مروری بر تحلیل چندمقیاسی داده‌های خاک با هوش مصنوعی و یادگیری ماشین

پذیرفته شده برای پوستر

کد مقاله : 1606-ISSC19

استادیار گروه علوم و فناوری خاک، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران.

در دهه‌های اخیر، داده‌محوری به یکی از ارکان اصلی علوم خاک بدل شده است. هم‌زمان با افزایش حجم و تنوع داده‌های خاک‌ (از داده‌های زیستی در مقیاس ریزوسفر تا تصاویر ماهواره‌ای در مقیاس منطقه‌ای)، نیاز به روش‌های نوین تحلیل بیش از پیش احساس می‌شود. هوش مصنوعی و یادگیری ماشین (AI/ML) از اوایل دهه 1990 میلادی به بعد رشد چشمگیری در این حوزه داشته‌اند و اکنون ابزارهای کلیدی در ترسیم نقشه‌های دیجیتال خاک، توسعه توابع انتقالی، پایش نزدیک و دورسنجی، و حتی تحلیل متون علمی خاک‌شناسی محسوب می‌شوند. مرور حاضر با هدف بررسی نظام‌مند کاربردهای اصلی AI/ML در علوم خاک طی بازه 1990 تا ۲۰۲۵ انجام شد. نتایج نشان داد که الگوریتم‌هایی نظیر جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی عمیق (DNN) بیشترین کاربرد را در مقیاس مزرعه و منطقه‌ای داشته‌اند، در حالی که فناوری‌های نوین پایش (طیف‌سنجی، تصویربرداری CT و سنجش‌ازدور چندزمانه) فرصت‌های تازه‌ای برای تحلیل داده‌های خاک فراهم کرده‌اند. چالش‌هایی همچون نیاز به شفافیت در ارزیابی مدل‌ها، کمبود داده‌های استاندارد، و ضرورت تلفیق دانش خاک‌شناسی با رویکردهای داده‌محور همچنان باقی است. این مقاله با معرفی چارچوبی مفهومی برای پیوند مقیاس‌پذیری و فناوری‌های نوین، مسیرهای آینده شامل بهره‌گیری از مدل‌های زبانی بزرگ و هوش ترکیبی را نیز ترسیم می‌کند.

داده‌محوری؛ چند مقیاسی؛ مدل‌های زبانی بزرگ؛ هوش مصنوعی تبیین‌پذیر

فناوری داده‌ و هوشمندسازی اطلاعات خاک