| افزایش دقت طبقه بندی کلاس های نامتوازن خاک با استفاده از رویکرد یادگیری حساس به هزینه |
| کد مقاله : 1514-ISSC19 |
| نویسندگان |
|
مستانه رحیمی *1، محمدامیر دلاور2، محمد جمشیدی3 1موسسه تحقیقات خاک و آب کشور 2استاد گروه علوم خاک دانشکده کشاورزی، دانشگاه زنجان 3استادیار موسسه تحقیقات خاک و آب |
| چکیده مقاله |
| 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. |
| کلیدواژه ها |
| جنگل تصادفی، ضریب کاپا، متعادل سازی داده، نقشه برداری رقومی خاک |
| وضعیت: پذیرفته شده مشروط برای ارائه به صورت پوستر |
