Abstrait

UNE APPROCHE EFFICACE POUR DÉTECTER LES INCENDIES DE FORÊT À L'AIDE DE L'ALGORITHME K-MEDIODS

A Gnana Baskaran et Dr. K. Duraiswamy

Français : Énoncé du problème : Le clustering de données spatiales de haute dimension pour l'analyse des risques d'incendie de forêt a été un problème majeur en raison de la rareté des points de données. La plupart des algorithmes de clustering deviennent inefficaces si la mesure de similarité de distance requise est calculée pour un espace spatial de faible dimension de données de haute dimension avec une rareté de points de données selon différentes dimensions et en tenant également compte des obstacles. L'objectif de cette étude était de contribuer à la complexité de la projection de clusters pour l'analyse des risques de trafic, (i) le manque de support pour réduire le nombre de dimensions dans l'espace spatial afin de réduire le temps de recherche (ii) le manque de support pour les obstacles dans l'espace de données spatiales. (iii) Comparer le temps de calcul des algorithmes HARP, Proclus, Doc, FastDoc, SSPC. Approche : Au cours de la première phase, les images fixes capturées par satellite pour différentes dimensions telles que l'heure et la localisation du réseau d'incendies de forêt sont améliorées et ces images sont données en entrée pour la séparation des images en couleur rouge. Au cours de cette phase, les images d'entrée sont tâtonnées en fonction de la couleur rouge en utilisant l'algorithme K-Means et au cours de la deuxième phase, les images en couleur rouge sont converties en images en niveaux de gris. Français La troisième phase se concentre principalement sur l'analyse de la pertinence des attributs spatiaux pour la détection des régions d'incendies de forêt denses et clairsemées. Après avoir détecté les régions d'incendies denses et clairsemées, l'algorithme utilise une technique d'élagage pour réduire l'espace de recherche en prenant uniquement les régions d'incendies denses et en éliminant les régions d'incendies clairsemées. Au cours de la quatrième phase, l'algorithme K-mediods est utilisé pour projeter les clusters sur différentes dimensions spatiales et il résout également le problème des obstacles. Résultats : Nous avons d'abord montré que divers algorithmes de clustering de projection sur l'espace spatial deviennent inefficaces si le nombre de dimensions augmente. Le nouveau schéma proposé réduit l'espace de dimension spatiale de sorte qu'il réduit le temps de calcul et il résout également le problème des obstacles en utilisant l'algorithme K-mediods et enfin le résultat est comparé à HARP, Proclus, Doc, FastDoc, SSPC. Les algorithmes produisent des résultats acceptables lorsque la dimensionnalité moyenne du cluster est supérieure à 10 %. Conclusion : Par conséquent, les résultats suggèrent que les frais généraux sont raisonnablement minimisés et à l'aide de simulations, nous avons étudié l'efficacité de nos schémas pour prendre en charge le clustering spatial de haute dimension pour l'analyse des risques d'incendie de forêt.