并行支持向量机模型：森林火灾预测的研究

软计算快报3（2021）100014森林火灾预测Kajol R Singh，K.P.Neethu，K Madhurekaa，A Harita，Pushpa Mohan*印度班加罗尔CMR技术学院CSE系A R T I C L EI N FO关键词：支持向量机SPARKPySpark并行SVMA B标准森林火灾被认为是造成环境灾害的主要原因之一，具有许多负面影响。有效的森林火灾预测模型有助于采取必要措施预防森林火灾及其负面影响。将级联相关网络（CCN）、径向基函数（RBF）和支持向量机（SVM）等有效方法应用于林火预测。E-X射线方法存在过拟合问题和预测效率较低的局限性。在森林火灾预测中，由于模型存在过拟合问题，使得传统的E-X-检验方法在大数据集上的预测效率较低。为提高林火预测的可靠性，本研究提出了并行支持向量机方法。传统的支持向量机对小火灾的预测效率较高，对大火灾的预测效率较低。在预测过程中，采用SPARK和PySpark进行数据分割和特征选择。提出了一种并行支持向量机模型，用于气象数据的训练和森林火灾的有效预测。并行SVM模型减少了分析所需的计算时间和高存储。并行支持向量机考虑预测天气指数（FWI）和一些天气参数的森林火灾预测。并行SVM模型的印度和葡萄牙的数据进行评估，分析模型的效率。在葡萄牙数据中，并行SVM模型的RMSE为63.45，SVM方法的RMSE为63.5。1. 介绍森林火灾已成为最常见的灾害之一，据记录，它会造成公顷森林的破坏[1]，[2]。它们不仅对森林资源构成威胁，而且对整个制度、对动植物构成威胁，严重破坏生物多样性、生态系统和一个地区的环境。在夏天，当没有雨的几个月，它是挤满了干燥衰老的酵和住所，可以爆裂成一个小火花引起的火焰[3]，[4]。喜马拉雅森林，特别是GarhwalHimalayas，经常被烧毁，该地区的植被损失巨大。森林火灾的主要因素之一是全球变暖是地球表面温度升高的主要原因之一。其他原因是雨水、洪水和人们的无知。火灾会导致森林砍伐，这对人类社会有很多负面影响。在灭火方面，及早发现森林火灾至关重要。森林火灾的不同特征表明，森林消防中心在火灾开始后不超过6分钟就会意识到危险，以消灭火灾，而不会对森林造成永久性危害[5]，[6]。森林火灾预测包括环境条件、大气、防火材料的干燥度、可燃物的形态、火源等，对森林火灾进行评价和预测。木材中可燃物的燃烧危害[7]。基于天气变化因素，我们将研究范围限制在森林火灾。从最近开始，它们似乎大大影响了野火的频率[8]。通过分析这些案例，我们正在开发一种更强大、更有效的预测森林火灾的方法。印度气象部门（IMD）数据集分为训练数据和测试数据。IMD训练数据用于监督学习模型[9]。该模型现在将根据输入测试结果预测森林火灾。为了测试各种测试数据以预测森林火灾的发生，创建了用户界面。图1示出了模型的系统架构，其中首先处理从IMD收集的训练和测试数据以计算FWI指数。基本天气属性以及FWI用于训练模型。将由用户上传到该模型的测试数据可以仅具有基本的天气属性，即温度、相对湿度、风速和降水。将卷积神经网络（CNN）、多项式神经网络（PNN）和支持向量机（SVM）等神经网络方法应用于森林火灾预测。CNN方法在训练中存在过拟合问题。PNN和SVM方法在大数据集上由于偏向于高实例的类而* 通讯作者。电子邮件地址：pushpa. cmrit.ac.in（P。Mohan）。https://doi.org/10.1016/j.socl.2021.100014接收日期：2021年5月10日;接收日期：2021年6月29日;接受日期：2021年7月12日2021年8月4日网上发售2666-2221/© 2021作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软计算快报杂志首页：www.sciencedirect.com/journal/soft-computing-lettersK.R. Singh等人软计算快报3（2021）1000142图1. 系统架构。利用气象信息进行林火预测，E_X ~2方法需要较长的时间.在实时系统中，需要更少的时间消耗来有效地处理和采取必要的预防措施。该模型使用并行SVM来预测上传数据集的森林火灾。并行支持向量机方法旨在提高基于并行计算的森林火灾预测的效率。该数据集被收集到UCI存储库中，并应用于并行SVM中，以测试其性能。预测森林火灾的日期将被标记并计算强度。模型中的自动警报系统在火灾强度较高的日子发送一份报告，其中包含警报和适当的消息。警报系统可以由一个特定的部门使用，这些天可以提前采取预防措施。本文的结构如下。第2节讨论了文献综述，第3节给出了数据集解释，第4节介绍了方法和实现，第5讨论了并行SVM的结果和结论。2. 文献调查文献综述表明，最高的准确度和精度是使用SVM算法，这是说明基于以下研究。T SamaherAl_Janabi[10]等人通过探索人工神经网络下的五种软计算技术，提出了一种模型，该模型将成为森林火灾预测的最强大方法。