مدل‌سازي زماني و مكاني آتش‌سوزي جنگل‌هاي زاگرس با استفاده از شبكه عصبي حافظه طولاني كوتاه‌مدت كانولوشنالي (ConvLSTM)

نوآوري‌هاي الگوريتمي، افزايش توانايي‌هاي محاسباتي با استفاده از واحد پردازش گرافيكي (GPU) و مجموعه داده‌هاي بزرگ‌تر، عواملي هستند كه به پيشرفت‌هاي اخير يادگيري عميق كمك كرده‌اند. شبكه‌هاي يادگيري عميق به‌شدت متكي به داده‌هاي بزرگ هستند تا از بيش برازش جلوگيري كنند. هدف از تحقيق حاضر، مدل‌سازي زماني و مكاني آتش‌سوزي جنگل‌هاي زاگرس با شبكه عصبي عميق حافظه طولاني كوتاه‌مدت كانولوشنالي براي ۳۰ هكتار از جنگل‌هاي مريوان با استفاده از متغيرهايي نظير ارتفاع، شيب، جهت شيب، سرعت و جهت باد، دما، رطوبت نسبي، تراكم نسبي و نقشه نقاطي كه قبلاً آتش‌سوزي رخ‌داده است هست. با استفاده از متغيرهاي نامبرده به بررسي روند گسترش آتش‌سوزي و شناسايي جبهه‌هاي اوليه، ثانوي و همچنين تشكيل جبهه‌هاي مشترك و بزرگ‌تر آتش و جهت حركت آن‌ها در يك‌زمان 60 دقيقه‌اي كه تقسيم به چهار قسمت 15 دقيقه‌اي شده‌اند موردبررسي قرارگرفته است. نتايج اين تحقيق نشان داد كه مدل ConvLSTM مي‌تواند با ميزان دقت 98% و تابع هزينه 04/0 پيش‌بيني روند گسترش آتش‌سوزي را براي جنگل‌هاي مريوان انجام دهد. نتيجه حاصله نشان‌دهنده اين‌كه مدل ConvLSTM دقت قابل قبولي براي منطقه موردمطالعه در برداشته است.