Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

02.11.2019 | Methodologies and Application | Ausgabe 13/2020

Soft Computing 13/2020

Soft-computing-centric framework for wildfire monitoring, prediction and forecasting

Zeitschrift:
Soft Computing > Ausgabe 13/2020
Autoren:
Harkiran Kaur, Sandeep K. Sood
Wichtige Hinweise
Communicated by V. Loia.

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Wildfires are exorbitantly cataclysmic disasters that lead to the destruction of forest cover, wildlife, land resources, human assets, reduced soil fertility and global warming. Every year wildfires wreck havoc across the globe. Therefore, there is a need of an efficient and reliable system for real-time wildfire monitoring to dilute their disastrous effects. Internet of Things (IoT) has demonstrated remarkable evolution and has been successfully adopted in environmental monitoring domain. This paper proposes a collaborative IoT–Fog–Cloud framework based on soft computing techniques for real-time wildfire monitoring, prediction and forecasting. The framework includes proposals for classifying a forest terrain into its appropriate wildfire proneness class using fuzzy K-nearest-neighbor classifier by analyzing wildfire influent attributes and wildfire consequent attributes. Moreover, real-time emergency alert generation mechanism based on temporal mining has been proposed in event of adverse wildfire conditions. Estimation of future wildfire proneness levels of a forest terrain using Holt–Winter’s forecasting model also forms an integral part of the proposed framework. Implementation results reveal that high values of accuracy, specificity, sensitivity and precision averaging to 93.97%, 92.35%, 93.01% and 91.24% are attained for determination of wildfire proneness of a forest terrain. Low values of mean absolute error (MAE), mean square error (MSE), mean absolute percentage error and root mean square error (RMSE) averaging to 0.665, 2, 11.705 and 1.405, respectively, for real-time alert generation are registered, thereby increasing the utility of the proposed framework. Wildfire proneness forecasting also yields highly accurate results with low values of MAE, MSE and RMSE averaging to 0.166667, 0.25 and 0.492799, respectively.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 13/2020

Soft Computing 13/2020 Zur Ausgabe

Premium Partner

    Bildnachweise