مدلسازی و پیشبینی رقومی کلاسهای زیرگروه خاک با استفاده از رویکرد یادگیری عمیق در بخشی از اراضی خشک و نیمهخشک دشت قزوین | ||
| تحقیقات آب و خاک ایران | ||
| دوره 53، شماره 11، بهمن 1401، صفحه 2477-2499 اصل مقاله (2.39 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2023.353339.669426 | ||
| نویسندگان | ||
| اصغر رحمانی1؛ فریدون سرمدیان* 2؛ حسین عارفی3 | ||
| 1گروه علوم و مهندسی خاک، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| 2عضو هیأت علمی گروه مهندسی علوم خاک، پردیس کشاورزی و منابع طبیعی دانشگاه تهران | ||
| 3گروه سنجش از دور و فتوگرامتری، دانشکده نقشه برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| 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 278 خاکرخ مشاهداتی، و متغیرهای ژئومورفومتری حاصل از مدل رقومی ارتفاع ، باندها و شاخصهای مستخرج از ماهوارههای سنتیل 1 و 2 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 80 درصد دادهها و اندازه پنجرههای 3 ،5 ،7 ،9 ،15 و21 اجرا شد. مدلها با 20 درصد باقیمانده دادهها بر اساس دو شاخص صحت عمومی و F1-Score اعتبارسنجی گردیدند. عدم قطعیت پیشبینی نیز با استفاده از نقشههای احتمال هر زیرگروه و شاخص آنتروپی محاسبه گردید. صحت عمومی پیشبینی دو مدل یادگیری عمیق و جنگل تصادفی در اندازه پنجره بهینه 15×15 به ترتیب 43 و 50 درصد برای به دست آمد. نتایج نشان داد که زیرگروه Typic Calcixerepts با افزایش اندازه پنجره محاسباتی از 3 تا 9 و 15 روند افزایشی در شاخص F1-Score و پس از رسیدن به قله یک روند کاهشی مشاهده گردید. میزان شاخص F1-score این زیرگروه در دو مدل به ترتیب مقادیر 69 و 77 درصد به دست آمد. بهطور کلی مدل یادگیری عمیق با وجود تعداد محدود خاکرخهای مشاهداتی توانسته در پیشبینی کلاسهای پیشبینی قابل قبولی را ارائه نماید و با وجود اختلاف اندک در شاخص صحت عمومی با مدل جنگل تصادفی، نقشههای نهایی کلاسهای زیرگروه خاک با عدم قطعیت کمتری پیشبینی نماید. | ||
| کلیدواژهها | ||
| کلاس خاک؛ یادگیری ماشین؛ شبکه عصبی کانولوشن؛ اثر مقیاس | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 804 تعداد دریافت فایل اصل مقاله: 637 |
||