عضو هیأت علمی دانشگاه خوارزمی و مدیر گروه سنجش از دور و GIS دانشگاه خوارزمی به گسترش روزافزون دستگاه‌های موبایل و ظهور Web 2.0 اشاره کرد و اهمیت داده‌ها و اطلاعات مکانی در مدیریت سوانح را برشمرد.
به گزارش روابط عمومی پژوهشکده سوانح طبیعی، به مناسبت هفته پژوهش، هفتمین نشست از سلسله نشست‌های تخصصی در حوزه مدیریت بحران با موضوع «نقش داده‌ها و اطلاعات مکانی در مدیریت سوانح» به همت پژوهشکده سوانح طبیعی و سازمان جغرافیایی نیروهای مسلح برگزار شد.
در این نشست، جواد سدیدی عضو هیأت علمی دانشگاه خوارزمی و مدیر گروه سنجش از دور و GIS در رابطه با موضوع «کاربرد اطلاعات داوطلبانه جغرافیایی و هوش مصنوعی در مدیریت مخاطرات محیطی» به طرح بحث پرداخت. ایشان در ابتدا به گسترش روزافزون دستگاه‌های موبایل و ظهور Web 2.0 اشاره کرد و گفت: زمینه برای مشارکت همه مردم در تهیه اطلاعات لحظه‌ای مکانی فراهم شده است.
سدیدی از ویژگی‌های اطلاعات جغرافیایی به مواردی چون دقت مکانی، دقت موضوعی، دقت مفهومی، سازگاری با پایگاه داده، تکمیل بودن، قابلیت اطمینان، اعتبار کاربر و تناسب برای هدف اشاره کرد و گفت: این اطلاعات با توجه به اشکالات ناشی‌شده از تهیه آن‌ها با دستگا‌های مختلف، افراد مختلف با سطح سواد و انگیزه‌های متفاوت و برای هدف‌های مختلف، با توجه به رایگان بودن و حجم انبوه و لحظه‌ای بودن می‌تواند کمک قابل ملاحظه‌ای در مدیریت سوانح طبیعی و کاهش اثرات جانی و مالی آن داشته باشد.
وی افزود: در چند پژوهش که در دانشگاه خوارزمی انجام شده است، اثر اطلاعات داوطلبانه جغرافیایی در مدیریت امدادرسانی سیل، تهیه و برآورد نقشه لحظه‌ای Heatmap زلزله، مسیریابی در هنگام زلزله و ارائه و طراحی و اجرای یک Cloud computing service در هنگام زلزله جهت تهیه نقشه آنلاین خسارت مورد بررسی قرار گرفته است.
عضو هیأت علمی دانشگاه خوارزمی تأکید کرد: هوش مصنوعی به عنوان یکی از زمینه‌های اول پژوهشی مطرح در جهان هم می‌تواند بر روی اطلاعات داوطلبانه جغرافیایی اجرا و مسائل غیر خطی و پیچیده را در مدیریت مخاطرات محیطی پیش‌بینی و به مدیران در جهت آمادگی و کاهش اثرات خسارت جانی و مالی کمک کند.
سدیدی افزود: شبکه‌های عصبی مصنوعی، به عنوان شاخه‌ای از هوش مصنوعی و یادگیری ماشین مبحث گسترده‌ای در پیش‌بینی پدیده‌ها و موارد پیچیده غیرخطی را به خود اختصاص می‌دهند و در معماری‌های پیچیده از آن به عنوان یادگیری عمیق نام برده می‌شود.
ایشان در پایان نیز به موارد کاربرد هوش مصنوعی در مخاطرات مانند پیش‌بینی سیل، تشخیص درصد تخریب منازل در تصاویر موبایلی کاربران داوطلب و تخمین اتومات لحظه‌ای میزان خسارت با استفاده از CNN، پیش‌بینی زلزله با استفاده از سری‌های زمانی LSTM در سیگنال‌های دریافتی و خوشه‌بندی و تخصیص عملیات امداد و نجات اشاره کرد.