اکسپرس 24
ترجمه فارسی مقاله برای مدل‌سازی بهبودیافته‌ی آسیب‌پذیری سیل ناگهانی مبتنی بر CNN، تنها توجه کافی است. مورد حوضه‌ی آبخیز فاقد آمار رهریا، مراکش

ترجمه فارسی مقاله برای مدل‌سازی بهبودیافته‌ی آسیب‌پذیری سیل ناگهانی مبتنی بر CNN، تنها توجه کافی است. مورد حوضه‌ی آبخیز فاقد آمار رهریا، مراکش

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Attention is all you need for an improved CNN-based flash flood susceptibility modeling. The case of the ungauged Rheraya watershed, Morocco
عنوان مقاله به فارسی برای مدل‌سازی بهبودیافته‌ی آسیب‌پذیری سیل ناگهانی مبتنی بر CNN، تنها توجه کافی است. مورد حوضه‌ی آبخیز فاقد آمار رهریا، مراکش
نویسندگان Akram Elghouat, Ahmed Algouti, Abdellah Algouti, Soukaina Baid
فرمت مقاله انگلیسی PDF
تعداد صفحات 39
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 3 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 3 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,560,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Effective flood hazard management requires evaluating and predicting flash flood susceptibility. Convolutional neural networks (CNNs) are commonly used for this task but face issues like gradient explosion and overfitting. This study explores the use of an attention mechanism, specifically the convolutional block attention module (CBAM), to enhance CNN models for flash flood susceptibility in the ungauged Rheraya watershed, a flood prone region. We used ResNet18, DenseNet121, and Xception as backbone architectures, integrating CBAM at different locations. Our dataset included 16 conditioning factors and 522 flash flood inventory points. Performance was evaluated using accuracy, precision, recall, F1-score, and the area under the curve (AUC) of the receiver operating characteristic (ROC). Results showed that CBAM significantly improved model performance, with DenseNet121 incorporating CBAM in each convolutional block achieving the best results (accuracy = 0.95, AUC = 0.98). Distance to river and drainage density were identified as key factors. These findings demonstrate the effectiveness of the attention mechanism in improving flash flood susceptibility modeling and offer valuable insights for disaster management.

چکیده به فارسی (ترجمه ماشینی)

مدیریت مؤثر خطر سیل نیاز به ارزیابی و پیش بینی حساسیت به سیل فلاش دارد.شبکه های عصبی حلقوی (CNN) معمولاً برای این کار مورد استفاده قرار می گیرند اما با موضوعاتی مانند انفجار شیب و بیش از حد روبرو می شوند.این مطالعه به بررسی استفاده از یک مکانیسم توجه ، به ویژه ماژول توجه بلوک حلقوی (CBAM) ، برای تقویت مدل های CNN برای حساسیت به سیل فلاش در آبخیز Rheraya Ungauged ، یک منطقه مستعد سیل می پردازد.ما از Resnet18 ، Densenet121 و Xception به عنوان معماری ستون فقرات استفاده کردیم و CBAM را در مکان های مختلف ادغام کردیم.مجموعه داده ما شامل 16 عامل تهویه و 522 امتیاز موجودی سیل فلاش بود.عملکرد با استفاده از دقت ، دقت ، فراخوان ، نمره F1 و منطقه زیر منحنی (AUC) از ویژگی های عامل گیرنده (ROC) مورد بررسی قرار گرفت.نتایج نشان داد که CBAM به طور قابل توجهی عملکرد مدل را بهبود بخشیده است ، با DensEnet121 که شامل CBAM در هر بلوک حلقوی است که به بهترین نتیجه می رسد (دقت = 0.95 ، AUC = 0.98).فاصله تا رودخانه و چگالی زهکشی به عنوان عوامل اصلی مشخص شد.این یافته ها اثربخشی مکانیسم توجه را در بهبود مدل سازی حساسیت به سیل فلاش نشان می دهد و بینش های ارزشمندی را برای مدیریت فاجعه ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.