这些数据是从UCI学习系统数据库中收集的，该数据库在不同时间收集了517个不同的Montesinho自然公园（MNP）条目。第一步是数据收集的预处理主成分分析（PCA）被用来识别重要的模式，并选择火灾区域（集群），通过使用粒子群算法。接下来的过程是五种神经网络软件技术，它们建立了预测森林火灾的最佳技术，即多项式神经网络（PNN）、级联相关网络（CCN）、径向基函数（RBF）、多层感知器神经网络（MPNN）和支持向量机（SVM）（算法1）。的 最终步骤 是 计量基于 五 一致性度量包 括 均方 根 误 差 （RMSE ） 、 均方 误 差 （MSE ） 、 相对 绝 对 误 差（RAE）、平均绝对误差（MAE）和信息增益（IG）。在最后一步中，对预测因子进行了评估。结果表明，RBF，MPNN，PNN和CCN预测器是更有效的和有效的。结果还表明，SVM算法提供了预测洞察力，具有更可靠的与其他预测值相比，测量误差结果表明，支持向量机提高了预测精度相比，其他方法，是理想的森林火灾预测。结果表明，支持向量机能较好地预测火灾概率SVM具有最小的MSE为2926.4，RMSE为54.0，MAE为2.656，RAE为10.5，最高IG为2.656。为了预测标记的森林火灾区域，Paulo Cortez[11] et.al探索了一种数据挖掘（DM）方法。研究结果表明，森林火灾与气象资料具有高度的相关性，对森林火灾的预测具有一定的参考价值。最近从葡萄牙东北部收集的真实世界数据进行了测试，以支持向量机和随机森林和四个不同的选择功能（使用空间，时间，FWI组件和天气属性）。最佳配置利用SVM和四个气象输入（即温度、相对湿度、雨和风），可以预测小火灾中更频繁的燃烧这些知识对于更好地管理消防资源特别有用。但是SVM在计算时间和内存需求方面存在可扩展性为了改善这个可扩展性问题，可以使用并行SVM，如Zhu[12]等人所示，其通过基于行的矩阵仅将基本数据加载到每个机器来更大程度地减少所使用的内存。这 是 一 个 复 杂 的 算 法 ， 它 可 以 将 内 存 需 求 从 O （ n2 ） 减 少 到 O（np/m），并将计算时间提高到O（np2/m），其中n是训练的次数。其中，p是矩阵X在因子分解后的降维，m是机器的数量。这表明并行SVM有效地加快了大型数据集的计算时间，同时保持了高精度。Zhan Quan Sun[13]等人表明，在大数据集导致训练向量数量增加的情况下，可以实现SVM并行以使SVM在机器速度方面更快大数据收集首先使用MapReduce进行管理，内置软件工具，如Hadoop和Twisters。Hadoop的MapReduce不支持迭代映射中的任务缩减。Twisters有助于减少和合并迭代图和非迭代图中的任务。大量的SVM模型被用于应用程序，例如libSVM，light SVM，Is-SVM和libSVM模型。通过使用并行化将训练样本分成分段。一个libSVM模型用于每个子部分。子支持向量机过滤非支持向量。每个子SVM的支持向量被作为下一个子SVM层的输入。这表明使用MapReduce的SVM减少了计算所需的时间3. 方法所使用的数据集来自印度气象局。K.R. Singh等人软计算快报3（2021）1000143表1数据集的属性FFMC函数（温度，雨，相对湿度，风，ffmc 0）ISI功能（FFMC，风）DMC函数（温度，雨，相对湿度，月，dmc 0）Bui功能（DC、DMC）DCfunction（temp，rain，month，dc）FWI功能（ISI，BUI）部门这些数据包括过去15年印度森林地区的天气数据。UCI和IndianMeteorological数据集分别由森林火灾信息和气象信息组成。从UCI数据集中收集了517个数据实例，并使用155个数据实例进行验证。利用UCI和气象数据对并行SVM进行了测试模型的性能。该数据集中包含的基本参数是风速、降雨量、相对湿度或RH以及温度。根据这些基本参数，计算燃料湿度代码，如精细燃料湿度代码（FFMC）、Duff湿度代码（DMC）、干旱代码（DC），以及火灾行为指数，如初始蔓延指数（ISI）、积聚指数（BUI）和火灾天气指数（FWI），其中导出的属性是基本属性的函数，如下表1所示。这些被考虑的参数，在许多方面影响森林火灾的发生。相对湿度越低，火越容易燃烧。至于空气温度，它是影响火灾行为的最重要因素，因为它对火灾的影响更直接。风增加氧气的供应，帮助燃烧。此外，空气压力迫使火花到新燃料上。雨水会导致图2. FWI系统的结构。图3. 过程概要。K.R. Singh等人软计算快报3（2021）1000144图4. 支持向量机大气，抑制燃料表面。下雨也能防止回火.这些参数用于计算燃油湿度代码。这些湿度代码决定了燃料燃烧的容易程度。FFMC测定燃料顶部1-2cm的水分含量。仅反映最近发生的天气状况。DMC表示5- 10 cm深度处的含水量。预测闪电引起火灾的可能性。DC表示长期含水量和深度在10- 20厘米的深度燃烧的火灾。火灾行为指数，ISI表示火灾蔓延指数，BUI表示可用于火灾燃烧的总燃料。