چکیده مقاله
نوآوری های الگوریتمی، افزایش توانایی های محاسباتی با استفاده از واحد پردازش گرافیکی GPU و مجموعه داده های بزرگ تر،عواملی هستند که به پیشرفت های اخیر یادگیری عمیق کمک کرده اند شبکه های یادگیری عمیق به شدت متکی به داده های بزرگهستند تا از بیش برازش جلوگیری کنند هدف از تحقیق حاضر مدل سازی زمانی و مکانی آتش سوزی جنگل های زاگرس با شبکهعصبی عمیق حافظه طولانی کوتاه مدت کانولوشنالی برای ۳۰ هکتار از جنگل های مریوان با استفاده از متغیرهایی نظیر ارتفاع،شیب، جهت شیب سرعت و جهت باد، دما، رطوبت نسبی، تراکم نسبی و نقشه نقاطی که قبلا آتش سوزی رخ داده است هست بااستفاده از متغیرهای نامبرده به بررسی روند گسترش آتش سوزی و شناسایی جبهه های اولیه، انوی و همچنین تشکیل جبهه هایمشترک و بزرگ تر آتش و جهت حرکت آن ها در یک زمان ۶۰ دقیقه ای که تقسیم به چهار قسمت ۱۵ دقیقه ای شده اند موردبررسیقرارگرفته است نتایج این تحقیق نشان داد که مدل ConvLSTM می تواند با میزان دقت ۹۸% و تابع هزینه ۰/۰۴ پیش بینیروند گسترش آتش سوزی ر برای جنگل های مریوان انجام دهد نتیحه حاصله نشان دهنده این که مدل ConvLSTM دقت قابلقبولی برای منطقه موردمطالعه در برداشته است
کلیدواژهها
نویسندگان
ادیب رحیمی
کارشناس ارشد سنجش از دور و GIS، دانشکده علوم جغرافیایی، دانشگاه خوارزمی
جواد سدیدی
استادیار گروه آموزشی سنجش از دور و GIS، دانشکده علوم جغرافیایی، دانشگاه خوارزمی
شیوه ارجاع
�حیمی، ادیب و سدیدی، جواد،1402،مدل سازی زمانی و مکانی آتش سوزی جنگل های زاگرس با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت کانولوشنالی (ConvLSTM) منطقه مورد مطالعه (جنگل های شهرستان مریوان)،دومین کنفرانس بین المللی و هفتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی،اهواز
ارائهشده در
مجموعه مقالات سومین کنفرانس بین المللی و هشتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی30 بهمن 1403 · اهواز