فهرست نشریات علمی دسترسی آزاد ایران

زمینه و هدف: آتش‌سوزی‌های طبیعی به عنوان یکی از بحران‌های محیط زیستی، نیازمند شناسایی سریع و پایش لحظه‌ای برای کاهش خسارات و مدیریت بحران هستند. در این پژوهش، هدف اصلی توسعه یک مدل یادگیری عمیق برای شناسایی و استخراج مختصات جغرافیایی مناطق آتش‌سوزی با استفاده از تصاویر ماهواره‌ای سنتینل 2 است. این مدل قادر خواهد بود نواحی درگیر آتش‌سوزی را با دقت بالا شناسایی کرده و به مدیریت بحران کمک کند. به‌ویژه، با افزودن قابلیت بلادرنگ به این مدل، می‌توان به‌طور مؤثری توانمندی‌های بخش مدیریت بحران را تقویت کرد، به‌گونه‌ای که مسئولین می‌توانند به سرعت مناطق آتش‌سوزی را شناسایی و برای اقدام‌های فوری برنامه‌ریزی کنند. روش بررسی: برای آموزش مدل یادگیری عمیق، یک مجموعه داده شامل تصاویر سنجش از دوری سنتینل 2 تهیه شد که شامل مناطق آتش‌سوزی و همچنین نواحی غیرآتش‌سوزی (به‌عنوان داده‌های منفی) بود. این رویکرد کمک می‌کند تا مدل قادر به تمایز دقیق‌تری بین مناطق آتش‌سوزی و دیگر نواحی باشد و در نتیجه خطای شناسایی کاهش یابد. مدل یادگیری عمیق توسعه‌یافته از معماری YOLO v8 استفاده می‌کند. پس از آموزش مدل بر اساس این داده‌ها، با استفاده از تصاویر سنتینل 2، مدل محدوده‌های آتش‌سوزی را شناسایی کرده و مختصات جغرافیایی دقیق آن‌ها را استخراج کرد. معیارهای ارزیابی مدل شامل دقت (Precision)، یادآوری (Recall)، میانگین دقت (mAP) در بازه ۰.۵ تا ۰.۹۵ (mAP50-95) و میانگین دقت در آستانه ۰.۵ (mAP50) بودند که در 100 اپک‌ مورد بررسی قرار گرفت. یافته‌ها: نتایج نشان دادند که مدل پیشنهادی با دقت 91.13%، یادآوری 90.49%، mAP50  برابر با 92.02% و mAP50-95 برابر با 90.17%  توانایی بالایی در شناسایی مناطق آتش‌سوزی و استخراج مختصات جغرافیایی دقیق آن‌ها دارد. خروجی‌های مدل در نرم‌افزار ArcGIS Pro نمایش داده شدند تا قابلیت مکانی آن‌ها تأیید شود. بحث و نتیجه‌گیری: مدل یادگیری عمیق توسعه‌یافته قابلیت پایش هوشمند مناطق مختلف بویژه مناطق جنگلی را داراست. اشاره به این نکته ضروری است که محدودیت‌های استفاده بلادرنگ از مدل شامل هزینه‌های بالای دسترسی به پایگاه‌های داده ماهواره‌ای مانند Sentinel Hub است که ممکن است برای بسیاری از کاربران دشوار باشد. همچنین، داده‌های بلادرنگ معمولاً با تأخیر مواجه هستند و مشکلاتی نظیر محدودیت پهنای باند و تأخیر در انتقال داده‌ها ممکن است دقت مدل را کاهش دهد. شرایط جوی نامناسب و شب نیز کیفیت داده‌ها را تحت تأثیر قرار می‌دهند. برای غلبه بر این چالش‌ها، استفاده از منابع داده رایگان و ترکیب داده‌ها از سنجنده‌های مختلف پیشنهاد می‌شود. افزایش تعداد ماهواره‌های ملی در ایران می‌تواند به کاهش هزینه‌ها و وابستگی به منابع خارجی کمک کند.