بررسی اثر داده افزایی در تخمین رطوبت خاک مبتنی بر مدل های یادگیری عمیق

چکیده مقاله

در این پژوهش یک مدل یادگیری عمیق LSTM چندورودی تقویت شده با تکنیک های داده افزایی برای بهبود نتایج تخمین رطوبت خاک پیشنهاد شده که در آن داده های ناهمگون از شبکه بین المللی رطوبت خاک ISMN ، سامانه یکپارچه سازی داده های جهانی زمین GLDAS و ماموریت رطوبت خاک فعال غیرفعال SMAP با یکدیگر ادغام شده اند سه راهبرد داده افزایی افزودن نویز گوسین، جابجایی زمانی و ترکیب داده ها به کار گرفته شدند تا کمبود داده کاهش یافته و تعمیم پذیری مدل بهبود یابد نتایج به دست آمده نشان داد که LSTM تقویت شده با داده افزایی در تمامی شاخص های ارزیابی عملکرد، به طور مستمر از LSTM استاندارد بهتر عمل کرده و دقت بالاتر و خطای کمتری داشته است با داده افزایی، مدل به ضریب همبستگی پیرسون بالاتر از ۹۵/۰ و مقادیر R² بیش از ۸۸/۰ در ایستگاه های مختلف دست یافت، در حالی که مقادیر خطای RMSE و MAE تقریبا نصف شدند این یافته ها کارایی داده افزایی را در ارتقای مدل های یادگیری عمیق برای تخمین رطوبت خاک تایید می کنند و مزایای ادغام داده های چندمنبعی را برجسته می سازند

کلیدواژه‌ها

نویسندگان

ریحانه باقری

گروه مهندسی نقشه برداری، دانشکده عمران، دانشگاه تربیت دبیر شهید رجایی

فاطمه طبیب محمودی

گروه مهندسی نقشه برداری، دانشکده عمران، دانشگاه تربیت دبیر شهید رجایی

�اقری، ریحانه و طبیب محمودی، فاطمه،1404،بررسی اثر داده افزایی در تخمین رطوبت خاک مبتنی بر مدل های یادگیری عمیق،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران

ارائه‌شده در

مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران