चीन के युन्नान प्रांत के लिए स्टैक्सिंग एन्सेम्बल लर्निंग के आधार पर वन आग जोखिम की भविष्यवाणी

वन आग जोखिम की भविष्यवाणी एक वन आग रक्षा प्रणाली बनाने के लिए आवश्यक है। एन्सेम्बल लर्निंग विधियाँ आपदा संवेदनशीलता की भविष्यवाणी के लिए कठिन मॉडल चयन की समस्या से बच सकती हैं और मॉडलिंग सटीकता में महत्वपूर्ण सुधार कर सकती हैं। यह अध्ययन विभिन्न डेटा प्रकारों जैसे कि मौसम, स्थलाकृतिक, वनस्पति, और मानव गतिविधि कारकों को एकीकृत करके युन्नान प्रांत में वन आग जोखिमों की भविष्यवाणी के लिए एक स्टैक्सिंग एन्सेम्बल लर्निंग मॉडल प्रस्तुत करता है। मॉडल विकसित करने के लिए कुल 70,274 आग बिंदुओं और समान संख्या में रैंडम रूप से चयनित गैर-आग बिंदुओं का उपयोग किया गया, जिसमें 70% डेटा को प्रशिक्षण के लिए और शेष 30% को परीक्षण के लिए आवंटित किया गया। स्टैक्सिंग मॉडल ने चार विविध मशीन लर्निंग विधियों को एकीकृत किया: रैंडम फॉरेस्ट (RF), एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGBoost), लाइट ग्रेडिएंट बूस्टिंग मशीन (LightGBM), और मल्टीलेयर पर्सेप्ट्रॉन (MLP)। हमने सटीकता, विशेषता वक्र के नीचे का क्षेत्र (AUC), और आग घनत्व (FD) जैसी मैट्रिक्स का उपयोग करके मॉडल के भविष्यवाणी प्रदर्शन का मूल्यांकन किया। परिणामों ने यह दिखाया कि स्टैक्सिंग फ्यूजन मॉडल ने परीक्षण सेट पर 0.970 का AUC के साथ उल्लेखनीय सटीकता का प्रदर्शन किया, जो व्यक्तिगत मशीन लर्निंग मॉडलों के प्रदर्शन से काफी अधिक था, जिनका AUC मान 0.935 से 0.953 के बीच था। इसके अलावा, स्टैक्सिंग फ्यूजन मॉडल ने अत्यधिक उच्च संवेदनशीलता क्षेत्रों में अधिकतम आग घनत्व को प्रभावी ढंग से पकड़ लिया, जो उन्नत सामान्यीकरण क्षमताओं को दर्शाता है।