Опубликовано 18.12.2021 в 23:14
УДК: 004.9, 910.1
В статье предложены принципы построения глубокой сверточной нейросетевой модели для решения задачи высокоточного прогнозирования развития стихийных процессов, в частности пожаров. Разработанная архитектура нейронной сети одновременно интегрирует спектральную и пространственную информацию и состоит из нескольких модулей: ввода, сверточного выделения признаков, вывода. Модель включает в себя компоненты обработки данных для точного и надежного обнаружения стихийных процессов на основе материалов дистанционного зондирования Земли в рамках репозитория глубоких нейросетевых моделей.
DEVELOPMENT OF DEEP NEURAL NETWORK MODEL FOR PREDICTION OF NATURAL PROCESSES
The article proposes the principles of constructing a deep convolutional neural network model for solving the problem of high-precision forecasting of the development of natural processes, in particular, fires. The developed architecture of the neural network simultaneously integrates spectral and spatial information and consists of several modules: input, convolutional feature extraction, output. The model includes data processing components for accurate and reliable detection of natural processes based on Earth remote sensing materials within the deep neural network models repository.
Библиографический список
Библиографический список
1. Ямашкин С. А., Ямашкина Е. О, Коваленко С. М. Принципы построения сверточно-рекуррентной нейросетевой модели для прогнозирования пространственно-временных процессов // Наука и бизнес: пути развития. – 2020. – № 9. – С. 154–156.
2. Kussul N., Lavreniuk M., Skakun S. Deep learning classification of land cover and crop types using remote sensing data // IEEE Geoscience and Remote Sensing Letters. – 2017. – Vol. 14, No. 5. – P. 778–782.
3. Tao Y., Gao X., A. Ihler Deep neural networks for precipitation estimation from remotely sensed information // 2016 IEEE Congress on Evolutionary Computation (CEC). – Vancouver, 2016. – P. 1349–1355.
4. Yamashkin S. A., Kamaeva A. A., Yamashkin A. A. Matters of Neural Network Repository Designing for Analyzing and Predicting of Spatial Processes // International Journal of Advanced Computer Science and Applications. – 2021. – Vol. 12, № 5. – P. 17–22.
5. Zhang L. Zhang, B. Du Deep learning for remote sensing data: A technical tutorial on the state of the art // IEEE Geoscience and Remote Sensing Magazine. – 2016. – Vol. 4, № 2. – P. 22–40.
Выходные данные статьи: Ямашкин С. А., Ямашкина Е. О. Разработка глубокой нейросетевой модели для прогнозирования стихийных процессов [Электронный ресурс] // Огарев-online. – 2021. – №14. – Режим доступа: https://journal.mrsu.ru/arts/razrabotka-glubokoj-nejrosetevoj-modeli-dlya-prognozirovaniya-stixijnyx-processov