مدل‌سازی زمانی و مکانی آتش‌سوزی جنگل‌های زاگرس با استفاده از شبکه عصبی حافظه طولانی کوتاه‌مدت کانولوشنالی (convlstm)

نوآوری‌های الگوریتمی، افزایش توانایی‌های محاسباتی با استفاده از واحد پردازش گرافیکی (gpu) و مجموعه داده‌های بزرگ‌تر، عواملی هستند که به پیشرفت‌های اخیر یادگیری عمیق کمک کرده‌اند. شبکه‌های یادگیری عمیق به‌شدت متکی به داده‌های بزرگ هستند تا از بیش برازش جلوگیری کنند. هدف از تحقیق حاضر، مدل‌سازی زمانی و مکانی آتش‌سوزی جنگل‌های زاگرس با شبکه عصبی عمیق حافظه طولانی کوتاه‌مدت کانولوشنالی برای 30 هکتار از جنگل‌های مریوان با استفاده از متغیرهایی نظیر ارتفاع، شیب، جهت شیب، سرعت و جهت باد، دما، رطوبت نسبی، تراکم نسبی و نقشه نقاطی که قبلاً آتش‌سوزی رخ‌داده است هست. با استفاده از متغیرهای نامبرده به بررسی روند گسترش آتش‌سوزی و شناسایی جبهه‌های اولیه، ثانوی و همچنین تشکیل جبهه‌های مشترک و بزرگ‌تر آتش و جهت حرکت آن‌ها در یک‌زمان 60 دقیقه‌ای که تقسیم به چهار قسمت 15 دقیقه‌ای شده‌اند موردبررسی قرارگرفته است. نتایج این تحقیق نشان داد که مدل convlstm می‌تواند با میزان دقت 98% و تابع هزینه 04/0 پیش‌بینی روند گسترش آتش‌سوزی را برای جنگل‌های مریوان انجام دهد. نتیجه حاصله نشان‌دهنده این‌که مدل convlstm دقت قابل قبولی برای منطقه موردمطالعه در برداشته است.