蒙特西尼奥自然公园（MNP）的案例研究，比较性能的并行SVM与现有的方法。收集了2000年1月以来的气象资料到2003年12月。我们从UCI收集了517个数据实例，这些数据是在不同时间收集的不同条目。的 图图2显示了如何使用基本参数计算FWI（图1和图2）。 3）。4. 流程图将UCI收集的数据应用于Hadoop中进行特征选择和数据分割。基于并行计算的思想，将所选特征应用于并行SVM进行预测。通过测试数据验证了并行SVM的性能，并与现有方法进行了比较。收集的数据将由模型进行预处理，以基于独立属性计算相关属性，并将其添加到数据集中。独立属性是温度、降雨、相对湿度和风。相关属性是森林天气指数，如FFMC，DMC，DC，ISI，BUI和FWI。 数据分为测试数据和训练数据。训练数据与模型一起硬编码以训练模型，而测试数据是用户上传到预测器以检查森林火灾警报的上传数据的数据。由于数据非常大，我们创建的支持请求数量图5. 并行支持向量机[13]。这个例子属于同一类别或不同类别。支持向量机的主要目的是在n维空间中找到一个能够对数据点进行分类的超平面。可以选择几个潜在的超平面来区分两类数据点。但是理想的超平面是最大化两个类的数据点之间的裕度的超平面，如图4所示。超平面是决策的边界，有助于区分数据点。落在超平面的任一侧上的数据点可以归因于各种类别。超平面维度取决于特征的数量。超平面可以 使用Eq。（一）→w。→x+b=0（ 1）其中→w是超平面的法向量，→x是点的集合边距的宽度为（2/|W|）SVM的一个主要缺点是，当训练集很大时，由于存储和计算需求随着训练向量的增加而增加，因此它的性能不佳。因此，并行SVM可以用来减少计算时间，提高性能。6. 并行支持向量机并行支持向量机是基于级联支持向量机模型。SVM通过部分SVM进行训练。每个子SVM被用作一个过滤器，将我们带到全局最优。使用并行SVM模型，可以将大规模的数据划分为较小的、独立的子数据。前面的子SVM支持向量被用作后面的子SVM的输入，如图5所示。两个支持向量机的支持向量组合成一个集合，并作为输入发送到一个新的支持向量机。这个过程一直持续到剩下一组向量，这是全局最优值。训练集的大小在每个后续阶段中减小。每个子SVM都使用像libSVM、light SVM等的SVM模型进行训练。最有效的SVM模型是libSVM。太大，这将影响系统的效率和准确性EX显式并行化方法并行化计算我们将使用Spark并行处理大数据。使用Python模块PySpark，RDD数据帧用于数据分割和标记。然后将处理后的数据馈送到训练模型，以使用上传的测试数据集预测森林火灾。此模型的输出是为上传的数据集生成的警报表。我们也有一个警报系统，可以用来向有关部门发送警报，在数据上传的领域5. 支持向量机支持向量机是一种监督学习算法，可用于分类和回归。在SVM中，数据被表示在一个n维空间中，它可以预测新的训练是否以及并行化内核计算。par-allelize减少了模型的工作集的数量，从而加快了测试过程，使其在预测中更有效。SVM分类是一种方法，其中15年数据的巨大数据集将被划分为较小的数据集，并同时被馈送到多个SVM中，输出一组支持向量以及另一组支持向量被馈送到另一个SVM。这样做，直到我们得到一组支持向量，这些支持向量与超平面具有最大的间隔，这将使该模型更可靠，并将以更好的精度和效率进行预测。为了实现这一点，我们将在我们的程序中使用spark进行大数据计算，使用RDD数据集进行并行计算。森林火灾的原因可能是多方面的，很难做出系统的预测可能有很多原因K.R. Singh等人软计算快报3（2021）1000145=-图6. 执行框架。对于森林火灾，我们希望使用我们的模型实现的是一个可靠的系统，该系统可以根据天气条件正确预测火灾是否发生以及火灾的强度。 6）。这种训练模型的方法解决了大规模数据分类问题，有助于建立有效的模型。7. Pyspark模型导 入 必 要 的 模 块 ， 如 SparkSession ， pipeline ， String Indexer ，Vector Assembler，MulticlassClassificationEvaluatoretc1 创建Spark中所有功能的入口点是使用SparkSession.builder2 导入数据集并处理数据，以使用每个索引的函数3 使用StringIndexers将初始列从字符串转换为数字4 Spark机器学习库（mllib）支持SVM分类器，因此SVM模型与Spark/mllib一起用于并行SVM。5 使用矢量装配器将所有特征组合到一个矢量中。6 使 用 Pyspark 中 的 LinearSVC 模 块 来 训 练 并 行 SVM ， 使 用spark_parametersvm= LinearSVC（labelCol= svm.fit7 使用此模型进行预测，并使用来自pyspark的MulticlassEvaluator进行评估。图7. 火焰强度与月。K.R. Singh等人软计算快报3（2021）10001468. 