Luận văn: Xây dựng mô hình mạng nơ-ron sâu đánh giá nguy cơ cháy rừng ở Việt Nam

Luận văn: Xây dựng mô hình mạng nơ ron sâu đánh giá nguy cơ cháy rừng tại Việt Nam. Nghiên cứu ứng dụng AI dự báo và phòng ngừa cháy rừng hiệu quả.

• Tác giả: Nguyễn Thị Thanh
• Người hướng dẫn: PGS.TS Lê Văn Hưng
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xây dựng mô hình mạng nơ-ron sâu nhằm đánh giá nguy cơ cháy rừng tại Việt Nam
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• MỤC LỤC
• Danh mục hình
• Danh mục bảng biểu
• Danh mục từ viết tắt
• MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Nội dung nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Kết quả dự kiến
• 1.6. Ý nghĩa khoa học và thực tiễn
• 1.7. Bố cục của luận văn
• 1. CHƯƠNG 1: BÀI TOÁN DỰ BÁO NGUY CƠ CHÁY RỪNG
• 1.1. Tình hình nghiên cứu trong và ngoài nước
• 1.2. Hướng giải quyết bài toán của luận văn
• 2. CHƯƠNG 2: MẠNG NƠ RON NHÂN TẠO
• 2.1. Nơ ron nhân tạo
• 2.2. Mạng nơ ron nhân tạo
• 2.3. Huấn luyện mạng nơ ron
• 2.4. Thiết kế mô hình mạng nơ ron truyền thẳng
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH MẠNG NƠ RON SÂU ĐÁNH GIÁ NGUY CƠ CHÁY RỪNG TẠI LÂM ĐỒNG
• 3.1. Vùng nghiên cứu
• 3.2. Thu thập dữ liệu cháy rừng trong quá khứ và các yếu tố liên quan
• 3.3. Xây dựng các tập dữ liệu huấn luyện và kiểm tra mô hình
• 3.4. Đánh giá khả năng dự báo của từng yếu tố đầu vào
• 3.5. Thiết kế kiến trúc mô hình
• 3.6. Chọn thuật toán huấn luyện mô hình
• 3.7. Phương pháp đánh giá mô hình
• 3.8. Thành lập bản dễ phân vùng nguy cơ cháy rừng cho tĩnh Lâm Đồng
• 3.9. So sánh kết quả với một số phương pháp học máy khác
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 1.1. Kết quả đạt được
• 1.2. Hướng phát triển
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Ứng Dụng Mạng Nơ ron Sâu Dự Báo Cháy Rừng

Diện tích rừng Việt Nam đang đối mặt với nguy cơ cháy rừng ngày càng tăng cao, gây thiệt hại lớn về kinh tế và môi trường. Theo thống kê, mỗi năm có hàng nghìn hecta rừng bị thiêu rụi, gây ảnh hưởng nghiêm trọng đến đa dạng sinh học và cảnh quan. Các phương pháp dự báo truyền thống thường dựa trên các yếu tố như nhiệt độ, độ ẩm, lượng mưa, và loại rừng. Tuy nhiên, những phương pháp này có nhiều hạn chế, bỏ qua nhiều yếu tố quan trọng như chỉ số thảm thực vật (NDVI, NDWI, NDMI), địa hình, khoảng cách đến đường giao thông và khu dân cư. Do đó, việc xây dựng các mô hình đánh giá nguy cơ cháy rừng dựa trên các phương pháp trí tuệ nhân tạo hiện đại là vô cùng cần thiết. Mạng nơ-ron sâu (deep learning), với khả năng học và xử lý dữ liệu phức tạp, hứa hẹn mang lại độ chính xác cao hơn trong việc dự đoán cháy rừng.

