MKFF: mid-point K-means based clustering in wireless sensor network for forest fire prediction

Der Artikel stellt MKFF vor, eine neuartige K-Mittel-basierte Clustermethode, die darauf ausgelegt ist, Waldbrände mithilfe von Wireless Sensor Networks (WSN) mit höherer Genauigkeit vorherzusagen. Traditionelle K-Mittel-Algorithmen leiden unter Beschränkungen wie zufälligen anfänglichen Zentroiden und lokalen Optima, die zu unausgewogenen Clustern und widersprüchlichen Ergebnissen führen können. Das MKFF geht diese Probleme an, indem es Mittelpunktzentrioide verwendet, die jedes Mal für ausgewogene und einzigartige Cluster sorgen. Die Methode wurde anhand eines Waldbranddatensatzes aus dem Naturpark Montesano, Portugal, getestet und zeigt deutliche Verbesserungen bei der Genauigkeit, wobei 99% der Trainingsdaten und 98% der Testdaten erreicht wurden. Der Artikel enthält auch einen detaillierten Vergleich mit bestehenden Modellen zur Vorhersage von Waldbränden und hebt die Vorteile des MKFF-Ansatzes in Bezug auf Genauigkeit, Energieeffizienz und Lebensdauer des Netzwerks hervor. Die vorgeschlagene Methode hat das Potenzial, die Skalierbarkeit und Effektivität von Systemen zur Erkennung von Waldbränden zu verbessern, was sie zu einer wertvollen Ressource für Forscher und Praktiker vor Ort macht.