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 روش های یادگیری ماشین به منظور تهیه نقشه کلاس های خاک پرداخته شد. جهت تحقق این هدف از اطلاعات حاصل از 278 خاکرخ مشاهداتی، و متغیرهای ژیومورفومتری حاصل از مدل رقومی ارتفاع ، باندها و شاخص های مستخرج از ماهواره های 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 داده ها و اندازه پنجره های 3 ،5 ،7 ،9 ،15 و21  اجرا  شد. مدل ها با 20 درصد باقی مانده داده ها بر اساس دو شاخص صحت عمومی و F1-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 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. به طور کلی مدل یادگیری عمیق با وجود تعداد محدود خاکرخ های مشاهداتی توانسته در پیش بینی کلاس های پیش بینی قابل قبولی را ارایه 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 پیش بینی نماید.