1.1. Hiện Trạng Cháy Rừng tại Việt Nam Số Liệu và Thách Thức

Theo Bộ Nông nghiệp và Phát triển Nông thôn, diện tích rừng tự nhiên Việt Nam là 10,2 triệu ha và rừng trồng là 4,1 triệu ha (2018). Tuy nhiên, Cục Kiểm lâm ghi nhận trung bình mỗi năm hơn 1.500 ha rừng bị thiêu trụi. Rừng nguyên sinh chỉ còn khoảng 7%, trong khi rừng thứ sinh nghèo kiệt chiếm gần 70% tổng diện tích rừng. Việt Nam có khoảng 6 triệu ha rừng dễ cháy, bao gồm rừng thông, tràm, tre nứa. Biến đổi khí hậu làm tình hình thêm phức tạp, đòi hỏi mô hình dự báo chính xác hơn.

1.2. Giới Thiệu về Mạng Nơ ron Sâu Deep Learning trong Dự Báo

Học sâu (deep learning) là một nhánh của học máy, sử dụng mạng nơ-ron nhân tạo nhiều lớp để trích xuất các đặc trưng phức tạp từ dữ liệu. Mô hình mạng nơ-ron sâu có khả năng tự động học các đặc trưng quan trọng từ dữ liệu đầu vào, giúp nâng cao độ chính xác của mô hình dự báo. Trong dự đoán cháy rừng, mạng nơ-ron sâu có thể học từ các yếu tố môi trường, địa hình, và thảm thực vật để đánh giá nguy cơ cháy.

II. Vấn Đề Hạn Chế Phương Pháp Truyền Thống Dự Báo Cháy Rừng

Các phương pháp dự báo nguy cơ cháy rừng truyền thống ở Việt Nam chủ yếu dựa vào các mô hình thống kê hoặc kinh nghiệm, sử dụng một số ít các yếu tố đầu vào như nhiệt độ, độ ẩm, lượng mưa. Ví dụ, dựa trên chỉ số 86 lượng hợp P (Nesterov, 1949) hoặc có cải tiến để phù hợp với điều kiện Việt Nam (Hưng, 2004). Những mô hình này thường bỏ qua các yếu tố quan trọng khác như chỉ số thảm thực vật (NDVI, NDWI, NDMI), địa hình, khoảng cách tới đường giao thông, khoảng cách tới khu dân cư, độ dốc, và hướng dốc. Hơn nữa, các nghiên cứu này thường thiếu việc kiểm định độ chính xác của dự báo, dẫn đến kết quả không đáng tin cậy.

2.1. Các Yếu Tố Bị Bỏ Qua Trong Mô Hình Dự Báo Cháy Rừng Hiện Tại

Các yếu tố như chỉ số thảm thực vật (NDVI), độ ẩm đất, địa hình, và hoạt động của con người (khoảng cách tới đường giao thông, khu dân cư) đóng vai trò quan trọng trong việc dự báo nguy cơ cháy. Dữ liệu viễn thám và GIS có thể cung cấp thông tin chi tiết về các yếu tố này, nhưng lại ít được sử dụng trong các mô hình hiện tại.

2.2. Thiếu Tính Khách Quan và Kiểm Định Độ Chính Xác Dự Báo

Nhiều phương pháp hiện tại dựa trên kinh nghiệm của các chuyên gia, thiếu tính khách quan và khả năng tái lập. Quan trọng hơn, việc thiếu kiểm định độ chính xác của mô hình khiến cho các dự báo trở nên thiếu tin cậy và khó áp dụng vào thực tế.

III. Phương Pháp Xây Dựng Mô Hình Mạng Nơ ron Sâu Đánh Giá Nguy Cơ

Luận văn này tập trung vào việc xây dựng một mô hình mạng nơ-ron sâu để đánh giá nguy cơ cháy rừng tại Việt Nam, áp dụng thử nghiệm cho tỉnh Lâm Đồng. Mô hình sử dụng nhiều yếu tố đầu vào, bao gồm các yếu tố truyền thống (nhiệt độ, độ ẩm, lượng mưa) và các yếu tố địa hình, thảm thực vật, và hoạt động của con người. Thuật toán học máy được sử dụng để huấn luyện mạng nơ-ron, và độ chính xác của mô hình được đánh giá thông qua các chỉ số thống kê. Dữ liệu sử dụng bao gồm dữ liệu cháy rừng trong quá khứ, dữ liệu thời tiết, dữ liệu viễn thám, và dữ liệu GIS.

