مروری بر شبکه عصبی حافظه کوتاه مدت ماندگار (LSTM) و کاربردهای آن در علوم جنگل و محیط زیست

تجزیه و تحلیل کلان داده ها به ویژه سری های زمانی در علوم جنگل و محیط زیست با هدف کشف الگو، استخراج اطلاعات ارزشمند و پیش بینی آن ها اهمیت زیادی دارد. شبکه عصبی LSTM از روش های پیشرفته و نوین در شبیه سازی می باشد که می تواند این سری های زمانی را مورد بررسی قرار دهد. مدل های زیادی برای پیش بینی سری های زمانی پیشنهاد شده اند، مانند جنگل تصادفی، زنجیره مارکوف و اما بسیاری از این مدل ها برای پیش بینی یک مرحله به جلو بسیار خوب عمل می کنند ولی برای پیش بینی چند مرحله ای عملکرد خوبی ندارند. همچنین وابستگی های بلندمدت بین داده ها در نظر گرفته نمی شود. شبکه های LSTM نوع خاصی از شبکه های عصبی بازگشتی هستند که توانایی یادگیری وابستگی های بلندمدت را دارند. همچنین دارای بلوک های حافظه و دروازه فراموشی هستند و دقت زیادی دارند. با توجه به پتانسیل های این شبکه در تحلیل و پیش بینی سری های زمانی، این مقاله کاربردهای شبکه LSTM در علوم محیط زیست مانند پوشش گیاهی، حیات وحش، هیدرولوژی، آلودگی های محیط زیست و ... را بررسی کرده است.

کلیدواژه ها:

سری زمانی ، شبکه عصبی بازگشتی ، شبکه عصبی حافظه کوتاه مدت ماندگار