Smart dragon| Automated Detection of Hazards

Automated Detection of Hazards

Countless phenomena such as floods, fires, and algae blooms routinely impact ecosystems, economies, and human safety. Your challenge is to use satellite data to create a machine learning model that detects a specific phenomenon and build an interface that not only displays the detected phenomenon, but also layers it alongside ancillary data to help researchers and decision-makers better understand its impacts and scope.

Smart Dragon Chasing Fire (S.D.C.F)

Summary

2019年的亞馬遜森林大火，為生態帶來了一場巨大浩劫，在2020年度的NASA黑客松比賽當中的這個題目，再度喚醒我們對去年那場震撼大火的回憶。我們因此決定以野火偵測的研究作為我們的比賽主題。針對訓練的模型，我們架設了一個GUI網頁介面，讓使用者可以透過這些特徵的數值變化來進行火災判斷，後續我們希望除了能夠輸出分類結果外，還能提供即時衛星影像供專家或政府單位，在進行救災決策上，能有一個參考依據。

How We Addressed This Challenge

我們採用了加州大學爾灣分校的Forest Fires Data Set，資料當中，有X,Y(座標位置),month , day , FFMC , DMC , ISI , temp , RH , wind, rain , area這13種特徵，作為機器學習模型的訓練資料集。


由於資料原先是進行火災面積的預測，因此，我們先進行資料前處理，選定area這個特徵，當數值大於0時，即代表火災發生，我們將任何大於0的數值都設定成1，即可從火災面積預測變成火災分類，接著運用各種不同的機器學習演算法，進行模型訓練，在多個分類演算法當中，我們選擇了Support Vector Machine作為最終的分類模型演算法。

How We Developed This Project

地球上每個角落，每個時間都有不計其數的災害在發生，如何有效地避免災害是現今各領域學者都在努力的課題。

而近年來，規模最大的災害-亞馬遜森林大火，引起了很多人的關注，大家都想為此盡一份心力，這也是為什麼我們決定著手研究火災檢測的目的。


以機器學習為背景，先了解火災成因與不同變數之間的關係，再找出較適合的模型演算法，訓練出較準確的偵測系統。我們選擇了Support Vector Machine作為最終的分類模型演算法。而後針對訓練的模型，我們架設了一個GUI網頁介面。


使用者可以透過左方這些特徵的數值變化來進行火災判斷，點擊下方predict後，系統會透過機器學習模型，自動預測此地是否發生火災，並在右方顯示最新的火災發生即時衛星影像、與過去48小時發生火災的地點。

How We Used Space Agency Data in This Project

我們採用了加州大學爾灣分校的Forest Fires Dataset當中的13種特徵作為訓練資料





  1. X - x-axis spatial coordinate within the Montesinho park map: 1 to 9
  2. Y - y-axis spatial coordinate within the Montesinho park map: 2 to 9
  3. month - month of the year: 'jan' to 'dec'
  4. day - day of the week: 'mon' to 'sun'
  5. FFMC - FFMC index from the FWI system: 18.7 to 96.20
  6. DMC - DMC index from the FWI system: 1.1 to 291.3
  7. DC - DC index from the FWI system: 7.9 to 860.6
  8. ISI - ISI index from the FWI system: 0.0 to 56.10
  9. temp - temperature in Celsius degrees: 2.2 to 33.30
  10. RH - relative humidity in %: 15.0 to 100
  11. wind - wind speed in km/h: 0.40 to 9.40
  12. rain - outside rain in mm/m2 : 0.0 to 6.4
  13. area - the burned area of the forest (in ha): 0.00 to 1090.84 (this output variable is very skewed towards 0.0, thus it may make sense to model with the logarithm transform).

由於資料原先是進行火災面積的預測，因此，我們先進行資料前處理，選定area這個特徵，當數值大於0時，即代表火災發生，我們將任何大於0的數值都設定label成1，即可從火災面積預測變成火災分類，接著運用邏輯回歸，KNN，SVM等各種不同演算法做比較之後再以NASA的即時衛星影像資訊來顯示火災當時的影像。


除此之外，我們也採用了NASA的Active Fire Data即時資料，將最即時火災點經緯度座標呈現在網頁APP的衛星地圖上，進行資料視覺化的動作。

Project Demo
Project Code
Data & Resources
Tags
#AI #SVM #fire #hazards #detection #MachineLearning #DataScience #Python
Judging
This project was submitted for consideration during the Space Apps Judging process.