nghiên cứu các thuật toán học máy và ứng dụng trong dự báo cháy rừng

Hà Nội, tháng 12 năm 2021 Sinh viên Bích Kiều Thị Ngọc Bích xay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de

Trang 1

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG KHOA CÔNG NGHỆ THÔNG TIN I

xay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihh

xay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihh

71Thursday, June 13, 202410:06:59 PM10:06:59 PM71Thursday, June 13, 202410:06:59 PM10:06:59 PM71Thursday, June 13, 202410:06:59 PM10:06:59 PM

xay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihh

71xay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhThursday, June 13, 2024

Trang 2

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG KHOA CÔNG NGHỆ THÔNG TIN I

Trang 3

LỜI CẢM ƠN

Đồ án tốt nghiệp với Đề tài “Nghiên cứu các thuật toán học máy và ứng dụng trong dự báo cháy rừng” là kết quả của quá trình cố gắng không ngừng nghỉ của bản thân và được sự giúp đỡ tận tình, động viên khích lệ của thầy cô, bạn bè và người thân Qua đây, Em xin gửi lời cảm ơn chân thành đến những người đã giúp đỡ em trong thi gian học tập – thực hiện đồ án tốt nghiệp vừa qua

Đầu tiên, em xin gửi lời cảm ơn sâu sắc đến quý thầy cô trong khoa Công nghệ thông tin Học viện Công nghệ Bưu chính Viễn thông đã tâm huyết dạy dỗ, truyền đạt những kiến thức quý báu cho chúng em trong suốt 4.5 năm đại học để em có được những kiến thức chuyên môn đầy đủ về ngành nghề về Công nghệ thông tin Những kiến thức được tiếp thu trong suốt quá trình học tập tại trường không chỉ giúp em hoàn thành tốt đồ án tốt nghiệp được giao mà còn là hành trang quý báu để em có thể tự tin khi ra trường làm việc

Đặc biệt, em xin trân trọng cảm ơn thầy giáo TS.Nguyễn Đình Hóa - người đã trực

tiếp tận tình hướng dẫn cũng như cung cấp tài liệu, thông tin khoa học cần thiết cho bài luận này lời cảm ơn chân thành và sâu sắc nhất Xin cảm ơn lãnh đạo, ban giám hiện cùng toàn thể các thầy cô giáo Học viện Công nghệ Bưu chính Viễn thông khoa Công nghệ thông tin I đã tạo điều kiện cho em hoàn thành tốt đồ án của mình

Do giới hạn kiến thức và khả năng lý luận của bản thân còn nhiều thiếu sót và hạn chế, kính mong sự chỉ dẫn và đóng góp của các Thầy, Cô để bài luận văn của tôi được hoàn thiện hơn

Lời cuối cùng, em xin kính chúc thầy cô nhiều sức khỏe, thành công và hạnh phúc

Em xin chân thành cảm ơn!

Hà Nội, tháng 12 năm 2021 Sinh viên

Bích

Kiều Thị Ngọc Bích

xay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihhxay duhg ke hoaeh ky thuat de xah xuat mot xah uham tai eohg ty eo uhah ehe bieh lam xah hcm dihh7124130610:06:59 PM10:06:59 PM7124130610:06:59 PM10:06:59 PM7124130610:06:59 PM10:06:59 PM

Trang 4

NHẬN XÉT, ĐÁNH GIÁ, CHO ĐIỂM (Của giảng viên hướng dẫn)

CÁN BỘ - GIẢNG VIÊN HƯỚNG DẪN

Trang 5

NHẬN XÉT, ĐÁNH GIÁ, CHO ĐIỂM (Của giảng viên phản biện)

CÁN BỘ - GIẢNG VIÊN PHẢN BIỆN

123docz.net - File bi loi xin lienhe: lethikim34079@hotmail.com

Trang 6

1.1 Thuật toán Decision Tree Classification 12

1.1.1 Khái niệm Cây quyết định (Decision Tree) 12

1.1.2 Thuật toán Cây quyết định 13

1.1.3 Ưu điểm và hạn chế của cây quyết định 18

1.2 Thuật toán Random Forest Classification 19

1.2.1 Giới thiệu về Random Forest 19

1.2.2 Cách thức Random Forest hoạt động 19

1.2.3 Ưu điểm và nhược điểm của thuật toán Random Forest 20

1.3 Thuật toán Kernel SVM 21

1.3.1 Giới thiệu về thuật toán SVM 21

1.3.2 Các ưu điểm và nhược điểm của SVM 24

1.3.3 Hàm số Kernel 24

1.3.4 Sử dụng Kernel với SVM 25

1.4 Thuật toán Naive Bayes 27

1.4.1 Giới thiệu về thuật toán Naive Bayes 27

1.4.2 Định lý Bayes 27

1.4.3 Cách hoạt động của thuật toán Naive Bayes 28

1.4.4 Ưu và nhược điểm của Naive Bayes 29

CHƯƠNG 2 ỨNG DỤNG HỌC MÁY TRONG DỰ BÁO CHÁY RỪNG 31

2.1 Tổng quan về hiện trạng cháy rừng hiện nay trên thế giới 31

2.2 Tổng quan về hệ thống cảnh báo cháy rừng FWI 34

2.3 Các yếu tố thời tiết ảnh hưởng đến cháy rừng 42

2.3.1 Nhiệt độ 42 123docz.net - File bi loi xin lienhe: lethikim34079@hotmail.com

Trang 7

2.3.2 Tốc độ gió 44

2.3.3 Độ ẩm tương đối 47

2.3.4 Mưa 48

2.4 Ứng dụng học máy trong dự báo cháy rừng 49

CHƯƠNG 3 CÁC KẾT QUẢ THỰC NGHIỆM 51

3.1 Tập dữ liệu sử dụng 51

3.2 Mô hình đánh giá thuật toán 52

3.3 Thực nghiệm trên tập dữ liệu 53

3.3.1 Thuật toán Decision Tree với thư viện Scikit-Learn 54

3.3.2 Thuật toán Random Forest (Rừng ngẫu nhiên) với Scikit-Learn 57

3.3.3 Thuật toán Kernel SVM 59

3.3.4 Thuật toán Naive Bayes 63

3.4 Đánh giá và kết luận 65

KẾT LUẬN 69

TÀI LIỆU THAM KHẢO 70

Trang 8

DANH MỤC CÁC BẢNG VÀ HÌNH VẼ DANH MỤC HÌNH ẢNH

Hình 1.1 Cấu trúc của cây quyết định 12

Hình 1.2 Cây quyết định về dự báo cháy rừng ở Lebanon dựa trên thời tiết năm 2012 17

