในงานวิจัยของเราเผยแพร่ก่อนหน้านี้ (.. Vasilakos et al, 2007 และ Vasilakos et al, 2009) สามเครือข่ายประสาทที่แตกต่างกันได้รับการพัฒนาและการฝึกอบรมในการคำนวณสามผลกลางของดัชนีจุดระเบิดไฟ (FII); คือดัชนีสภาพอากาศไฟ (FWI) ดัชนีอันตรายดับเพลิง (FHI) และดัชนีความเสี่ยงอัคคีภัย (ศุกร์) FWI ตรวจสอบลมความชื้นอุณหภูมิและตัวแปรปริมาณน้ำฝนที่มีการพิจารณาโดยทั่วไปเพื่อตรวจสอบอันตรายที่อาจเกิดไฟไหม้ (ชโรเดอและบั๊ก 1970) และวิธีการเหล่านี้มีอิทธิพลต่อพารามิเตอร์ที่มีศักยภาพการเผาไหม้ไฟ FWI จะแตกต่างจากแคนาดาดัชนีไฟอากาศ (Lee et al., 2002) FHI รวมถึงปัจจัยทางชีวกายภาพเช่นพืชและภูมิประเทศ ศุกร์หมายถึงความน่าจะเป็นที่ไฟป่าจะเริ่มกำหนดเป็นโดยใกล้ชิดจากกิจกรรมของมนุษย์ที่ก่อให้เกิดผ่านเครื่องมือที่เหมาะสมรวมเข้าไปใน ArcGIS

ผลลัพธ์ (ไทย) 3:

ไฟป่าความเสี่ยงหรืออันตรายการประเมินผล คือ การบูรณาการ ภูมิประเทศ อากาศ และ เชื้อเพลิง และตัวแปรทางเศรษฐกิจและสังคมเพื่อสร้างดัชนีของผลผลิตศักยภาพไฟ ( แอนดรู et al . , 2008 และไพน์ et al . , 1996 ) วิธีการต่างๆได้ถูกสำรวจเพื่อหาความสัมพันธ์ของตัวแปรนำเข้าไฟการประเมินอันตราย ;ที่สุดของวิธีการเหล่านี้รวมถึงความสำคัญของการใส่ตัวแปรที่เป็นโดยตรงหรือโดยอ้อมส่งออกขึ้นอยู่กับวิธีการน้ำหนักอัตนัย ( ALC ZAR . kgm et al . , 1998 และศาลา และ chuvieco , 1994 ) วิธีการที่ทันสมัยตามด้วยวิธีการทางสถิติ ( Chou , 1992 , kalabokidis et al . , 2007 และ Vasconcelos et al . , 2001 ) หรือแบบสุ่ม คือ โครงข่ายประสาทเทียม ( ANN ) ( chuvieco et al . ,1999 Vasconcelos et al . , 2001 , vasilakos et al . , 2007 และ vasilakos et al . , 2009 ) .

เสมือนไฟให้คำนวณทางภูมิศาสตร์ และการเป็นตัวแทนของไฟจุดระเบิด และการระบุความน่าจะเป็นของ มีพื้นที่ที่สามารถใช้ได้สำหรับวันรุ่งขึ้นตอนเที่ยงนะมันรวมรุ่นที่ใช้ในการจุดระเบิดไฟป่า ตามพยากรณ์ ข้อมูลอุตุนิยมวิทยาและข้อมูลทางภูมิศาสตร์ ( ตารางที่ 1 ) ในงานวิจัยที่เผยแพร่ก่อนหน้านี้ ( vasilakos et al . , 2007 และ vasilakos et al . , 2009 ) , สามเครือข่ายประสาทต่าง ๆได้มีการพัฒนาและฝึกคำนวณสามผลกลางของไฟจุดระเบิดดัชนี ( FII ) ; เช่นไฟอากาศดัชนี ( fwi )ไฟไหม้ภัยดัชนี ( FHI ) และไฟดัชนีความเสี่ยง ( วันศุกร์ ) การ fwi ตรวจสอบลม ความชื้น อุณหภูมิ และปริมาณน้ำฝน ตัวแปรที่พิจารณาโดยทั่วไปการตรวจสอบอันตรายที่อาจเกิดขึ้นได้ ไฟ ( ชโรเดอร์และบัค , 1970 ) และวิธีการของตัวแปรเหล่านี้มีผลต่อไฟจุดระเบิดที่อาจเกิดขึ้น fwi แตกต่างจากแคนาดาไฟอากาศดัชนี ( ลี et al . , 2002 )โดย FHI รวมถึงปัจจัยทางชีวกายภาพ เช่น พืช และสภาพภูมิประเทศ ศ. หมายถึงความน่าจะเป็นที่ไฟป่าจะเริ่มพิจารณาจากความใกล้ชิดของกิจกรรมมนุษย์เป็นสาเหตุ ผ่านเครื่องมือที่เหมาะสมรวมอยู่ใน ArcGIS . .