执行框架这是我们使用Django Web框架设计的Web应用程序。与任何其他应用程序一样，它有一个使用模板呈现的客户端和一个将请求路由到服务器端的服务器端，在本例中是HTTP请求。Django使用请求响应对象在客户端和服务器之间进行通信。当接收到请求时，URL映射器基于URL模式路由请求，并且将调用关联的视图函数。视图接收特定的请求并相应地呈现响应和模板。这里的模型运行预测算法。在这种情况下，它将上传文件，并在后台运行程序来预测森林火灾。在我们的项目中，我们使用并行SVM算法。我们正在使用PySpark模块，这是一个用Python编写的API以及Spark框架。Spark是一个与大数据一起工作的计算引擎。我们创建一个spark上下文，它充当spark功能的入口点，驱动程序在其中启动并运行executer或worker节点上的操作。在正常情况下，我们看到模型最终会过度拟合，但通过使用PySpark数据帧可以避免这种情况。在并行计算中，Apache Spark使用的数据帧是一个分布式的行集合。这些数据帧可以处理结构和半结构化数据的各种数据格式，并执行各种功能。上传的数据按照流程图进行预处理，然后用于预测和触发通过电子邮件向将使用此应用程序的组织发送警报。我们试图通过分析天气参数来使我们的模型足够可靠，以帮助预防森林火灾9. 结果和讨论结果分为4个选项卡：预测，警报，强度和验证。B. 警报选项卡在此选项卡中，将显示数据值表。这些数据值对应于预测火灾发生的条目，1.还显示了一列显示火灾的强度。C. 强度选项卡图7所示为火灾发生月份的图表。D. 验证标签图8（a）中绘制了显示预测火灾图的图图8（b）绘制了一个图表，显示了我们的模型与预测和实际的验证。我们有一个自动警报系统，通过电子邮件发送生成的森林火灾报告，如图9所示。10. 森林火灾警报系统报告第0个天3FFMC7DMC84.281DC102.98ISI328.09Bui2FWI115.4强度10.8432火2预测1消息1个小型火灾警报！13887.079105.31333.243117.6614.6005211小型火灾警报！261581.568246.93955.152299.9810.0946211小型火灾警报！361681.667250.87963.512303.9110.1254211小型火灾警报！462081.455265.68996.41318.8310.0574211小型火灾警报！562182.561269.961004.82322.9811.0036211小型火灾警报！662582.739283.871038.12337.2111.5625211小型火灾警报！762681.82287.731046.52341.0410.4058211小型火灾警报！862783.448292.031054.82345.1612.7859211小型火灾警报！962981.681299.461071.22352.5310.2779211小型火灾警报！1063085.272304.411079.53357.0815.3145211小型火灾警报！117183.415308.041088.22360.7712.7231211小型火灾警报！127282.256311.421096.82364.2611.386211小型火灾警报！137483.104318.3611142371.3912.2115211小型火灾警报！147583.362322.21122.72375.2112.2876211小型火灾警报！157682.67325.821131.52378.8811.4334211小型火灾警报！167781.916329.41140.32382.5410.237211小型火灾警报！177985.161337.421158.12390.4514.8156211小型火灾警报！1871083.746341.311166.92394.2912.6066211小型火灾警报！1971183.905345.31175.72398.2112.9133211小型火灾警报！2071282.065348.731184.32401.7310.6986211小型火灾警报！2171482.478355.791201.72408.9111.1341211小型火灾警报！2271583.775359.81210.42412.8312.7649211小型火灾警报！2371682.833363.5312192416.5211.4257211小型火灾警报！2471981.695373.621244.62426.8710.1444211小型火灾警报！2572083.972377.691253.32430.8113.2205211小型火灾警报！2672185.939382.221261.93435.0216.3231211小型火灾警报！2772283.799386.071270.12438.7412.6924211小型火灾警报！2872383.552389.951278.72442.5212.4877211小型火灾警报！