- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据科学和人工智能
爱数科案例 | 森林火灾面积预测
本案例通过探索性分析（EDA）和机器学习构建线性回归模型，预测森林火灾的面积，并分析什么特征是发生森林火灾的重要因素。 1. 读数据表 首先，我们读取原始数据。 2. 火灾面积分布直方图 我们采用更直观的方法，将数据集中火灾面积这一列的数据通过直方图和箱线图进行展示，来查看数据的分布情况： 4. 筛选火灾面积大于0的数据 处理完毕后，我们将火灾面积大于0的数据筛选出来，查看火灾发生的面积与FWI系统的FFMC指数、DMC指数、DC指数、ISI指数之间的关系。 8. 火灾面积与DMC散点图 我们分别绘制火灾发生的面积与DMC指数、DC指数、ISI指数、FFMC指数之间的散点图： 10. 火灾面积与DC散点图 11. 火灾面积与ISI散点图 12. 模型预测 然后用训练的模型在测试集上进行火灾面积的预测，预测结果保存为area_predict。 16. 回归模型评估 最后进行模型评估，输出均方误差、平均绝对误差、决定系数和中位绝对误差。
1.6K21编辑于 2022-03-30 - 来自专栏ShowMeAI研究中心
机器学习如何预测森林火灾？⛵ 万物AI
对抗森林火灾，AI 在行动 预测森林火灾的关键要素是快速检测。 图片 事实上，机器学习技术已经应用到火灾探测领域，例如：北美森林大火预测使用卫星图像和支持向量机算法获得了75%的准确率，斯洛文尼亚森林火灾使用卫星与气象数据和随机森林、决策树算法进行探测。 图片 基于机器学习AI森林火灾预测 利用机器学习如何对森林火灾的发生做出预测？ShowMeAI 爆肝跑通了一个项目。 项目使用了梯度提升回归树 GBDT 和 决策树两种方式进行建模，我们借助雷达图来比较GBDT和回归树模型，对比它们在森林火灾预测场景下的效果。 参考资料 AI实战 | 基于机器学习的AI森林火灾预测（附代码）：https://www.showmeai.tech/article-detail/326 图解数据分析：从入门到精通系列教程：https
1.3K31编辑于 2022-11-11 - 来自专栏新智元
用AI预测与定位火灾迫在眉睫
许多人希望利用AI来预测或确定火灾位置和蔓延路径。但机器学习和新数据收集工具的结合是否可以提前警告消防员火灾，帮助应急人员更有效地撤离地区，甚至挽救生命，这仍需很长的时间来进行探索检验。 那么，技术能在多大程度上帮助自动检测甚至预测野火呢？计算机科学家们和研究人员都希望相关技术能够进一步发展。 利用机器学习和新数据收集工具的结合，预测和定位野火 根据加州相关部门的政府官员Jim Crawford的说法，在近年来野火情况愈发糟糕的情况下，早期检测是关键，他曾有过26年的消防员生涯。 圣何塞州立大学气象与气候科学系火灾天气研究实验室副教授Craig Clements说：“许多人正在研究如何使用人工智能来确定火灾位置和蔓延路径。” 他在一次电话采访中表示，他发现该系统使用了来自世界各地的一年的火灾数据，在检测火灾方面准确率接近98％。
90040发布于 2018-12-14 - 来自专栏CreateAMind
视频预测论文2篇
CodeIssues14Pull requests0 Projects 0 Wiki Insights
62520发布于 2018-07-24 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine——GOES卫星是由NOAA运行的地球静止气象卫星，火灾（HSC）产品包含四张图像：一张是火灾掩码形式，另外三张是确定火灾温度、火灾面积和火灾辐射功率的像素值
The ABI L2+ FHS metadata mask assigns a flag to every earth-navigated pixel that indicates its disposition 火灾（HSC）产品包含四张图像：一张是火灾掩码形式，另外三张是确定火灾温度、火灾面积和火灾辐射功率的像素值。 ABI L2+ FHS元数据掩码为每个地球导航的像素分配一个标志，表明其在FHS算法方面的处置。 ) Resolution 2000 meters Bands Table Name Description Min Max Units Scale Offset Area Fire area m^2 根据面积对火灾进行缓冲，使其更加突出。
31210编辑于 2024-02-02 - 来自专栏数据科学和人工智能
数据集 | 森林火灾数据集
下载数据集请登录爱数科(www.idatascience.cn) 采用2007年葡萄牙蒙特西尼奥公园森林火灾的相关数据。该数据集来自UCI机器学习库，数据中包含地理位置、天气等信息。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4.
