ارزیابی عملکرد الگوریتمهای یادگیری ماشین در پیشبینی شوری آب دریاچه با استفاده از تصاویر ماهواره ای

شوری آب به عنوان یکی از پارامترهای کلیدی کیفیت آب نقش مهمی در سلامت اکوسیستمهای آبی و مدیریت منابع دارد. این مطالعه به بررسی عملکرد چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی، رگرسیون چندجمله ای، الگوریتم گرادیان تقویتی و رگرسیون بردار پشتیبان برای پیش بینی شوری آب در دریاچه طبیعی با استفاده از داده های Sentinel-۲ و مشاهدات زمینی پرداخت. داده ها پیش پردازش و نرمال سازی شدند و مدل ها با اعتبار سنجی متقاطع ۷ بخشی آموزش و ارزیابی شدند. نتایج نشان داد که جنگل تصادفی با بالاترین R۲ و کمترین RMSE عملکرد بهتری نسبت به سایر روش ها ارائه کرد و حساسیت این مدل به تغییرات باندهای طیفی بیشتر بود. رگرسیون چندجمله ای و الگوریتم گرادیان تقویتی دقت قابل قبولی داشتند اما تحت تاثیر داده های پرت و نوسانات شوری قرار گرفتند در حالی که SVR نسبت به نوسانات حساس تر بود. مقایسه پراکندگی پیش بینی ها با داده های واقعی نشان داد که یادگیری ماشین امکان پایش دقیق و مداوم شوری آب را فراهم می کند.

کلیدواژه ها:

شوری ، آب ، یادگیری ، ماشین ، Sentinel-۲ ، پیش بینی ، کیفیت آب