چکیده مقاله
رطوبت خاک عاملی کلیدی در مدیریت منابع آب، کشاورزی و مدل سازی اقلیم، به ویژه در اقلیم های نیمه خشک نظیر ایران است در این پژوهش، با هدف مقایسه عملکرد مدل های یادگیری ماشین ML در طبقه بندی، از داده های متراکم حاصل از رگرسیون داده های در دسترس استفاده شد ابتدا یک مدل جنگل تصادفی رگرسیون برای تولید برچسب های آموزشی با تفکیک مکانی متوسط از داده های SMAP آموزش داده شد در مرحله بعد، خروجی این مدل رگرسیونی به پنج کلاس رطوبتی تبدیل و برای مقایسه عملکرد دو الگوریتم طبقه بندی جنگل تصادفی RF و MLP به کار رفت نتایج ارزیابی نشان داد که مدل RF با دقت ۹۴/۸۰% عملکرد برتری نسبت به MLP دارد علاوه بر دقت بالاتر، RF در معیار F۱ Score نیز برتری نشان داد که حاکی از پایداری بالاتر و توانایی بهتر آن در مدیریت روابط پیچیده میان داده های چندمنبعی است این رویکرد دو مرحله ای رگرسیون طبقه بندی امکان تولید نقشه های رطوبت خاک با تفکیک پذیری بالا و دقت قابل قبول در مناطق با محدودیت داده های میدانی را فراهم می آورد کاربرد اصلی این رویکرد، فراهم کردن ابزاری قابل اتکا برای پایش دقیق و لحظه ای رطوبت خاک در مقیاس مزرعه برای مدیریت بهینه آبیاری، پیش بینی خشکسالی و ارزیابی تاثیر اقلیم است
کلیدواژه‌ها
نویسندگان
سیده مبینا جعفریان امیری
دانشجوی کارشناسی ارشد فتوگرامتری، دانشگاه صنعتی نوشیروانی بابل
عباس کیانی
استادیار گروه مهندسی نقشه برداری، دانشکده عمران، دانشگاه صنعتی نوشیروانی بابل
نیما فرهادی
کارشناس ارشد فتوگرامتری و سنجش از دور، دانشگاه خواجه نصیرالدین طوسی
شیوه ارجاع
�عفریان امیری، سیده مبینا و کیانی، عباس و فرهادی، نیما،1404،مقایسه عملکرد و پایداری جنگل تصادفی و MLP در طبقه بندی رطوبت خاک با برچسب های آموزشی مبتنی بر رگرسیون،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