2K20编辑于 2022-03-30 - 来自专栏芯智讯
比亚迪惠州工厂发生火灾
11月19日消息，据惠州大亚湾开发区信息发布平台“大亚湾发布”昨日（18日）发布消息称，当日19点14分，位于大亚湾西区比亚迪三期F6厂房发生火情，区消防大队接报后迅速前往救援，区相关部门也迅速赶赴现场指挥，21点30分火情得到有效控制。过火建筑物为钢架结构，现场无人员被困、无人员伤亡、无易燃易爆物品，起火原因目前正在调查中。
75950编辑于 2022-11-22 - 来自专栏OpenFPGA
使用FPGA进行 AI 火灾定位-FirAI
部署在 FPGA 上加速的 AI 火灾侦查。助力消防人员快速应对火灾事故~ 绪论 问题：近年来，不断增加的城市人口、更复杂的人口密集建筑以及与大流行病相关的问题增加了火灾侦查的难度。 因此，为了增强消防人员对火灾事件的快速反应，安装视频分析系统，可以及早发现火灾爆发。 目标：解决方案包括建立一个分布式计算机视觉系统，增加建筑物火灾的早期检测。 这次使用的是 Logitech C170，它被挂载到/dev/video1 v4l2-ctl --list-devices 加载并启动智能视觉应用程序。 usp=sharing ❞ 请参考.cfg此处的火灾数据集文件。 对于这些节点中的每一个 (fix2float)，都可以从名称中找到编号。 如果在运行模型时可能遇到分段错误，很可能是由于.prototxt文件配置错误。
1K31编辑于 2023-08-30 公路隧道火灾检测数据集VOC+YOLO格式1183张2类别
注意数据集主要是从2段视频截取的，100多张是不同场景图片，剩余基本都是截取2个场景，不通火势相同场景图片 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg 图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1183 标注数量(xml文件个数)：1183 标注数量(txt文件个数)：1183 标注类别数：2 标注类别名称
27900编辑于 2025-07-22- 来自专栏CV学习史
AD预测论文研读系列2
从ADNI-1、GO&2获得822名MCI受试者在基线、6个月和12个月时的认知测量，包括13项版本的阿尔茨海默病评估量表认知子量表（ADAS-COG13）、Rey听觉语言学习测试（RAVLT）即时、RAVLT \(f_t和f^`_t\)是在时间点t（t=1，2，3）的输入和重构的认知测量。 获得自动编码器后，将编码器应用于ADNI-1和GO&2队列的所有MCI患者，从纵向认知测量中提取其潜在特征，然后用于后续的预后分析 预测建模 考虑到纵向认知信息的潜在表现，将其与基于海马MRI的基线测量相结合 以ADNI-1的MCI受试者数据为基础，建立Cox回归模型，并以ADNI-GO&2的MCI受试者数据为基础，评价其预后 结果 实验设置 采用了两个LSTM层，每个LSTM层中的隐藏节点数设置为5（LSTM 训练程序的最大迭代次数设置为100000，批大小设置为64 实验结果 基于任意一次访问数据的预测模型比基于纵向数据的预测模型预测性能差，基于后时间点数据的预测模型比基于前时间点数据的预测模型具有更好的性能
83310发布于 2019-09-10 - 来自专栏大数据文摘
AI预测30秒内火灾「轰燃」，准确率92.1%，未来或可帮助拯救消防员生命
本周，一项研究利用图神经网络(GNN)建立了一个系统，以学习模拟火灾中不同数据源(以节点和边表示)之间的关系，从而提前预测接下来的30秒内是否会发生“轰燃”现象。 ，准确率可达92.1% 一般来说，消防员得凭自己的经验来判断是否会发生这样的“轰燃”： 1.产生灼伤人皮肤的辐射热，几秒钟后辐射热强度可达10kw/m²。 2.室内的热气流使人无法坚持，室内的对流温度接近450℃。 3.门热的烫人，木质部分温度平均超过320℃。 4.由门上蹿出的火舌几乎达到顶棚，大量的辐射热由顶棚反射到室内的可燃物上。 为了更好的帮助消防员预测“轰燃”，研究人员据此收集了各种各样的数据，从建筑布局，表面材料，火灾条件，通风配置，烟雾探测器的位置，以及房间的温度分布，模拟了17种不同建筑类型的41000起虚拟火灾，共使用了 fr=aladdin#2 点「在看」的人都变好看了哦！
62620编辑于 2022-08-26 - 来自专栏数据派THU
AI预测30秒内火灾「轰燃」，准确率92.1%，未来或可帮助拯救消防员生命