Hình 1.3 Cách hoạt động của Random Forest 19

Hình 2.1 Thảm hóa chảy rừng ở Amazon (2019) 31

Hình 2.2 Những đám cháy thiệt hại nặng nề nhât trong lịch sử 33

Hình 2.3 Cháy rừng dữ dội tại Algeria tháng 8 gây thiệt hại nghiêm trọng về người 34

Hình 2.4 Cấu trúc tính toán chỉ số thời tiết cháy 36

Hình 2.5 FFMC, DMC, DC trong 1 mùa cháy năm 2015 38

Hình 2.6 Biểu đồ chỉ số cháy 39

Hình 2.7 Sơ đồ để tính toán sáu thành phần tiêu chuẩn của hệ thống FWI 43

Hình 2.8 Ảnh hưởng của nhiệt độ đến thảm thực vật 45

Hình 2.9 Tốc độ gió theo độ gồ ghề của địa hình xung quanh 46

Hình 3.1 Giao diện trang web demo: gồm 10 thuộc tính nhãn và button ‘Predict’ 67

Hình 3.2 Giao diện trang web demo 67

Hình 3.3 Kết quả dự đoán 68

DANH MỤC BẢNG Bảng 1.1 Các loại thuộc tính 16

Bảng 1.2 Một số mẫu điển hình thể hiện sự phân loại các thuộc tính ứng với thực tế 16

Bảng 1.3 Thống kê theo thuộc tính 17

Bảng 2.1 Bảng xếp hạng chỉ số cháy cao và cực đoan 39

Bảng 3.1Đánh giá độ chính xác các thuật toán 65

Trang 9

DANH MỤC CÁC KÍ HIỆU VÀ TỪ VIẾT TẮT

Trang 10

LỜI MỞ ĐẦU

Thuật ngữ học máy có lẽ không còn quá xa lạ với con người ngày nay bởi chúng đã được sử dụng trên phạm vi toàn thế giới Hiện tại, Machine Learning đã đạt được rất nhiều thành tựu to lớn và trở thành hướng nghiên cứu chính trong AI (trí tuệ nhân tạo)

Thuật toán học máy được chia thành 2 loại chính bao gồm: học có giám sát và học không giám sát Học có giám sát là phương pháp sử dụng những dữ liệu được gán nhãn sẵn để suy luận ra quan hệ giữa đầu vào và đầu ra Sau khi tìm hiểu cách tốt nhất để mô hình hóa các mối quan hệ cho dữ liệu được gán nhãn, thuật toán huấn luyện sẽ được sử dụng cho các bộ dữ liệu mới Ứng dụng của học có giám sát chính là giúp xác định tín hiệu tốt nhất để dự báo xu hướng, lợi nhuận trong tương lai trong lĩnh vực cổ phiếu, chứng khoán Một vài giải thuật phổ biến trong Supervised Learning: Linear Regression, Logistic Regression, Random Forest, Decision Tree (bài toán hồi quy) và Random Forest, Support Vector, Decision Tree (bài toán phân loại) Học không giám sát sử dụng những dữ liệu chưa được gán nhãn sẵn để suy luận và tìm cách để mô tả dữ liệu cùng cấu trúc của chúng Ứng dụng của học không giám sát đó là hỗ trợ phân loại thành các nhóm có đặc điểm tương đồng

Học máy ngày càng được ứng dụng rộng rãi, đa lĩnh vực trong thực tiễn cuộc sống con người ngày nay Các bạn có thể dàng nhận thấy Machine Learning đang được sử dụng với mục đích phân tích dữ liệu lớn để có thể đưa ra những dự đoán xu hướng trong tương lai Ví dụ như dự đoán kết quả bầu cử chính trị, dự đoán biến động của thị trường chứng khoán, hiện tượng cháy rừng, bệnh ung thư,…

Dự báo cháy rừng là một thành phần chính của kiểm soát cháy rừng Đây là một vấn đề môi trường lớn tạo ra sự tàn phá sinh thái dưới dạng cảnh quan tài nguyên thiên nhiên bị đe dọa, phá vỡ sự ổn định của hệ sinh thái, làm tăng nguy cơ đối với các hiểm họa thiên nhiên và làm suy giảm các nguồn tài nguyên như nước gây ra hiện tượng nóng lên toàn cầu và ô nhiễm nguồn nước

Phát hiện cháy là một yếu tố quan trọng để kiểm soát các sự cố như vậy Dự báo cháy rừng dự kiến sẽ làm giảm tác động của cháy rừng trong tương lai Với sự phát triển nhanh

Trang 11

chóng của công nghệ, nhiều hệ thống đã ra đời để đưa ra cảnh báo sớm cho cháy rừng Có thể kể đến như: hệ thống cảnh báo cháy rừng nhờ cảm biến (cảm biến nhiệt độ, cảm biến khói ); hệ thống cảnh báo cháy rừng thông qua vệ tinh; hệ thống cảnh báo cháy rừng phát hiện qua video, hình ảnh từ camera quan trắc Tuy nhiên, với các bài toán có khối lượng dữ liệu lớn, nhiều đầu vào, độ chính xác dự báo của các mô hình thống kê vẫn còn hạn chế Gần đây, các mô hình học máy đã được đề xuất cho cháy rừng do chúng làm việc tốt hơn với dữ liệu lớn, có nhiều đầu vào Nhìn chung, độ chính xác của các mô hình học máy là tốt hơn các mô hình thống kê Nhiều thuật toán phát hiện đám cháy có sẵn với các cách tiếp cận khác nhau để phát hiện đám cháy Đồ án được xây dựng với mục đích nghiên cứu và so sánh các mô hình học máy khác nhau để dự đoán cháy rừng như Decision Tree, Random Forest, Kernel SVM và Naive Bayes dựa trên các yếu tố thời tiết và một số chỉ số trong dự báo cháy như nhiệt độ, mưa, gió và độ ẩm, mã độ ẩm,… Từ kết quả của đồ án có thể đem lại …