2972484.604394.091287.42446.4814.2212211小型火灾警报！3072585.933398.521296.13450.6416.6338211小型火灾警报！3172685.064402.651304.62454.5614.9575211小型火灾警报！3272783.924406.541313.22458.3413.0826211小型火灾警报！3372884.488410.611321.92462.2614.0587211小型火灾警报！3472985.373414.91330.73466.3215.5944211小型火灾警报！3573084.509418.81339.42470.1114.5481211小型火灾警报！3673183.324422.381347.92473.6912.9246211小型火灾警报！378184.229425.881355.82477.0913.9236211小型火灾警报！388284.423429.421363.72480.5513.9957211小型火灾警报！398384.768433.071371.82484.0914.4174211小型火灾警报！408485.036436.721379.82487.6115.0803211小型火灾警报！418585.55440.521387.73491.2215.8106211小型火灾警报！428685.147444.261395.62494.7714.8234211小型火灾警报！438783.978447.771403.62498.212.8278211小型火灾警报！448882.946451.111411.52501.5111.4064211小型火灾警报！（接下页）K.R. Singh等人软计算快报3（2021）1000147===（续）458982.033454.251419.32504.6810.4753211小型火灾警报！4681084.014457.871427.32508.1913.0725211小型火灾警报！4781185.189461.721435.62511.8714.7594211小型火灾警报！4881284.993465.441443.82515.4514.5342211小型火灾警报！4981385.469469.291451.73519.0715.2856211小型火灾警报！5081484.029472.761459.52522.4513.0459211小型火灾警报！5181583.04476.11467.42525.7511.6121211小型火灾警报！5281682.578479.331475.52529.0211.136211小型火灾警报！5381783.288482.71483.62532.3712.2221211小型火灾警报！5481884.521486.311491.72535.8714.1589211小型火灾警报！5581984.803489.91499.82539.3514.7534211小型火灾警报！5682084.814493.615082542.9214.2059211小型火灾警报！5782182.717496.761516.12546.1411.3323211小型火灾警报！5882382.443503.081531.82552.5211.0482211小型火灾警报！5982485.8145071540.13556.2316.6152211小型火灾警报！6082586.696511.031548.23559.9818.2145311野火警报！6182687.339515.251556.53563.8619.1749311野火警报！6282785.37518.91564.63567.3715.5214211小型火灾警报！6382884.478522.371572.62570.7714.2032211小型火灾警报！6482983.958525.831580.62574.1513.1207211小型火灾警报！6583085.072529.591588.82577.7414.8303211小型火灾警报！6683183.502532.7915972580.9912.8963211小型火灾警报！679183.743535.681603.82583.8413.1853211小型火灾警报！689284.398538.691610.52586.7414.337211小型火灾警报！699384.672541.781617.32589.714.4235211小型火灾警报！709483.951544.7416242592.5713.1772211小型火灾警报！719584.595547.851630.92595.5514.2029211小型火灾警报！729685.86551.231637.83598.7116.2409211小型火灾警报！739786.905554.781644.83601.9718.4443311野火警报！749886.519558.251651.93605.1917.3524311野火警报！