3.1. Thu Thập và Xử Lý Dữ Liệu Đầu Vào Cho Mô Hình

Dữ liệu được thu thập từ nhiều nguồn, bao gồm Cục Kiểm lâm, các trạm khí tượng thủy văn, ảnh vệ tinh (Landsat, Sentinel), và các cơ sở dữ liệu GIS. Phân tích dữ liệu và tiền xử lý được thực hiện để đảm bảo chất lượng và tính nhất quán của dữ liệu. Các yếu tố đầu vào bao gồm nhiệt độ, độ ẩm, lượng mưa, NDVI, độ dốc, hướng dốc, khoảng cách đến đường giao thông, và khoảng cách đến khu dân cư.

3.2. Thiết Kế Kiến Trúc Mạng Nơ ron Sâu và Lựa Chọn Thuật Toán Huấn Luyện

Mô hình mạng nơ-ron được thiết kế với nhiều lớp ẩn để có khả năng học các đặc trưng phức tạp từ dữ liệu. Các thuật toán huấn luyện như Adam, RMSprop được sử dụng để tối ưu hóa các tham số của mạng nơ-ron. Quá trình huấn luyện được thực hiện trên một tập dữ liệu lớn, và mô hình được kiểm tra trên một tập dữ liệu độc lập để đánh giá khả năng tổng quát hóa.

3.3. Đánh Giá Độ Chính Xác và Độ Tin Cậy của Mô Hình Dự Báo

Độ chính xác của mô hình được đánh giá thông qua các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu, và AUC (Area Under the Curve). Độ tin cậy của mô hình được đánh giá bằng cách so sánh kết quả dự báo với dữ liệu cháy rừng thực tế trong quá khứ. Mô hình cũng được so sánh với các phương pháp dự báo khác để đánh giá hiệu quả.

IV. Ứng Dụng Đánh Giá Nguy Cơ Cháy Rừng tại Tỉnh Lâm Đồng

Mô hình mạng nơ-ron sâu được áp dụng để đánh giá nguy cơ cháy rừng tại tỉnh Lâm Đồng. Kết quả cho thấy mô hình có khả năng dự báo nguy cơ cháy với độ chính xác cao hơn so với các phương pháp truyền thống. Bản đồ nguy cơ cháy rừng được tạo ra, giúp các nhà quản lý và người dân có thể đưa ra các biện pháp phòng ngừa và ứng phó kịp thời.

4.1. Kết Quả Dự Báo Nguy Cơ Cháy Rừng và Phân Vùng Nguy Hiểm

Mô hình tạo ra bản đồ phân vùng nguy cơ cháy rừng cho tỉnh Lâm Đồng, xác định các khu vực có nguy cơ cao, trung bình, và thấp. Bản đồ này có thể được sử dụng để tập trung nguồn lực vào các khu vực có nguy cơ cao và thực hiện các biện pháp phòng chống cháy rừng hiệu quả.

4.2. So Sánh Hiệu Quả của Mô Hình Mạng Nơ ron Sâu với Các Phương Pháp Khác

Kết quả cho thấy mô hình mạng nơ-ron sâu có độ chính xác cao hơn so với các phương pháp truyền thống như mô hình hồi quy logistic và mô hình cây quyết định. Điều này chứng tỏ mạng nơ-ron sâu có khả năng học các mối quan hệ phức tạp giữa các yếu tố đầu vào và nguy cơ cháy rừng.