Đồ án “Nghiên cứu các thuật toán học máy và ứng dụng trong dự báo cháy rừng” được xây dựng gồm 3 chương

Chương 1: Tìm hiểu các thuật toán học máy trong phân loại dữ liệu Chương 2: Ứng dụng học máy trong dự báo cháy rừng

Chương 3: Các kết quả thực nghiệm Phần Kết Luận

Trong chương 1 sẽ trình bày về các thuật toán học máy phục vụ bài toán phân loại là Decision Tree, Random Forest, Kernel SVM, Naive Bayes Trong chương 2 trình bày về bài toán phát hiện cháy rừng và phương pháp sử dụng để phát hiện cháy rừng Tiếp theo ở chương 3 trình bày các kết quả thực nghiệm, đánh giá và so sánh các kết quả đạt được Cuối cùng phần kết luận tổng hợp lại các nội dung đã đạt được trong đồ án, nêu nhận xét về các ưu và nhược điểm về phương pháp, về kết quả thực nghiệm Cuối cùng phần kết luận sẽ nêu định hướng phát triển nội dung của đồ án

Trang 12

CHƯƠNG 1 TÌM HIỂU CÁC THUẬT TOÁN HỌC MÁY TRONG PHÂN LOẠI DỮ LIỆU

Ngày nay phân loại dữ liệu (classification) là một trong những hướng nghiên cứu chính của khai phá dữ liệu Thực tế đặt ra nhu cầu là từ một cơ sở dữ liệu với nhiều thông tin của con người có thể trích rút ra các quyết định nghiệp vụ thông minh.Phân lớp và dự đoán là hai dạng của phân tích dữ liệu nhằm trích rút ra một mô hình nhằm mô tả các lớp dữ liệu quan trọng hay dự đoán xu hướng dữ liệu tương lai Bài toán phân loại dữ liệu là quá trình phân lớp một đối tượng dữ liệu vào một hay nhiều lớp đã cho trước nhờ một mô hình phân lớp (model) Mô hình này được xây dựng dựa trên một tập dữ liệu được xây dựng trước đó có gán nhãn (hay còn gọi là tập huấn luyện) Quá trình phân lớp là quá trình gán nhãn cho đối tượng dữ liệu

Như vậy, nhiệm vụ của bài toán phân lớp là cần tìm một mô hình phần lớp để khi có dữ liệu mới thì có thể xác định được dữ liệu đó thuộc vào phân lớp nào Có nhiều bài toán phân lớp dữ liệu như phân lớp nhị phân (binary), phân lớp đa lớp (multiclass), phân lớp đa trị Ứng dụng của bài toán này được sử dụng rất nhiều và rộng rãi trong thực tế ví dụ như bài toán nhận dạng khuôn mặt, nhận diện giọng nói, phát hiện email spam…

Và đối với các bài toán phân lớp dữ liệu chúng ta sử dụng các thuật toán học có giám sát (supervised learning) để xây dựng mô hình cho bài toán này Sau đây chúng ta sẽ tìm hiểu khái quát về các thuật toán phân loại trong học máy

1.1.1 Khái niệm Decision Tree (Cây quyết định)

Decision Tree (Cây quyết định) là một kỹ thuật học có giám sát có thể được sử dụng cho cả bài toán phân loại và bài toán hồi quy, nhưng chủ yếu nó được ưu tiên hơn để giải các bài toán phân loại Nó là một bộ phân loại có cấu trúc cây, trong đó các nút bên trong đại diện cho các tính năng của tập dữ liệu, các nhánh biểu thị các quy tắc quyết định và mỗi nút lá đại diện cho kết quả

Trang 13

Trong cây quyết định, có hai nút, đó là Nút quyết định (Decision Node) và Nút lá (Leaf Node) Các nút quyết định được sử dụng để đưa ra bất kỳ quyết định nào và có nhiều nhánh, trong khi nút lá là đầu ra của các quyết định đó và không chứa bất kỳ nhánh nào khác

Tóm lại, cho dữ liệu về các đối tượng gồm các thuộc tính cùng với lớp (classes) của nó, cây quyết định sẽ sinh ra các luật để dự đoán lớp của các dữ liệu chưa biết

Hình dưới đây minh họa cấu trúc của cây quyết định

Hình 1.1.1.1 Cấu trúc của cây quyết định

Các nút và các nhánh được cấu tạo từ mỗi cây Mỗi nút đại diện cho mỗi thuộc tính trong một lớp được phân loại và mỗi tập con xác định một giá trị mà nút có thể nhận Do phân tích đơn giản và độ chính xác của chúng trên nhiều dạng dữ liệu, cây quyết định đã tìm thấy nhiều trường triển khai

1.1.2 Thuật toán Decision Tree 1.1.2.1 Thuật toán ID3

Để xây dựng cây quyết định với thuật toán ID3 trước tiên cần xác định thứ tự của thuộc tính cần được xem xét tại mỗi bước Trong trường hợp đối tượng có nhiều thuộc tính và mỗi thuộc tính có nhiều giá trị khác nhau thì việc xác định thứ tự tối ưu nhất của các thuộc tính thường là rất khó Vì vậy, để đơn giản ý tưởng của ID3 như sau:

While():

Bước 1: Chọn A ⇐ thuộc tính quyết định “tốt nhất” cho nút kế tiếp

Trang 14

Bước 2: Gán A là thuộc tính quyết định cho nút

Bước 3: Với mỗi giá trị của A, tạo nhánh con mới của nút Bước 4: Phân loại các mẫu huấn luyện cho các nút lá

Bước 5: Nếu các mẫu huấn luyện được phân loại hoàn toàn thì NGỪNG, Ngược lại, lặp với các nút lá mớ

Thuật toán ID3 xây dựng cây quyết định được trình bày như sau: * Với:

- decisionTree là biế n chứa tậ p Nodes củ a cây quyết định - Values_Attribute là biến chứa giá trị củ a các Attribute

- Attribute là biến lưu tên các Attribute(Các mẫ u huấ n luyệ n) Function DecisionTree (decisionTree, Values_Attribute, Attribute) {

- Tính Gain củ a các Attribute để tìm ra Attributei có Gain lớn nhấ t

(thuộ c tính có lợi nhấ t) Gán Attributei là thuộ c tính quyết định cho nút + Add node Attributei vào decisionTree: decisionTree.name = Attribute[i]; + Khởi tạ o list<node> trong decisionTree: decisionTree.arrnodes = new list<node>