759986.392561.731658.73608.3716.9026211小型火灾警报！7691085.417564.931665.53611.415.521211小型火灾警报！7791184.652567.991672.52614.3714.2767211小型火灾警报！7891283.889570.891679.42617.2313.2621211小型火灾警报！7991386.654574.461686.43620.517.9136311野火警报！8091486.211577.851693.43623.6516.857211小型火灾警报！8191584.66580.891700.22626.5914.2333211小型火灾警报！8291684.422583.951707.12629.5413.8583211小型火灾警报！8391784.599587.031714.12632.5114.2371211小型火灾警报！8491884.898590.2217212635.5314.4698211小型火灾警报！8591984.641593.381727.72638.5213.9183211小型火灾警报！8692083.965596.421734.52641.4312.8511211小型火灾警报！8792184.229599.531741.42644.4213.2497211小型火灾警报！8892284.918602.721748.52647.4814.5711211小型火灾警报！8992384.532605.761755.52650.4214.1531211小型火灾警报！9092484.462608.871762.42653.4113.713211小型火灾警报！9192584.655612.041769.32656.4213.9568211小型火灾警报！9292684.552615.191776.22659.4113.7567211小型火灾警报！9392784.24618.241783.22662.3713.4183211小型火灾警报！9492885.02621.51790.22665.4514.5124211小型火灾警报！9592986.268625.021797.33668.716.6708211小型火灾警报！9693085.472628.251804.23671.7415.5621211小型火灾警报！在此基础上，对线性支持向量机和并行支持向量机两种算法的性能进行了测试，测试参数分别为准确率、精确率、召回率和EX搜索时间。准确度：准确度是所有数据点中正确预测的数据点的数量，如公式中所示。(2).它也可以定义为真阳性和真阴性的数量除以真阳性、真阴性、假阳性和假阴性的数量。它让我们了解了我们的模型预测森林火灾发生的效果。如图所示，在Eq。（三）、它告诉我们模型何时预测为真，即森林火灾将发生以及预测正确的频率精密度真阳性（3）真阳性+假阳性召回率：召回率是由您的算法正确分类的总相关结果的百分比，如等式中所示。(4).这是在现实中的情况下，火灾实际上已经发生，我们的模型多久得到它的权利。准确度真阳性+真阴性真阳性+假阳性+真阴性+假阴性回忆真阳性真阳性+假阴性（四）（二）精密度：精密度是指执行时间：模型进行预测所花费的时间被视为模型的执行时间我们使用计时器（）K.R. Singh等人软计算快报3（2021）1000148--n̂我我i=1N图8.（a）和（b）：验证预测与实际火灾的 可能性。函数来计算预测所需的时间。均方误差（MSE）：使用等式计算MSE值。（五）MSE1∑n （YY）2（5）i=1支持向量机是基于径向基函数的非线性关系来分析特征的，与线性支持向量机相比，具有较高的计算量。表2中将并行SVM方法与现有的森林火灾预测方法进行了比较。本文对我国的亲、其中，n表示数据点的数量，Yi表示观测值，Yi表示预测值。均方根误差（RMSE）：RMSE值使用以下公式计算：（六）、图10.并行SVM方法和现有的方法进行了评估，葡萄牙东北部数据。并行SVM与现有的模型，如卷积神经网络（CNN），径向基函数（RBF），多项式神经网络（PNN），和多层感知器神经网络（MPNN）。并行SVM方法具有RMSE=MSE（六）、与其他方法相比，平均绝对误差（MAE）：使用公式计算MAE值。（七）措辞并行SVM方法的RMSE为63.45，现有CNN的RMSE为68.3（表3）。Mae∑n|y i-x i|（七）11. 结论和今后的范围其中，yi表示预测值，xi表示真值，并且n表示数据点的总数使用线性支持向量机和并行支持向量机对不同的数据集进行了测试。并行SVM比线性SVM更有效，精度更高。与线性SVM相比，并行SVM的结果稳定。因此，我们得出结论，并行支持向量机的预测是更可靠的预测森林火灾。线性支持向量机在数据量过大时准确率较低，可靠性较差，而并行支持向量机则能过滤出最优的支持向量，给出一个更可靠的模型来预测森林火灾。生成的警报基于并行SVM模型。线性支持向量机通过输出计算数据中特征之间的线性关系，计算量小并行森林火灾的发生有多种原因，准确的预测是我们的目标.