ارزیابی الگوریتمهای یادگیری ماشین در طبقهبندی شوری خاک با استفاده از سامانه گوگل ارث انجین (مطالعه موردی: دشت آبیک)
پذیرفته شده برای پوستر
کد مقاله : 1260-ISSC19
نویسندگان
1دانشجو کارشناسی ارشد علوم و مهندسی خاک، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران
2استاد گروه علوم و مهندسی خاک، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران
چکیده
افزایش شوری خاک از مهمترین چالشهای تهدیدکننده پایداری منابع خاک در مناطق خشک است. این پژوهش با هدف طبقهبندی شوری خاک با استفاده از الگوریتمهای Random Forest و CART در بستر Google Earth Engine در دشت آبیک انجام شد. برای این منظور، ۱۷۲ نمونه خاک سطحی برداشت و هدایت الکتریکی آنها اندازهگیری شد. پس از تهیه تصاویر Sentinel-2 با پوشش ابر کمتر از ۱۰ درصد و استخراج شاخصهایی نظیر SI، Albedo و DEM، دو مدل یادگیری ماشین برای پیشبینی مقادیر EC آموزش داده شدند. سپس با آستانهگذاری، نقشههای طبقهبندی شوری خاک در پنج کلاس تولید شد. مدل Random Forest با R² بیشتر و RMSE کمتر، عملکرد بهتری نسبت به CART نشان داد و الگوهای مکانی شوری را با دقت بالاتری بازسازی کرد. در حالی که هر دو مدل از نظر آماری قابل قبول بودند، تفکیک مکانی در مدل CART در کلاسهای شوری کم و متوسط با محدودیتهایی همراه بود. این نتایج نشان داد استفاده از الگوریتمهای پیشرفته یادگیری ماشین در کنار پردازش ابری گوگل ارث انجین، رویکردی کارآمد برای مدیریت و پایش شوری خاک فراهم میآورد که میتواند در جهت توسعه کشاورزی پایدار و حفاظت از منابع خاک مؤثر باشد.
کلیدواژه ها
موضوعات