- Xét tấ t cả giá trị (Values_Attribute) củ a Attributei, nế u giá trị j nào có mẫ u là node lá thì:

Trang 15

dữ liệu bài toán đã update(đã xóa các dòng có liên quan tới Attributei và cả Attributei )]

+ tempValuesAttribute = UpdateValuesAttribute(ValuesAttribute, Attributei);

+ tempAttribute = Attribute.Remove(i);

+ DecisionTree(decisionTree.arrNodes[i].arrNodes[j], tempValuesAttribute, tempAttribute);

}

Như vậy, để thuật toán ID3 thực hiện được, cần phải xác định được thứ tự chọn các thuộc tính và chọn được thuộc tính quan trọng nhất cho việc phân lớp với nút đó Tham số được sử dụng để xác định thuộc tính phân loại tốt nhất cho mỗi bước là Information Gain

1.1.2.2 Entropy và Information Gain

Entropy là thuật ngữ thuộc Nhiệt động lực học, là thước đo của sự biến đổi, hỗn loạn hoặc ngẫu nhiên Năm 1948, Shannon đã mở rộng khái niệm Entropy sang lĩnh vực nghiên cứu, thống kê với công thức như sau:

Trong đó Values(A) là tập giá trị có thể của thuộc tính A và

Trang 16

Sv = {x | x ∈ S và xa = v}

Một nghiên cứu điển hình về thuật toán Cây quyết định trong cảnh báo cháy rừng với

Bộ dữ liệu gồm 4 thuộc tính: nhiệt độ đo vào buổi trưa (T), độ ẩm tương đối (RH), tốc độ gió (WS), lượng mưa trong 24 giờ (P)

Mỗi thuộc thuộc tính có 3 loại: thấp, trung bình và cao theo bảng 1 Quyết định sau đó “F” biểu thị khả năng cháy cực cao và “NF” biểu thị khả năng xảy ra hỏa hoạn không thể đoán trước

Bảng 1.2 Một sô mẫu điển hình thể hiện sự phân loại các thuộc tính ứng với kết quả thực tế

Để vẽ cây quyết định chúng ta phải tìm thuộc tính root để bắt đầu chia nhỏ Sau khi xem xét tất cả các trường hợp, chúng ta có thể kết luận ở bảng 3

Trang 17

Bảng 1.3 Thống kê theo thuộc tính

Lưu ý rằng năm 2012, 26 vụ cháy được phát hiện trong 361 ngày, do đó:

361) 𝑙𝑜𝑔2(26

361) + (335

361) 𝑙𝑜𝑔2(335

Bây giờ chúng ta đi tính Entropy của nhiệt độ 𝐸𝑇𝑡ℎấ𝑝(𝑆), 𝐸𝑇𝑡𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ(𝑆), 𝐸𝑇𝑐𝑎𝑜(𝑆): 𝐸𝑇𝑡ℎấ𝑝(𝑆) = − (( 3

271) 𝑙𝑜𝑔2(3

271) + (268

271) 𝑙𝑜𝑔2(268

𝐸𝑇𝑡𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ(𝑆) = − ((21

88) 𝑙𝑜𝑔2(2188) + (

88) 𝑙𝑜𝑔2(67

𝐸𝑇𝑐𝑎𝑜(𝑆) = − ((2

2) 𝑙𝑜𝑔2(22) + (

2) 𝑙𝑜𝑔2(0

Từ đó ta thấy rằng 𝐺𝑎𝑖𝑛(𝑆, 𝑇) là cao nhất và đó là gốc của cây quyết định

Trong giai đoạn 2, ta sẽ xem xét trường hợp S1 có giá trị nhiệt độ thấp nhất ở bước 1

tăng, chúng ta thu được rằng độ ẩm tương đối có mức tăng cao nhất là: 𝐺𝑎𝑖𝑛(𝑆1, 𝑅𝐻) = 𝐸(𝑆1) − 𝐸𝑅𝐻(𝑆1) = 0,2934059

𝐺𝑎𝑖𝑛(𝑆1, 𝑊𝑆) = 𝐸(𝑆1) − 𝐸𝑊𝑆(𝑆1) = 0,2922296 𝐺𝑎𝑖𝑛(𝑆1, 𝑃) = 𝐸(𝑆1) − 𝐸𝑃(𝑆1) = 0,2905827

đối được cho là có mức tăng cao nhất

Trang 18

Theo cách thức đệ quy hướng xuống, việc tách cây tiếp tục dựa trên chức năng thu thập thông tin để đưa ra kết luận cuối cùng là cây quyết định (hình 1)

Hình 1.1.1.2 Cây quyết định về dự báo cháy rừng ở Lebanon dựa trên thời tiết năm 2012

1.1.3 Ưu điểm và hạn chế của cây quyết định

Thuật toán Cây quyết định là một phần của họ thuật toán có giám sát và mục tiêu chính của nó là xây dựng một mô hình đào tạo có thể được sử dụng để dự đoán lớp hoặc giá trị của các biến mục tiêu thông qua các quy định học được suy ra từ dữ liệu đào tạo Thuật toán DT có thể được sử dụng để giải các bài toán hồi quy và phân loại, tuy nhiên nó cũng có ưu điểm và hạn chế

1.1.3.1 Ưu điểm

Có một số lợi thế của việc sử dụng cây quyết định để phân tích và dự đoán

 Cây quyết định có thể được sử dụng dự đoán cả giá trị liên tục và giá trị rời rạc, tức là chúng hoạt động tốt cho cả nhiệm vụ hồi quy và phân loại

Trang 19

 Chúng có thể được sử dụng để phân loại dữ liệu có thể phân tách không tuyến tính

1.1.3.2 Nhược điểm

Một số nhược điểm của thuật toán Decision Tree

quyết định CAO

1.2.1 Giới thiệu về Random Forest

Random Forest là một loại thuật toán học máy có giám sát dựa trên ensemble learning Emsemble learning là một kiểu học mà bạn kết hợp nhiều loại thuật toán khác nhau hoặc cùng một thuật toán nhiều lần để tạo thành một mô hình dự đoán mạnh mẽ hơn Thuật toán Random Forest kết hợp nhiều thuật toán cùng loại, tức là nhiều cây quyết định để tạo ra một rừng cây, do đó có tên là “Random Forest” (rừng ngẫu nhiên) Thuật toán Random Forest có thể sử dụng cho cả bài toán hồi quy và phân loại