V. Kết Luận Tiềm Năng Phát Triển Mô Hình Dự Báo Cháy Rừng Sâu

Luận văn đã chứng minh tiềm năng của việc sử dụng mạng nơ-ron sâu để đánh giá nguy cơ cháy rừng tại Việt Nam. Mô hình được xây dựng có độ chính xác cao hơn so với các phương pháp truyền thống, và có thể được sử dụng để tạo ra các bản đồ nguy cơ cháy rừng hữu ích cho công tác phòng chống cháy rừng. Tuy nhiên, vẫn còn nhiều hướng nghiên cứu có thể được thực hiện để cải thiện mô hình, chẳng hạn như sử dụng dữ liệu thời gian thực, kết hợp với mô hình khí hậu, và sử dụng các kiến trúc mạng nơ-ron phức tạp hơn.

5.1. Hướng Phát Triển và Cải Tiến Mô Hình Trong Tương Lai

Trong tương lai, mô hình có thể được cải tiến bằng cách sử dụng dữ liệu thời gian thực từ các cảm biến và trạm quan trắc, kết hợp với mô hình khí hậu để dự đoán nguy cơ cháy trong dài hạn, và sử dụng các kiến trúc mạng nơ-ron phức tạp hơn như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN).

5.2. Đề Xuất và Giải Pháp Ứng Dụng Thực Tế Trong Phòng Chống Cháy Rừng

Mô hình có thể được tích hợp vào một hệ thống cảnh báo cháy rừng sớm, cung cấp thông tin về nguy cơ cháy cho các nhà quản lý và người dân. Hệ thống này có thể sử dụng dữ liệu từ các cảm biến, trạm quan trắc, và ảnh vệ tinh để cập nhật mô hình và cung cấp dự báo chính xác nhất. Ứng dụng AI trong phòng chống cháy rừng sẽ là một bước tiến lớn trong bảo vệ tài nguyên.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: BÀI TOÁN DỰ BẢO NGUY cơ CHẤY RỨNG. Tình bình nghiền cứu trong và ngoài nước. Hướng giái quyết bài nắn của luận văn 20 CHƯƠNG 2: MẠNG NƠ RON NHÂN TẠO 21 2. Nơ ron nhân tạo 21 3.

Mạng nơ ron nhân tạo. Huấn luyện mạng nơ ron 2 2. Thiết kế mồ hình mạng nơ ron truyền thẳng -37 CHƯƠNG 3: XÂY DỰNG MÔ HÌNH MẠNG RƠ RON SÂU DÁNH GIÁ. Al NGUY CƠ CHÁY RỮNG TẠI LÂM ĐÔI AL 3.

Vùng nghiên cứu -1 3. Thu thập dữ liệu cháy rừng trong quá khứ và các yếu tế liên quan -44 3. Xây dựng các tập dữ liệu huẳn luyện và kiểm tra mô hình --49 3. Danb giá khả năng dự bao của từng yếu tố đầu vào.

Thiết kế kiến trúc mô hìmh. Chọn thuật toán huần luyện mô hình bo ww 3. Phương pháp đánh giá mô hình 3.8, Hudin ayn md Bimbo esecseessseessstssensnseesnnesneestnesietecinevtesen 54 3. Thành lập bản dễ phân: vùng nguy cơơ cháy r rừng cho tĩnh Lâm Đẳng.

So sánh kết quả với một số phương pháp học máy khác KẾT LUẬN VÀ HƯỚNG POAT TRIEN 1. Kết quả đạt được. Hướng phát triển - - - él PH LỤC - - - @ MOPAU 1. Ly de chon dé tai Theo công bỏ hiện trạng rừng toan quốc năm 2018 của Bộ Nông nghiệp và Phat triển nông thôn, tính đến hết răm 2018, diện tích rừng toàn quá 14143 triệu ha, trong, đỏ rừng tự nhiên là 10,2 triệu ha và rừng trồng là 4,1 triệu ha (Bộ Nông nghiệp và Phái triển nông thôn, 2017).

