مدل هوشمند تشخیص عناصر کمیاب خاک با رویکرد داده‌محور بیوانفورماتیکی و فراطیفی

کد مقاله : 1195-ISSC19 (R1)

نویسندگان

شایان شیرازیان *، نیره اکبری ندارد

چکیده مقاله

در سال‌های اخیر، شناسایی عناصر کمیاب خاک با بهره‌گیری از فناوری‌های داده‌محور، جایگزینی کارآمد برای روش‌های سنتی و زمان‌بر اکتشاف شده است. این مقاله با مرور مطالعات اخیر در حوزه تلفیق داده‌های فراطیفی و بیوانفورماتیکی، به بررسی قابلیت‌های الگوریتم‌های یادگیری ماشین در تحلیل داده‌های سنجش‌ از دور برای استخراج الگوهای مکانی عناصر کمیاب می‌پردازد. تمرکز اصلی مقاله بر طراحی و معرفی یک مدل هوشمند پیشنهادی است که از داده‌های فراطیفی ماهواره‌هایی چون EnMAP و EO-1 بهره گرفته و از الگوریتم‌هایی مانند Spectral Angle Mapper (SAM)، تحلیل مؤلفه‌های اصلی Pricipal Component Analysis (PCA)، Random Forest و XGBoost برای شناسایی و پیش‌بینی توزیع این عناصر استفاده می‌کند. مرور منابع و تحلیل‌ها نشان می‌دهد که این رویکرد، در مقایسه با روش‌های کلاسیک، دقت بالاتر و زمان پردازش کوتاه‌تری دارد. در پایان، مدل ارائه‌شده به‌عنوان یک ابزار مفهومی و کاربردی در مسیر اکتشاف منابع کمیاب در ایران و مناطق مشابه پیشنهاد می‌شود.

کلیدواژه ها

واژگان کلیدی: عناصر کمیاب خاک، داده‌های فراطیفی، بیوانفورماتیک محیطی، یادگیری ماشین، مدل مفهومی داده‌محور

وضعیت: پذیرفته شده مشروط برای ارائه به صورت پوستر