1.2.2 Cách thức Random Forest hoạt động

Mã giả cho hoạt động của Random Forest:

1 Chọn ngẫu nhiên “k” features từ tập “m” features (k << m)

2 Từ tập “k” features, tính toàn ra node “d” là tốt nhất cho Node phân loại

3 Chia các node con theo node tốt nhất vừa tìm được

4 Lặp lại bước 1-3 cho đến khi đạt k node 5 Lặp lại bước 1-4 để tạo ra “n” cây

Để biểu diễn dự đoán sử dụng Random Forest đã huấn luyện, ta sử dụng các bước bên dưới:

1 Lấy các test features và sử dụng các Cây quyết định đã tạo ra để dự đoán kết

quả, lưu nó vào một danh sách

2 Tính toán số lượng vote trên toàn bộ Forest cho từng kết quả 3 Lấy kết quả cho số lượng vote lớn nhất làm kết quả cuối cho mình

Trang 20

Hình 1.1.2.1 Cách hoạt động của Random Forest

1.2.3 Ưu điểm và nhược điểm của thuật toán Random Forest

Như bất kỳ thuật toán nào, có những ưu điểm và nhược điểm khi sử dụng nó Trong hai phần tiếp theo chúng ta sẽ xem xét ưu và nhược điểm của việc sử dụng rừng ngẫu nhiên để phân loại và hồi quy

1.2.3.1 Ưu điểm

Thuật toán Random Forest không sai lệch vì có nhiều cây và mỗi cây được huấn luyện trên mỗi tập con dữ liệu Về cơ bản, thuật toán Random Forest dựa vào sức mạnh của “đám đông”; do đó sự chênh lệch về tổng thể được giảm xuống

Thuật toán này rất ổn định Ngay cả khi một điểm dữ liệu mới được đưa vào tập dữ liệu, thuật toán tổng thể không bị ảnh hưởng nhiều vì dữ liệu mới có thể ảnh hưởng đến một cây, nhưng rất khó để nó tác động đến tất cả các cây

Thuật toán Random Forest hoạt động tốt ngay trong cả bài toán phân loại và hồi quy

Trang 21

Thuật toán Random Forest cũng làm việc tốt khi dữ liệu có bị thiếu giá trị hoặc nó chưa được chia tỷ lệ tốt

1.3.1 Giới thiệu về thuật toán SVM

SVM là một thuật toán giám sát, nó có thể sử dụng cho cả việc phân loại hoặc đệ quy Tuy nhiên nó được sử dụng chủ yếu cho việc phân loại Trong thuật toán này, chúng ta vẽ đồ thị dữ liệu là các điểm trong n chiều ( ở đây n là số lượng các tính năng bạn có) với giá trị của mỗi tính năng sẽ là một phần liên kết Sau đó chúng ta thực hiện tìm "đường bay" phân chia các lớp Đường bay - nó chỉ hiểu đơn giản là 1 đường thẳng có thể phân chia các lớp ra thành hai phần riêng biệt Cách hoạt động của thuật toán SVM

Support Vectors hiểu một cách đơn giản là các đối tượng trên đồ thị tọa độ quan sát, SVM là một biên giới để chia hai lớp tốt nhất

Trang 22

𝑦̂ = {1 𝑘ℎ𝑖 𝑥𝑇𝑤 ≥ 0 0 𝑘ℎ𝑖 𝑥𝑇𝑤 < 0Độ chính xác của phương trình giả thuyết

Trong Support Vector Machine, phần mất mát mỗi input đóng góp có dạng hàm hinge loss

Hàm mất mát của Support Vector Machine

Trang 23

𝐽(𝑤) = 𝐶 ∑ [𝑦(𝑖)max (0, 𝑘(1 − 𝑥(𝑖)𝑇𝑤))

soát sai lầm của phương trình giả thuyết Khi xảy ra underfitting, ta cần tăng C Khi xảy ra overfitting, ta cần giảm C

Nghiệm của thuật toán Suport Vector Machine

Ta có thể tìm điểm cực tiểu của hàm mất mát bằng thuật toán Gradient Descent với các biến đổi

𝑤0 ∶= 𝑤0− ∝ 𝐶 ∑ [𝑦(𝑖)(𝑥(𝑖)𝑇𝑤 ≥ 1 ? 0: −𝑘) + (1 − 𝑦(𝑖))(𝑥(𝑖)𝑇𝑤

≥ −1 ? 𝑘: 0)]

𝑤1 ∶= 𝑤1(1−∝)− ∝ 𝐶 ∑𝑚𝑖=2[𝑦(𝑖)(𝑥(𝑖)𝑇𝑤 ≥ 1 ? 0: −𝑘𝑥1(𝑖)) + (1 − 𝑦(𝑖))(𝑥(𝑖)𝑇𝑤 ≥ −1 ? 𝑘𝑥1(𝑖): 0)]

𝑤𝑛 ∶= 𝑤𝑛(1−∝)− ∝ 𝐶 ∑𝑚𝑖=2[𝑦(𝑖)(𝑥(𝑖)𝑇𝑤 ≥ 1 ? 0: −𝑘𝑥𝑛(𝑖)) + (1 − 𝑦(𝑖))(𝑥(𝑖)𝑇𝑤 ≥ −1 ? 𝑘𝑥𝑛(𝑖): 0)]

Một đặc điểm của Support Vector Machine là nó luôn cố gắng tìm nghiệm sao cho Dicision Boundary cách xa các điểm dữ liệu nhất cho thể Trong hình dưới đây, thuật toán có xu hướng chọn phương án A thay vì phương án B vì nó cách xa các điểm dữ liệu hơn Điều này có thể dẫn tới overfitting và ta có thể làm giảm xu hướng này bằng cách giảm C

Trang 24

Việc tìm nghiệm của thuật toán Support Vector Machine tương đối phức tạp nếu cài đặt thủ công Có rất nhiều thư viện đã được cài đặt sẵn Support Vector Machine và ta nên dùng chúng vì chẳng những giúp tiết kiệm thời gian mà các thư viện đó còn được áp dụng nhiều kỹ thuật tối ưu hóa để thuật toán chạy nhanh hơn

