edoc

Prognose der lokalen Waldbrandgefahr im Tessin durch Modellierung mit Hilfe der k-Nearest Neighbors (kNN) Methode

Felber, Andreas. Prognose der lokalen Waldbrandgefahr im Tessin durch Modellierung mit Hilfe der k-Nearest Neighbors (kNN) Methode. 2005, Doctoral Thesis, University of Basel, Faculty of Science.

[img]
Preview
PDF
1986Kb

Official URL: http://edoc.unibas.ch/diss/DissB_7200

Downloads: Statistics Overview

Abstract

Waldbrände stellen weltweit ein sehr grosses Naturgefahrenpotential dar. Unzähli-
ge Waldbrände wüteten in den letzten Jahren in den USA, Brasilien, Indonesien,
den Mittelmeeranrainern Europas und auch in der Schweiz, hauptsächlich im
Kanton Tessin.
Waldbrandprognosemodelle sind ein wichtiges Instrument zur Waldbrandpräven-
tion und daher für eine effiziente Waldbrandmanagementstrategie unabdingbar.
Im Rahmen dieser Arbeit wurde ein statistisches Modell zur Prognose der lo-
kalen Waldbrandgefahr, basierend auf der k-Nearest Neighbors (kNN) Methode,
entwickelt. Die kNN-Methode ist eine nichtparametrische Diskriminanzanalyse,
deren Annahmen darauf basieren, dass in einem durch Variablen aufgespannten
Vektorraum mittels eines Euklid'schen Abstandmasses ähnliche Datensätze ge-
funden werden. Voraussetzung für das Funktionieren der Prognosemethode ist,
dass sich ein Variablensatz finden lässt, sodass sich Tage mit Waldbränden inner-
halb des durch die Variablen aufgespannten Ereignisraumes gruppieren lassen.
Weiter setzt die Methode voraus, dass die erklärenden Variablen keinem zeitli-
chen Trend unterliegen und über das gesamte Untersuchungsgebiet extrapoliert
werden können.
Im Rahmen dieser Arbeit sind allgemein gültige "Regeln" für die Anwendung der
kNN-Methode als Prognosemodell für die Naturgefahren Waldbrand und Lawi-
nen formuliert worden. Basierend auf diesen "Regeln", ist eine einfache Weiter-
entwicklung der kNN-Methode auf andere Naturgefahren möglich.
Die Ergebnisse der kNN-Methode können auf drei unterschiedliche Arten dar-
gestellt werden: Die binäre Prognose stellt einen dichotomen Ja-Nein-Entscheid
dar. Die Verifikation dieses Prognosetyps basiert auf der Auswertung von Kon-
tingenzmatrizen. Bei der probabilistischen Prognose wird eine Wahrscheinlichkeit
für das Eintreten eines Ereignisses berechnet. Brier Score und Zuverlässigkeits-
diagramme stellen dabei die Verifikationsmasse dar. Die deskriptive Prognose ist
die dritte und umfassendste Ausgabeform des kNN-Modells. Sie beinhaltet im
Gegensatz zu den anderen beiden Prognosen die gesamte, nicht selektierte Infor-
mation, welche in der Datenbank über die nächsten Nachbarn enthalten ist.
Das kNN-Modell stellt mit seinen unterschiedlichen Ausgabemöglichkeiten ein
weiteres Unterstützungswerkzeug im Entscheidungsprozess einer Gefahrenabschätz-
ung der aktuellen Waldbrandsituation dar und kann von entsprechenden Behörden
somit sinnvoll zur lokalen Waldbrandprognose eingesetzt werden.
Advisors:Parlow, Eberhard
Committee Members:Scherer, Dieter and Bartelt, P.
Faculties and Departments:05 Faculty of Science > Departement Umweltwissenschaften > Meteorologie, Klimatologie und Fernerkundung > Meteorologie (Parlow)
UniBasel Contributors:Parlow, Eberhard
Item Type:Thesis
Thesis Subtype:Doctoral Thesis
Thesis no:7200
Thesis status:Complete
Bibsysno:Link to catalogue
Number of Pages:143
Language:German
Identification Number:
Last Modified:22 Jan 2018 15:50
Deposited On:13 Feb 2009 15:12

Repository Staff Only: item control page