مدلسازی داده های نامتوازن بافت خاک با استفاده از رویکردهای نقشه برداری رقومی

در رویکردهای نقشه برداری رقومی برای مدلسازی مکانی بافت خاک، از الگوریتمهای مختلف داده کاوی برای برقراری ارتباط بین ویژگیهای خاک و متغیرهای محیطی استفاده میشود. با توجه به اینکه معمولا تعداد داده در کلاسهای مختلف بافت خاک یکسان نیست، کارآیی این الگوریتمها برای مدلسازی کلاسهایی با تعداد کم داده و کلاسهایی با تعداد زیاد داده متفاوت است و این موضوع یکی از مشکلات رایج در مدلسازی کلاسهای خاک است. برای رفع این مشکل، روشهای مختلفی وجود دارد که در مطالعات خاک به ندرت استفاده شدهاند. در این تحقیق متغیرهای محیطی استخراج شده از مدل رقومی ارتفاع و تصویر ماهواره ای به عنوان ورودی مدل جنگل تصادفی برای مدلسازی کلاس بافت خاک ۲۰۰ نمونه برداشته شده از خاک سطحی منطقه کوهدشت استان لرستان در دو حالت داده اولیه (نامتوازن) و داده متوازن استفاده گردیدند. برای متوازن سازی داده ها از روش بیش نمونه برداری از کلاس اقلیت (SMOTE) استفاده شد. نتایج نشان داد متوازن سازی داده ها باعث افزایش دقت کلی و ضریب کاپا طبقه بندی ها به ترتیب به میزان ۱۵ و ۳۵ درصد گردید. همچنین بر اساس شاخص Recall، متوازنسازی داده ها باعث بهبود طبقه بندی ها در همه کلاسهای بافت خاک گردید. نتایج نشان داد برای کلاسهای خاک، بهتر است قبل از مدلسازی داده ها به روش مناسب متوازن شود.

کلیدواژه ها:

الگوریتم جنگل تصادفی ، کلاس بافت خاک ، SMOTE ، یادگیری ماشین