1.3.2 Các ưu điểm và nhược điểm của SVM 1.3.2.1 Ưu điểm

là vectơ hỗ trợ để làm cho bộ nhớ hiệu quả

Bạn có thể sử dụng các nhân chung, nhưng cũng có thể chỉ định các nhân tùy chỉnh

1.3.2.2 Nhược điểm

tránh trùng lắp khi chọn các hàm nhân và thuật ngữ chính quy là rất quan trọng

cách sử dụng xác nhận chéo năm lần đắt tiền

Tính chất này để đảm bảo cho việc hàm mục tiêu của bài toán đối ngẫu (5) là lồi

 Trong thực hành, có một vài hàm số k() không thỏa mãn điều kiện Merrcer nhưng vẫn cho kết quả chấp nhận được Những hàm số này vẫn được gọi là

Trang 25

kernel Trong bài viết này, tôi chỉ tập trung vào các hàm kernel thông dụng và có sẵn trong các thư viện

Nếu một hàm kernel thỏa mãn điều kiện (7), xét cn = ynλn, ta sẽ có: 𝜆⊤𝐊𝜆 = ∑𝑁𝑛=1∑𝑁𝑚=1𝑘(𝑥𝑚, 𝑥𝑛)𝑦𝑛𝑦𝑚𝜆𝑛𝜆𝑛 ≥ 0, ∀𝜆𝑛 (8)

với K là một ma trận đối xứng mà phần tử ở hàng thứ nn cột thứ mm của nó được định nghĩa bởi: knm = ynymk(xm, xn)

Từ (8) ta suy ra K là một ma trận nửa xác định dương Vì vậy, bài toán tối ưu (5) có ràng buộc là lồi và hàm mục tiêu là một hàm lồi Vì vậy chúng ta có thể giải quyết bài toán này một cách hiệu quả

Trong bài viết này, tôi sẽ không đi sâu vào việc giải quyết bài toán (5) vì nó hoàn toàn tương tự như bài toán đối ngẫu của Soft Margin SVM Thay vào đó, tôi sẽ trình bày các hàm kernel thông dụng và hiệu năng của chúng trong các bài toán thực tế Việc này sẽ được thực hiện thông qua các ví dụ và cách sử dụng thư viện sklearn

1.3.4 Sử dụng Kernel với SVM

Lý do giúp Support Vector Machine trở nên mạnh mẽ khi so sánh với Logistic Regression là bởi nó hoạt động rất tốt khi áp dụng Kernel để giải quyết các bài toán có dữ liệu phân bố phức tạp[3] Mặc dù Kernel cũng có thể sử dụng với Logistic Regression nhưng Support Vector Machine có nhiều phương pháp tối ưu cho Kernel hơn nên người ta thường chỉ sử dụng Kernel với Support Vector Machine

Khi các điểm dữ liệu phân bố phức tạp, để tìm Decision Boundary phù hợp ta phải thêm các biến mới Tuy nhiên, nhược điểm của cách này là khó chọn ra bộ các biến phù hợp và tốn nhiều công sức để thử nhiều phương án khác nhau

Ý tưởng cơ bản của Kernel SVM và các phương pháp kernel nói chung là tìm một phép biến đổi sao cho dữ liệu ban đầu là không phân biệt tuyến tính được biến sang không gian mới Ở không gian mới này, dữ liệu trở nên phân biệt tuyến tính

Nói một cách ngắn gọn, Kernel SVM là việc đi tìm một hàm số biến đổi dữ liệu x từ không gian feature ban đầu thành dữ liệu trong một không gian mới bằng hàm số Φ(x) Trong

Trang 26

ví dụ này, hàm Φ() đơn giản là giới thiệu thêm một chiều dữ liệu mới (một feature mới) là một hàm số của các features đã biết Hàm số này cần thỏa mãn mục đích của chúng ta: trong không gian mới, dữ liệu giữa hai classes là phân biệt tuyến tính hoặc gần như phân biệt tuyến tính Khi đó, ta có thể dùng các bộ phân lớp tuyến tính thông thường như PLA, Logistic Regression, hay Hard/Soft Margin SVM

Như trước đó đã đề cập đến việc sử dụng hàm cơ bản Φ(x) để tạo đặc trưng cho tập dữ liệu nhằm nâng được chiều của dữ liệu ban đầu Bằng các hàm cơ bản này, ta có thể tạo các mặt cong phân tách cho phù hợp với các điểm dữ liệu không phân tách tuyến tính

Khi đó tối ưu biên mềm được viết dưới dạng: 𝜆 = arg max

Sao cho 0 ≤ 𝜆𝑖 ≤ 𝐶 ∑𝑚𝑖=1𝜆𝑖𝑦𝑗 = 0, 𝑖 ∈ [1, 𝑚]Đặt hàm Kernel 𝐾(𝑥𝑖, 𝑥𝑗) = Φ(𝑥𝑖)𝑇Φ(𝑥𝑗) , ta có:

Sao cho 0 ≤ 𝜆𝑖 ≤ 𝐶 ∑𝑚𝑖=1𝜆𝑖𝑦𝑗0, 𝑖 ∈ [1, 𝑚]Khi đó tham số tương ứng sẽ là:

Trang 27

Một số hàm kernel thông dụng

1.4.1 Giới thiệu về thuật toán Naive Bayes

Thuật toán Naive Bayes là một giải thuật thuộc lớp giải thuật thống kê, nó có thể dự đoán xác suất của một phần tử dữ liệu thuộc vào một lớp là bao nhiêu Phân lớp Bayes được xây dựng dựa trên định lý Bayes (định lý được đặt theo tên tác giả là Thomas Bayes), Thuật toán Naive Bayes là gì?

