افزایش دقت طبقه بندی کلاس های نامتوازن خاک با استفاده از رویکرد یادگیری حساس به هزینه

پذیرفته شده برای پوستر

کد مقاله : 1514-ISSC19

¹موسسه تحقیقات خاک و آب کشور

²استاد گروه علوم خاک دانشکده کشاورزی، دانشگاه زنجان

³استادیار موسسه تحقیقات خاک و آب

مدیریت بهینه خاک و توسعه پایدار کشاورزی نیازمند دسترسی به اطلاعات دقیق درباره وضعیت و طبقه‌بندی خاک است و پیش‌بینی صحیح کلاس‌های خاک و موقعیت مکانی آن‌ها نقش مهمی در این زمینه دارد. استفاده از روش‌های نوین یادگیری ماشین، به‌ویژه یادگیری حساس به هزینه، می‌تواند با در نظر گرفتن نامتوازنی توزیع کلاس‌ها، دقت و کارایی پیش‌بینی را بهبود بخشد. در این پژوهش، در اراضی جنوب غربی استان زنجان، 148 خاک‌رخ با روش شبکه‌بندی منظم و فاصله متوسط 500 متر حفر و تا سطح فامیل طبقه‌بندی شدند. متغیرهای محیطی منتخب شامل داده‌های ژئومورفولوژی، زمین‌شناسی، مدل رقومی ارتفاع و شاخص‌های استخراج‌شده از تصاویر ماهواره‌ای لندست 8 بودند. مدل‌سازی رابطه خاک و زمین‌نما با الگوریتم جنگل تصادفی و رویکرد یادگیری حساس به هزینه در در محیط نرم‌افزار "Rstudio" انجام گرفت.
نتایج نشان داد که صحت کلی و ضریب کاپا پیش از متعادل‌سازی داده‌ها به‌ترتیب 65 درصد و 0.32 و پس از متعادل سازی داده‌ها با رویکرد یادگیری حساس به هزینه به‌ترتیب 86 درصد و 0.77 به دست آمد. مقایسه شاخص‌های صحت کاربر و صحت تولید کننده نشان داد که درحالی‌که جنگل تصادفی در حالت داده‌های نامتعادل در تشخیص دو کلاس اقلیت جیپسیک هاپلوزرپتز و لیتیک زراورتنتز ناکام بود، متعادل سازی داده با رویکرد حساس به هزینه توانست با کاهش خطا، پیش‌بینی دقیقی از این کلاس های اقلیت ارائه دهد.

جنگل تصادفی؛ ضریب کاپا؛ متعادل سازی داده؛ نقشه برداری رقومی خاک

فناوری داده‌ و هوشمندسازی اطلاعات خاک