Theo thông kê của Cục Kiểm lâm, trong 5 năm gân đây, bình quân mỗi năm lỗa rùng thiêu trụi trên 1.500 ha rùng các loại. Thiệt hại trớc tính hang trim tỷ đồng mỗi năm, đỏ là chưa kế đến những ãnh hưởng xấu về tôi trường sống, cùng những thiệt hại do làm tăng lũ hạt ở vùng ha hươu, lâm giấm tinh da dang sinh hoc, pha vỡ cảnh quan, gay tổn hại đến tính mạng và tài sản của con người. Số liệu thống kẽ về tài nguyên rừng cho thay trong những năm gắn day diện tích rừng tăng lên, hung al lượng rừng lại có chiều hướng giảm. Rừng nguyên sinh chỉ cỏn khoảng 7%, trong lchi rừng thứ sinh nghèo kiệt chiếm gần 70% tổng điện tích rừng trên câ nước, dây là loại rừng rất đễ xây ra cháy.

Hiện nay, Viết Nam có khoảng 6 triện ha rùng dé cháy, bao gồm rừng thông, rùng tràm, rừng tre mùa, rùng bạch. đân, rừng khộp, rừng nơn khoanh nuôi tái sinh tự nhiên và rừng đặc sân. Cùng với diện tích rừng để xáy ra cháy tăng thêm hàng năm, thi tỉnh hình diễn biến thời tiết ngày cảng phức tạp, khó lường do ảnh hưởng của biển đổi khí hậu dang làm nguy cơ tiểm an về cháy rừng và cháy lớn ngày cảng nghiêm trọng ở Việt Nam. Vi vậy, việc xây dụng các mô hình đánh giả nguy cơ cháy rùng ở Việt Nam, áp đụng thử nghiệm cho một tỉnh, có tính thời sự cao và hết sức cần thiết Các phương pháp dự báo nguy cơ cháy rừng ở nước ta hiện nay chủ yếu dựa trên các mô hình truyền thẳng, ví dụ dựa trên chi 86 lang hop P (Nesterov, 1949) hoặc có cãi tiến dé pha hep với diễu kiện Việt Nam (Hưng, 2004) tinh theo cáo nhiệt độ, độ 4m không khí, lượng mưa, kiểu rừng, sức gió và MOPAU 1.

Ly de chon dé tai Theo công bỏ hiện trạng rừng toan quốc năm 2018 của Bộ Nông nghiệp và Phat triển nông thôn, tính đến hết răm 2018, diện tích rừng toàn quá 14143 triệu ha, trong, đỏ rừng tự nhiên là 10,2 triệu ha và rừng trồng là 4,1 triệu ha (Bộ Nông nghiệp và Phái triển nông thôn, 2017). Theo thông kê của Cục Kiểm lâm, trong 5 năm gân đây, bình quân mỗi năm lỗa rùng thiêu trụi trên 1.500 ha rùng các loại. Thiệt hại trớc tính hang trim tỷ đồng mỗi năm, đỏ là chưa kế đến những ãnh hưởng xấu về tôi trường sống, cùng những thiệt hại do làm tăng lũ hạt ở vùng ha hươu, lâm giấm tinh da dang sinh hoc, pha vỡ cảnh quan, gay tổn hại đến tính mạng và tài sản của con người. Số liệu thống kẽ về tài nguyên rừng cho thay trong những năm gắn day diện tích rừng tăng lên, hung al lượng rừng lại có chiều hướng giảm.

Rừng nguyên sinh chỉ cỏn khoảng 7%, trong lchi rừng thứ sinh nghèo kiệt chiếm gần 70% tổng điện tích rừng trên câ nước, dây là loại rừng rất đễ xây ra cháy. Hiện nay, Viết Nam có khoảng 6 triện ha rùng dé cháy, bao gồm rừng thông, rùng tràm, rừng tre mùa, rùng bạch. đân, rừng khộp, rừng nơn khoanh nuôi tái sinh tự nhiên và rừng đặc sân. Cùng với diện tích rừng để xáy ra cháy tăng thêm hàng năm, thi tỉnh hình diễn biến thời tiết ngày cảng phức tạp, khó lường do ảnh hưởng của biển đổi khí hậu dang làm nguy cơ tiểm an về cháy rừng và cháy lớn ngày cảng nghiêm trọng ở Việt Nam.