Thuật toán Naive Bayes là một kỹ thuật phân loại dựa trên định lý Bayes với giả định về sự độc lập giữa các yếu tố dự đoán Nói một cách dễ hiểu, bộ phân loại Naive Bayes giả định rằng sự hiện diện của một đối tượng cụ thể trong một lớp không liên quan đến sự hiện diện của bất kỳ đối tượng định lý nào khác

Ví dụ, một quả có thể được coi là quả táo nếu nó có màu đỏ, tròn và đường kính khoảng 3 inch Ngay cả khi các đặc điểm này phụ thuộc vào nhau hoặc dựa trên sự tồn tại của các đặc điểm khác, tất cả các đặc tính này đều góp phần độc lập vào xác suất quả này là táo và đó là lý do tại sao nó được gọi là 'Naive'

Mô hình Naive Bayes dễ xây dựng và đặc biệt hữu ích cho các tập dữ liệu rất lớn Cùng với sự đơn giản, Naive Bayes được biết đến là làm tốt hơn các phương pháp phân loại thậm chí rất phức tạp

𝐾(𝑥, 𝑦) = 𝑡𝑎𝑛ℎ (𝑎𝑥⊤𝑦 + 𝑏) , 𝑎, 𝑏 ≥ 0, ∀𝑥, 𝑦 ∈ ℝ𝑛

Trang 28

𝑃(𝐴|𝐵) = 𝑃(𝐴𝐵)𝑃(𝐵)

Công thức chỉ ra xác suất của A xảy ra nếu B cũng xảy ra, ta viết là P(A|B) Và nếu ta biết xác suất của B xảy ra khi biết A, ta viết là P(B|A) cũng như xác suất độc lập của A và B

 P(B) là xác suất xảy ra của B Suy ra:

𝑃(𝐴𝐵) = 𝑃(𝐴|𝐵)𝑃(𝐵) = 𝑃(𝐵|𝐴)𝑃(𝐴) Công thức Bayes:

𝑃(𝐴|𝐵)𝑃(𝐵) + 𝑃(𝐴|𝐵̅)𝑃(𝐵̅)Công thức Bayes tổng quát

Với P(A) >0 và {B1, B2,…,Bn} là một hệ đầy đủ các biến cố: - Tổng xác suất của hệ bằng 1:

𝑃(𝐵𝑘|𝐴) = 𝑃(𝐴|𝐵𝑘)𝑃(𝐵𝑘)

1.4.3 Cách hoạt động của thuật toán Naive Bayes

Bộ phân lớp Naive Bayes hay bộ phân lớp Bayes (simple bayes classifier) hoạt động như sau:

Bước 1: Gọi D là tập dữ liệu huấn luyện, trong đó mỗi phần tử dữ liệu X được biểu

diễn bằng một vectơ chứa n giá trị thuộc tính A1, A2, ,An = {x1,x2, ,xn}

Trang 29

Bước 2: Giả sử có m lớp C1, C2, ,Cm Cho một phần tử dữ liệu X, bộ phân lớp sẽ gán

nhãn cho X là lớp có xác suất hậu nghiệm lớn nhất Cụ thể, bộ phân lớp Bayes sẽ dự đoán X thuộc vào lớp Ci nếu và chỉ nếu:

P(Ci|X) > P(Cj|X) (1<= i, j <=m, i != j) Giá trị này sẽ tính dựa trên định lý Bayes

Bước 3: Để tìm xác suất lớn nhất, ta nhận thấy các giá trị P(X) là giống nhau với mọi

lớp nên không cần tính Do đó ta chỉ cần tìm giá trị lớn nhất của P(X|Ci) * P(Ci) Chú ý rằng P(Ci) được ước lượng bằng |Di|/|D|, trong đó Di là tập các phần tử dữ liệu thuộc lớp Ci Nếu xác suất tiền nghiệm P(Ci) cũng không xác định được thì ta coi chúng bằng nhau P(C1) = P(C2) = = P(Cm), khi đó ta chỉ cần tìm giá trị P(X|Ci) lớn nhất

Bước 4: Khi số lượng các thuộc tính mô tả dữ liệu là lớn thì chi phí tính toán P(X|Ci)

là rất lớn, do đó có thể giảm độ phức tạp của thuật toán Naive Bayes giả thiết các thuộc tính độc lập nhau Khi đó ta có thể tính:

Trang 30

sử dụng kỹ thuật làm mịn Một trong những kỹ thuật làm mịn đơn giản nhất được gọi là Laplace

Mặt khác, Naive Bayes cũng được biết đến như một công cụ ước lượng tồi, vì vậy kết quả xác suất từ dự đoán proba không được quá coi trọng

Một hạn chế khác của Naive Bayes là giả định về các yếu tố dự đoán độc lập Trong cuộc sống thực, hầu như không thể có được một tập hợp các yếu tố dự đoán hoàn toàn độc lập

Trang 31

CHƯƠNG 2 ỨNG DỤNG HỌC MÁY TRONG DỰ BÁO CHÁY RỪNG

Trên Trái đất, Cháy rừng bắt đầu do sét đánh hoặc do con người vô tình, và mọi người sử dụng đám cháy có kiểm soát để quản lý đất nông nghiệp và đồng cỏ và dọn sạch thảm thực vật tự nhiên cho đất canh tác Hỏa hoạn có thể tạo ra một lượng lớn khói ô nhiễm, giải phóng khí nhà kính và vô tình làm suy thoái các hệ sinh thái Tuy nhiên, hỏa hoạn cũng có thể loại bỏ những bụi cây đã chết và đang chết dần, có thể giúp khôi phục hệ sinh thái trở lại trạng thái tốt Trong nhiều hệ sinh thái, bao gồm cả rừng núi và đồng cỏ, thực vật cùng tiến hóa với lửa và cần đốt định kỳ để sinh sản

Trong những năm gần đây, tác động tàn khốc của các trận cháy rừng, khiến hơn 100 người thiệt mạng và hàng nghìn người mất nhà cửa, đã chiếm lĩnh các tiêu đề trên khắp thế giới

Trang 32

Một số quốc gia đã báo cáo những vụ hỏa hoạn tồi tệ nhất của họ trong nhiều thập kỷ, bao gồm hàng trăm vụ hỏa hoạn chết người trên khắp Địa Trung Hải Tại Algeria, ít nhất 90 người đã thiệt mạng

Đám cháy Dixie của California - đám cháy lớn thứ hai trong lịch sử của bang, và đám cháy rừng ở Siberia đang được coi là một số đám cháy lớn nhất trong lịch sử được ghi lại

Theo Cơ quan Vũ trụ Châu Âu , “cháy rừng ảnh hưởng đến ước tính khoảng bốn triệu km vuông (1,5 triệu dặm vuông) đất của Trái đất mỗi năm” Đặt nó trong bối cảnh, đó là khoảng một nửa diện tích của Hoa Kỳ, lớn hơn Ấn Độ, hoặc gần gấp bốn lần kích thước của Nigeria

