بهینه سازی اجرای مدل عددی پیش بینی گرد و خاک با رویکرد یادگیری عمیق دربستر اینترنت اشیا
محل انتشار: اولین کنفرانس بین المللی مهندسی برق، کامپیوتر، مکانیک و تکنولوژی های نوین مرتبط با هوش مصنوعی
سال انتشار: 1402
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 65
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ENGTEC01_029
تاریخ نمایه سازی: 21 دی 1402
چکیده مقاله:
طوفان های گردوغبار در سال های اخیر روند رو به رشد داشته اند که در استان قم نیز شاهد افزایش تعداد روزهای گردو خاک و ماندگاری و شدت این پدید ها هستیم. در نتیجه به منظور مدیرت شهری و کاهش آسیب ها و پیامد هایمنفی ناشی از وقوع گرد و خاک و کاهش دید افقی، این تحقیق با هدف بهبود پیش بینی فاصله دید افقی با استفادهاز مدل های یادگیری عمیق انجام شد. برای مدلسازی وپیش بینی پدیده گردوغبار، نخست داده های دوره ده سالهمربوط به پارامتر های اقلیمی هواشناسی استان قم اخذ شد. بعد از بررسی داده ها و تحلیل عوامل موثر در پیشبینی گرد و خاک با در نظر گرفتن میزان همبستگی بین ویژگی ها، داده ها خوشه بندی شده و در نهایت برای هریک از ماه های گرم سال به صورت مجزا و دوره چهار ماهه خرداد تا شهریور مجموعه داده ها با ویژگی های موثرآماده گردید. در ادامه به کمک شبکه عصبی خودرمزگذار مدلسازی برروی مجموعه داده ها انجام شد. ارزیابی مدل ها توسط معیار های دقت، صحت، معیار پوشش و f۱ انجام شد که بهترین تشخیص در ماه مرداد با دقت ۹۶/۲ درصد می باشد.
کلیدواژه ها:
نویسندگان
انسیه حاجی علی گل
دانشجوی کارشناسی ارشد، دانشکده مهندسی کامپیوتر و برق، دانشگاه شهاب دانش
رضا احسن
استادیار، دانشکده فنی و مهندسی، واحد قم، دانشگاه آزاد اسلامی