来源：大数据文摘本文约1800字，建议阅读5分钟本文结合扫了最新研究通过AI预测30S内火灾的轰燃，准确率高达92.1%。 这段时间天气巨热，天干物燥，也是火灾高发的时候。 近期，一项研究利用图神经网络(GNN)建立了一个系统，以学习模拟火灾中不同数据源(以节点和边表示)之间的关系，从而提前预测接下来的30秒内是否会发生“轰燃”现象。 ，准确率可达92.1% 一般来说，消防员得凭自己的经验来判断是否会发生这样的“轰燃”： 1.产生灼伤人皮肤的辐射热，几秒钟后辐射热强度可达10kw/m²。 为了更好的帮助消防员预测“轰燃”，研究人员据此收集了各种各样的数据，从建筑布局，表面材料，火灾条件，通风配置，烟雾探测器的位置，以及房间的温度分布，模拟了17种不同建筑类型的41000起虚拟火灾，共使用了 fr=aladdin#2 编辑：王菁 校对：林亦霖
59010编辑于 2022-08-31 - 来自专栏全栈程序员必看
CNN做时间序列预测_lstm时间序列预测_2「建议收藏」
我们使用它来进行LSTM时间序列预测的实验。 根据前timestep步预测后面的数据 假定给一个数据集 { A,B,C->D B,C,D->E C,D,E->F D,E,F->G E,F,G->H } 这时timestep为3，即根据前三个的数据预测后一个数据的值 所以我们需要对数据进行转化 举一个简单的情况 假设一个list为[1,2,3,4,5],timestep = 2 我们转化之后要达到的效果是 train_X train_Y 即依据前两个值预测下一个值 'mean_squared_error', optimizer='adam') model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2) model.save(os.path.join("DATA","Test" + ".h5")) # make predictions 进行预测 #model = load_model(os.path.join
1.7K11编辑于 2022-07-25 - 来自专栏时序预测
时间序列预测神器Prophet【入门教程2-饱和预测】
公众号：尤而小屋编辑：Peter作者：Peter大家好，我是Peter~本文是时间序列预测神器Prophet的第二篇：使用Prophet如何实现饱和预测饱和预测增长-Saturating Forecasts 默认情况下，Prophet 使用线性模型来进行预测。 这个时候使用Prophet进行预测时，需要考虑这个上限，可以使用逻辑增长等模型来确保预测值在达到上限后不再增长，而是保持在该水平附近波动。 statsmodels.formula.api as smffrom statsmodels.tsa.stattools import adfullerfrom sklearn.metrics import r2_ # 1、先指定预测的数据集future = m.make_future_dataframe(periods=1826) # 2、预测数据中指定cap值future["cap"] = 8.5# 3、实施预测
43110编辑于 2024-09-05 - 来自专栏生信小驿站
机器学习实战（2）之预测房价
# In[*] # 第四步，将预测变量标准化 train["SalePrice"] = np.log1p(train["SalePrice"]) #log transform skewed numeric X_test = all_data[train.shape[0]:] y = train.SalePrice 数据预处理要点： 1.使用log（x+1）来转换偏斜的数字特征 -，这将使我们的数据更加正常 2. price + 1)":np.log1p(train["SalePrice"])}) prices.hist() #log transform the target: # In[*] # 第四步，将预测变量标准化
81930发布于 2018-11-08 - 来自专栏Listenlii的生物信息笔记
Picrust2预测真菌群落功能
Picrust2的下载略。 在linux系统中进picrust2环境： source activate /softwares/miniconda3/envs/picrust2 1.Sequence placement -s 输入fasta 2. Hidden-state prediction 注意这一步要跑两次，结果用于第三步。 lib/python3.6/site-packages/picrust2/default_files/fungi/ITS_counts.txt.gz EC通路预测： hsp.py -t placed_seqs.tre PIcutst2中的default_files一共四个文件夹，一个原核，一个真菌。另外两个是各个数据库的文件。 真菌里面包含了18S和ITS。 ITS参考序列一共190条序列。