利用气象数据和分析森林气象指数来训练我们的模型是最好的方法之一。我们的工作表明，预测森林火灾最简单的方法是使用SVM，特别是对于小火灾，最终引发更大的火灾。但是随着数据集大小的增加，支持向量也会增加，从而导致计算时间增加。但是我们已经看到，通过修改算法和使用并行计算，性能和计算时间都得到了改善。为此，我们使用ApacheSpark框架。为了实现我们的模型，我们使用Django框架作为我们的用户界面，并将预测算法集成为Django模型。该预测模型使用PySpark，这是用Python编写的Python API，用于支持Apache提出的并行SVM和现有的方法在RMSE方面显示在=K.R. Singh等人软计算快报3（2021）1000149月天FFMCDMCDCISIBuiFWI强度火预测消息03784.281102.98328.092115.410.8432211小型火灾警报！13887.079105.31333.243117.6614.6005211小型火灾警报！261581.568246.93955.152299.9810.0946211小型火灾警报！361681.667250.87963.512303.9110.1254211小型火灾警报！462081.455265.68996.41318.8310.0574211小型火灾警报！562182.561269.961004.82322.9811.0036211小型火灾警报！662582.739283.871038.12337.2111.5625211小型火灾警报！762681.82287.731046.52341.0410.4058211小型火灾警报！862783.448292.031054.82345.1612.7859211小型火灾警报！962981.681299.461071.22352.5310.2779211小型火灾警报！1063085.272304.411079.53357.0815.3145211小型火灾警报！117183.415308.041088.22360.7712.7231211小型火灾警报！127282.256311.421096.82364.2611.386211小型火灾警报！137483.104318.3611142371.3912.2115211小型火灾警报！147583.362322.21122.72375.2112.2876211小型火灾警报！157682.67325.821131.52378.8811.4334211小型火灾警报！167781.916329.41140.32382.5410.237211小型火灾警报！177985.161337.421158.12390.4514.8156211小型火灾警报！1871083.746341.311166.92394.2912.6066211小型火灾警报！1971183.905345.31175.72398.2112.9133211小型火灾警报！2071282.065348.731184.32401.7310.6986211小型火灾警报！2171482.478355.791201.72408.9111.1341211小型火灾警报！2271583.775359.81210.42412.8312.7649211小型火灾警报！2371682.833363.5312192416.5211.4257211小型火灾警报！2471981.695373.621244.62426.8710.1444211小型火灾警报！2572083.972377.691253.32430.8113.2205211小型火灾警报！2672185.939382.221261.93435.0216.3231211小型火灾警报！2772283.799386.071270.12438.7412.6924211小型火灾警报！2872383.552389.951278.72442.5212.4877211小型火灾警报！2972484.604394.091287.42446.4814.2212211小型火灾警报！3072585.933398.521296.13450.6416.6338211小型火灾警报！3172685.064402.651304.62454.5614.9575211小型火灾警报！3272783.924406.541313.22458.3413.0826211小型火灾警报！3372884.488410.611321.92462.2614.0587211小型火灾警报！3472985.373414.91330.73466.3215.5944211小型火灾警报！3573084.509418.81339.42470.1114.5481211小型火灾警报！3673183.324422.381347.92473.6912.9246211小型火灾警报！378184.229425.881355.82477.0913.9236211小型火灾警报！388284.42342