文献

J-GLOBAL ID：202002280947622373   整理番号：20A1782777

負のサンプルを選択するための新しい最適化反復ランダムアンダーサンプリング:SVMに基づく森林火災感受性評価における事例研究【JST・京大機械翻訳】

A novel optimized repeatedly random undersampling for selecting negative samples: A case study in an SVM-based forest fire susceptibility assessment

著者 (5件)： Tang Xianzhe (Graduate School of Engineering, Osaka University, Yamadaoka 2-1, Suita, Osaka, 565-0871, Japan) ,  Machimura Takashi (Graduate School of Engineering, Osaka University, Yamadaoka 2-1, Suita, Osaka, 565-0871, Japan) ,  Li Jiufeng (Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, International Institute for Earth System Science, Nanjing University, Nanjing, Jiangsu, 210023, China) ,  Liu Wei (School of Geography, South China Normal University, Guangzhou, 510631, China) ,  Hong Haoyuan (Department of Geography and Regional Research, University of Vienna, Vienna, 1010, Austria)
資料名： Journal of Environmental Management  (Journal of Environmental Management)
巻： 271  ページ： Null  発行年： 2020年 
JST資料番号： H0435B  ISSN： 0301-4797  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 負のサンプル選択法は,自然災害を空間的に評価するための機械学習アプローチを用いる研究における重要な問題である。最近,反復ランダムサンプリング(RRU)を提案し,単一ランダムサンプリングで直面するランダム問題に対処した。しかし,RRUは,生成された分類器が繰り返しランダムサンプリングプロセスの間に最良の分類性能を有することを保証できない。この弱点に取り組むために,本研究では,RRUのアイデアに従う最適化RRUを提案し,次に,最良の分類器を見つけるためにその規則を変更した。次に,選択した分類器,実際の最も正確な分類器(MAC)を用いて,ハザード発生の確率を計算した。サポートベクトルマシン(SVM)を解析法として選択し,遺伝的アルゴリズムを用いてSVMのパラメータを計算した。森林火災感受性は,その森林価値と頻繁な火災事象のため,中国のHuichang郡において評価した。結果は,RRUと比較して,最適化RRUが,可能なMACsの中で最良の分類性能を有する実際のMACを見つけることができることを示した。また,実際のMAC快適性によって発生する火災感受率マップは,客観的な事実に。った。発生した火災感受性マップは,森林火災リスクを低減するための地方政府の有用な意思決定支援を提供できる。さらに,提案したサンプリング法,最適化RRUは,負のサンプルを選択するための強化手法を示し,それは森林火災感受性評価の結果をより信頼できて,正確にした。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  火災 ,  快適性 ,  感受性 ,  地方自治体 ,  自然災害 ,  *事例研究 ,  山火事 ,  無作為抽出 ,  機械学習 ,  遺伝的アルゴリズム ,  サポートベクトルマシン
準シソーラス用語： 選択法 ,  意思決定支援 ,  ハザード , 【Automatic Indexing@JST】

著者キーワード (4件)： 実際のMAC ,  最適化RRU ,  森林火災感受性 ,  機械学習

分類 (2件)： 火災  (RA02020B) ,  林業政策  (FF01020X)

タイトルに関連する用語 (9件)： サンプル ,  最適化 ,  反復 ,  アンダーサンプリング ,  SVM ,  森林火災 ,  感受性 ,  評価 ,  研究