2.3K21发布于 2021-08-27 - 来自专栏浮生的专栏
机器学习为更好的火灾现场安全
在这篇文章中，我想分享我在AAIA第15届数据挖掘竞赛中的经验和获奖策略：给火灾现场的消防员活动做标记，在这个竞赛中让我拿了第一名！ 比赛由华沙大学和波兰华沙主要的消防学校联合举办。 每个活动都用大约2秒的传感数据时间序列来描述的，这些传感数据来自于加速计、陀螺仪和对消防员生命机能的某些统计。总计有42个类似的统计，对应着42个时间序列。 同时，像往常一样，参赛者被给予2个数据集：“训练”和“测试”。在训练数据中，参赛者被给予打上活动标签的实例，就像上表示例一样。 它是用下面这个方法定义的：首先，给一个既定标签规定预测精度。 然后，类别Ｃ中标签为Ｌ的指标的平衡精度得分等于Ｃ类里所有标签指标的平均精度。 在第一步中，我预测了一个消防员的主要姿势。在第二步中，是基于第一步中的训练集和预计的标签对于特定活动进行了预测。多亏了这个方法，我们可以获得标签之间的层次关系。
61340发布于 2018-06-04 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——基于MODIS数据集JRCGWISGlobFirev2DailyPerimetersMCD64A1的火灾边界数据集
基于MODIS数据集MCD64A1的火灾边界。这些数据是根据一种算法计算出来的，这种算法依赖于在图结构中对烧毁区域的斑块之间的时空关系进行编码。 每个火灾都有一个识别事件的独特编号。 Centre, Global Wildfire Information System Collection Snippet ee.FeatureCollection("JRC/GWIS/GlobFire/v2/ and fire behaviour | Scientific Data 代码： 现有代码： var dataset = ee.FeatureCollection('JRC/GWIS/GlobFire/v2/ 122.121, 38.56, 12) 原有代码：（目前还可以用，之前的数据集经过改版了） // 创建一个变量放入一个时序的数据集 var folder = 'JRC/GWIS/GlobFire/v2/ ，在图像上画出火灾周界。
34010编辑于 2024-02-02 - 来自专栏智能视频图像
智慧消防下的火灾监测报警系统
火灾监测报警系统对视频画面进行实时监测分析，当发现视频画面内出现烟雾、火焰时，系统主动触发报警提示，真正做到事前预警，事中常态检测，事后规范管理。 1.jpg 自古以来，火灾一直是主要重大害之一，对人类经济和文明造成了不可挽回的损失。 惨痛的代价使我们越发明白及时预报警以及消防工作的重要程度 。 随着现代城市化的不断发展，楼房密集度的提高，火灾发生的产生的后果也变得严重，消防系统在社会公共安全的地位变得非常重要，让人们及时发现火灾，并能够及时采用有效措施来控制和扑灭火灾是至关重要的。 火灾监测报警系统基于智能视频分析，自动对视频图像信息进行分析识别，无需人工干预；及时发现监控区域内的异常烟雾和火灾苗头，以最快、最佳的方式进行预警，有效的协助消防人员处理火灾危机，并最大限度的降低误报和漏报现象 2.jpg 智慧消防下的火灾监测报警系统融合了计算机视频图像分析技术、自动预警、报警管理、手机通知等技术，系统与视频监控系统无缝对接，通过系统主动预警推送的方式，将出现疑似烟火的具体场景实时通过电脑客户端进行报警提示
1.2K30发布于 2020-08-10 无人机拍摄烟雾火灾检测数据集VOC+YOLO格式3245张2类别
数据集有20多段视频抽帧形成的图片，标注有2个类别详情看图片 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式 txt文件) 图片数量(jpg文件个数)：3245 标注数量(xml文件个数)：3245 标注数量(txt文件个数)：3245 标注类别数：2 标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels
50000编辑于 2025-07-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号