Vi vậy, việc xây dụng các mô hình đánh giả nguy cơ cháy rùng ở Việt Nam, áp đụng thử nghiệm cho một tỉnh, có tính thời sự cao và hết sức cần thiết Các phương pháp dự báo nguy cơ cháy rừng ở nước ta hiện nay chủ yếu dựa trên các mô hình truyền thẳng, ví dụ dựa trên chi 86 lang hop P (Nesterov, 1949) hoặc có cãi tiến dé pha hep với diễu kiện Việt Nam (Hưng, 2004) tinh theo cáo nhiệt độ, độ 4m không khí, lượng mưa, kiểu rừng, sức gió và Danh muc bang biéu Bảng 3.1 Biến động diện tích các loại đất, loại rừng giai đoạn 2005-2010.2 Tỉ lệ 9ú các vụ cháy rùng theo tháng trong năm 2013.3 Khả năng dự báo của các yêu tố dẫu vào theo Pearson Bảng 3.4 Ma trận hén hop Bảng 3.5 Ma trận hẫn hợp đã chuẩn hóa Bảng 3.6 Kết quả thử nghiệm với thuật toán lỗi tru ÁÄam „ Bảng 3.7 Kết quả thứ nghiệm với thuật toán t6i wu Rmsprop Bang 3.8 Ma trận hỗn hợp trên tập dữ liệu huấn luyệi Bảng 3.9 Ma trên hẫn hợp đã chuân hóa trên tập dự Hệ Bảng 3.10 Ma trận hỗn hợp trên tập dữ liệu kiểm tra.11 Ma tran hén hợp đã chuẩn hóa trên tập dữ liệu kiểm tra Bảng 3.12 Độ chính xác của mô bình ANN so với các mô hình học máy khá Danh mục từ viết tắt 1 NDVI Normalized Difference Vegetation Index 2 NDWI Normalized Difference Water Index 3 NDMI Nonmalized Difference Moisture Index 4 ANN Artificial Neural Network 5 CNN Convolutional Neural Network MOPAU 1. Ly de chon dé tai Theo công bỏ hiện trạng rừng toan quốc năm 2018 của Bộ Nông nghiệp và Phat triển nông thôn, tính đến hết răm 2018, diện tích rừng toàn quá 14143 triệu ha, trong, đỏ rừng tự nhiên là 10,2 triệu ha và rừng trồng là 4,1 triệu ha (Bộ Nông nghiệp và Phái triển nông thôn, 2017). Theo thông kê của Cục Kiểm lâm, trong 5 năm gân đây, bình quân mỗi năm lỗa rùng thiêu trụi trên 1.500 ha rùng các loại. Thiệt hại trớc tính hang trim tỷ đồng mỗi năm, đỏ là chưa kế đến những ãnh hưởng xấu về tôi trường sống, cùng những thiệt hại do làm tăng lũ hạt ở vùng ha hươu, lâm giấm tinh da dang sinh hoc, pha vỡ cảnh quan, gay tổn hại đến tính mạng và tài sản của con người.

Số liệu thống kẽ về tài nguyên rừng cho thay trong những năm gắn day diện tích rừng tăng lên, hung al lượng rừng lại có chiều hướng giảm. Rừng nguyên sinh chỉ cỏn khoảng 7%, trong lchi rừng thứ sinh nghèo kiệt chiếm gần 70% tổng điện tích rừng trên câ nước, dây là loại rừng rất đễ xây ra cháy. Hiện nay, Viết Nam có khoảng 6 triện ha rùng dé cháy, bao gồm rừng thông, rùng tràm, rừng tre mùa, rùng bạch. đân, rừng khộp, rừng nơn khoanh nuôi tái sinh tự nhiên và rừng đặc sân.