Cháy rừng đang gia tăng

Trong khi cháy rừng là một phần tự nhiên của nhiều môi trường như một cách để loại bỏ bụi cây chết và phục hồi chất dinh dưỡng, các nhà khoa học đã cảnh báo rằng chúng đang trở nên thường xuyên hơn và lan rộng hơn

Vào tháng 8, một báo cáo đáng báo động của Liên hợp quốc cho rằng hoạt động của con người gây ra những thay đổi "chưa từng có" đối với khí hậu Các nhà khoa học trên toàn cầu cho biết nhân loại sẽ phải trải qua thời tiết khắc nghiệt hơn trong những năm tới và sẽ gánh chịu hậu quả do mực nước biển dâng cao và băng ở Bắc Cực tan chảy

Theo Trung tâm Nghiên cứu Dịch tễ học về Thảm họa , ít nhất 470 thảm họa cháy rừng - những sự cố khiến 10 người trở lên hoặc hơn 100 người bị ảnh hưởng - đã được báo cáo trên toàn cầu kể từ năm 1911, gây thiệt hại ít nhất 120 tỷ USD.[14]

Trang 33

Hình 2.2 Những đám cháy thiệt hại nặng nề nhât trong lịch sử

Vào tháng 8 năm 2021, vụ cháy rừng ở Algeria đã gây ra thương vong cho ít nhất 90 người, trong đó có 33 binh sĩ, đã thiệt mạng trong các vụ cháy rừng, theo chính quyền địa phương Cơ quan Bảo vệ Dân sự Algeria cho biết, các đám cháy rừng bắt đầu bùng phát từ hôm Thứ Hai (9/8), sau đó lan rộng tại nhiều khu vực Tính đến tối ngày 11/8, Algeria đã ghi nhận 99 vụ cháy rừng tại 16 bang trên toàn quốc [13]

Trang 34

Hình 2.3 Cháy rừng dữ dội tại Algeria tháng 8 gây thiệt hại nghiêm trọng về người

Trong một vài năm qua những trận cháy rừng đã xảy ra ở rất nhiều nước trên thế giới như là Algeria, Canada, Hy Lạp, Mỹ, Brazil, Úc, và Hợp chủng quốc Hoa Kỳ (USA) đã nâng cao nhận thức toàn cầu và lo ngại về sức tàn phá và hậu quả của việc cháy rừng Tuy nhiên mức độ phức tạp và mức độ ảnh hưởng của cháy rừng đã vượt qua những con số thống kê được cung cấp bởi các báo cáo và phương tiện truyền thông chính thức về tổng diện tích bị cháy, số ngôi nhà bị phá hủy hoặc thương vong về người Tổ chức Y tế Thế giới (WHO) đã xác định cháy rừng và đặc biệt là những nơi xảy ra cháy gần với các khu vực đô thị là một trong những mối đe dọa lớn đối với an ninh y tế toàn cầu trong thế kỉ 21, nhấn mạnh sự cần thiết của các chính trị gia, chuyên gia và các bên liên quan phải nhìn nhận mức độ và tính đa chiều của các tác động của cháy rừng và các rủi ro dẫn đến hậu quả WHO cũng đã cảnh báo rằng cần phải có những biện pháp hữu hiệu để quản lý rủi ro và khủng hoảng

Ở nước ta, mỗi năm xảy ra hàng trăm vụ cháy rừng, thiêu hủy ngàn héc ta rừng khác nhau Theo báo cáo năm 2020, cả nước đã xảy ra 179 vụ cháy rừng, gây thiệt hại 645 ha (giảm 1.331 ha so với cùng kỳ năm 2019) Vì thế, vấn đề phòng chống cháy rừng và hạn chế những hậu quả xấu do cháy rừng gây ra là một việc làm cần thiết

Trang 35

Hệ thống Chỉ số Thời tiết Cháy (FWI) là phần đầu tiên của Hệ thống Xếp hạng Nguy cơ Cháy rừng của Canada (CFFDRS) được đưa vào New Zealand vào năm 1980 Nó đã được chứng minh là một hệ thống xếp hạng nguy hiểm cháy phù hợp cho quốc gia này FWI đã được đánh giá trong nhiều mùa trước khi nó được giới thiệu cho mùa cháy 1980-1981

Chỉ số Thời tiết cháy (FWI) là một chỉ số dựa trên khí tượng được sử dụng trên toàn thế giới để ước tính nguy cơ hỏa hoạn Nó bao gồm các thành phần khác nhau giải thích cho ảnh hưởng của độ ẩm nhiên liệu và gió đến hành vi và sự lan truyền của đám cháy FWI càng cao thì điều kiện khí tượng càng thuận lợi để gây ra cháy rừng Chỉ số này có thể giúp hình thành chiến lược du lịch dài hạn và lập kế hoạch đầu tư trong tương lai trong điều kiện khí hậu thay đổi

Hệ thống FWI yêu cầu quan sát thời tiết được thu thập từ địa điểm và thời gian quan sát tiêu chuẩn Các tiêu chuẩn về vị trí này có thể được tìm thấy trong cuốn Weather Guide

yêu cầu các quan sát được thực hiện vào buổi trưa khi mặt trời đạt đỉnh

FWI dựa trên kết quả đo thời tiết được thực hiện vào giờ chuẩn giữa trưa và xếp hạng nguy cơ hỏa hoạn tại đỉnh điểm giữa buổi chiều từ 2:00 - 4:00 chiều Các bài đọc về thời tiết được yêu cầu là:

* Nhiệt độ không khí (trong bóng râm) * Độ ẩm tương đối (trong bóng râm)

* Tốc độ gió (ở độ cao 10 mét so với mặt đất trong thời gian trung bình hơn 10 phút) * Lượng mưa (Trong 24 giờ trước)

Chỉ số Thời tiết Cháy (The Weather Index) có sáu thành phần: Ba mã độ ẩm nhiên liệu

1 Mã độ ẩm nhiên liệu mịn (FFMC-Fine Fuel Moisture Code) 2 Mã độ ẩm Duff (DMC-Duff Moisture Code)

3 Mã hạn hán (DC- Drought Code) Ba chỉ số hành vi cháy

1 Chỉ số lây lan ban đầu (ISI - Initial Spread index)