مدل سازی و پیش بینی رقومی کلاس های زیرگروه خاک با استفاده از رویکرد یادگیری عمیق در بخشی از اراضی خشک و نیمه خشک دشت قزوین

در پژوهش حاضر به مقایسه کارایی رویکردهای یادگیری عمیق و روش­های یادگیری ماشین به­منظور تهیه نقشه کلاس­های خاک پرداخته شد. جهت تحقق این هدف از اطلاعات حاصل از ۲۷۸ خاکرخ مشاهداتی، و متغیرهای ژئومورفومتری حاصل از مدل رقومی ارتفاع ، باندها و شاخص های مستخرج از ماهواره های سنتیل ۱ و ۲ در فرآیند مدلسازی استفاده گردید.مدل یادگیری عمیق در محیط آنلاین Google Collaboratory و مدل جنگل تصادفی (نماینده یادگیری ماشین)  با استفاده از تابع "rf" در بسته “caret” در محیط RStudio بر مبنای ۸۰ درصد داده ها و اندازه پنجره های ۳ ،۵ ،۷ ،۹ ،۱۵ و۲۱  اجرا  شد. مدل ها با ۲۰ درصد باقی مانده داده ها بر اساس دو شاخص صحت عمومی و F۱-Score اعتبارسنجی گردیدند. عدم قطعیت پیش بینی نیز با استفاده از نقشه های احتمال هر زیرگروه و شاخص آنتروپی محاسبه گردید. صحت عمومی پیش بینی دو مدل یادگیری عمیق و جنگل تصادفی در اندازه پنجره بهینه ۱۵×۱۵ به ترتیب ۴۳ و ۵۰ درصد برای به دست آمد. نتایج نشان داد که زیرگروه Typic Calcixerepts با افزایش اندازه پنجره محاسباتی از ۳ تا ۹ و ۱۵ روند افزایشی در شاخص F۱-Score و پس از رسیدن به قله یک روند کاهشی مشاهده گردید. میزان شاخص F۱-score این زیرگروه در دو مدل به ترتیب مقادیر ۶۹ و ۷۷ درصد به دست آمد. به طور کلی مدل یادگیری عمیق با وجود تعداد محدود خاکرخ های مشاهداتی توانسته در پیش بینی کلاس های پیش بینی قابل قبولی را ارائه نماید و با وجود اختلاف اندک در شاخص صحت عمومی با مدل جنگل تصادفی، نقشه های نهایی کلاس های زیرگروه خاک با عدم قطعیت کمتری پیش­بینی نماید.

کلیدواژه ها:

کلاس خاک ، یادگیری ماشین ، شبکه عصبی کانولوشن ، اثر مقیاس