Cùng với diện tích rừng để xáy ra cháy tăng thêm hàng năm, thi tỉnh hình diễn biến thời tiết ngày cảng phức tạp, khó lường do ảnh hưởng của biển đổi khí hậu dang làm nguy cơ tiểm an về cháy rừng và cháy lớn ngày cảng nghiêm trọng ở Việt Nam. Vi vậy, việc xây dụng các mô hình đánh giả nguy cơ cháy rùng ở Việt Nam, áp đụng thử nghiệm cho một tỉnh, có tính thời sự cao và hết sức cần thiết Các phương pháp dự báo nguy cơ cháy rừng ở nước ta hiện nay chủ yếu dựa trên các mô hình truyền thẳng, ví dụ dựa trên chi 86 lang hop P (Nesterov, 1949) hoặc có cãi tiến dé pha hep với diễu kiện Việt Nam (Hưng, 2004) tinh theo cáo nhiệt độ, độ 4m không khí, lượng mưa, kiểu rừng, sức gió và Danh muc bang biéu Bảng 3.1 Biến động diện tích các loại đất, loại rừng giai đoạn 2005-2010.2 Tỉ lệ 9ú các vụ cháy rùng theo tháng trong năm 2013.3 Khả năng dự báo của các yêu tố dẫu vào theo Pearson Bảng 3.4 Ma trận hén hop Bảng 3.5 Ma trận hẫn hợp đã chuẩn hóa Bảng 3.6 Kết quả thử nghiệm với thuật toán lỗi tru ÁÄam „ Bảng 3.7 Kết quả thứ nghiệm với thuật toán t6i wu Rmsprop Bang 3.8 Ma trận hỗn hợp trên tập dữ liệu huấn luyệi Bảng 3.9 Ma trên hẫn hợp đã chuân hóa trên tập dự Hệ Bảng 3.10 Ma trận hỗn hợp trên tập dữ liệu kiểm tra.11 Ma tran hén hợp đã chuẩn hóa trên tập dữ liệu kiểm tra Bảng 3.12 Độ chính xác của mô bình ANN so với các mô hình học máy khá 3.8, Hudin ayn md Bimbo esecseessseessstssensnseesnnesneestnesietecinevtesen 54 3. Thành lập bản dễ phân: vùng nguy cơơ cháy r rừng cho tĩnh Lâm Đẳng. So sánh kết quả với một số phương pháp học máy khác KẾT LUẬN VÀ HƯỚNG POAT TRIEN 1.

Kết quả đạt được. Hướng phát triển - - - él PH LỤC - - - @ Danh muc hinh Hình 1. M6t no‘ ron than kink sinh hoc 1Rình 2. Cầu trúc của một no' ron nhận tạo.

Hình 3 Hàm sigmoid. Hinh 4 Ham tank Hinh $ Ham ReLU. Hinh 6 ANN voi hai ting a Hinh 7 Gradient descent. Hình 8 Các kí hiệu của một ÁN inh 9 Thuật toán lan truyễn ngược Hình 10.

Bản dỗ tỉnh Lâm Đồng và những diễm cháy rừng trong năm 2013 Hình 11 Cháy rừng thông tại luoiện Di Linh. Bản dễ của các yêu tổ (a) Độ dốc; (b\ Hướng đức; (c) Độ cao; (4) Sir dung đất; (e) Chi s6 NDVI va (f) Khoáng cách đến đường giao thông 4 Linh 12. (tiếp tụe): Hán đồ cúa các yếu lỗ (g) Khaảng cách tới khu dân cụ; (h) Nhiệt độ; () Tắc dộ gió và (Ì Lượng mua. Hinh 14 Mô hình của bài todn dự báo nguy cơ cháy rừng Hình 15 Đường cong ROC và 1ỤC trên tập di liệu luẩn huyệt Hình.