ارزيابي الگوريتم هاي مختلف انتخاب ويژگي در بهبود پيش بيني مكاني كلاس هاي خاك

تعداد متغيرهاي محيطي مورد استفاده براي نقشه‌برداري رقومي خاك به سرعت افزايش يافته است، كه انتخاب و تمركز بر روي مهم‌ترين متغيرهاي كمكي را با چالش روبه‌رو كرده است. از طرفي، شناسايي همه متغيرهاي محيطي به منظور دستيابي به اطلاعات مكاني براي بهبود پيش‌بيني‌ها، سودمند است. در اين راستا، الگوريتم‌هاي انتخاب ويژگي با شناسايي متغيرهاي كمكي مرتبط، به كاهش ابعاد مدل پيش‌بيني كننده كمك مي‌كنند. در مطالعه حاضر، چهار تكنيك مختلف انتخاب ويژگي شامل عامل تورم واريانس (VIF)، تجزيه مولفه‌هاي اصلي (PCA)، باروتا (Boruta) و حذف ويژگي بازگشتي (RFE) به منظور توليد مجموعه‌اي بهينه از متغيرهاي كمكي، براي پيش‌بيني مكاني كلاس‌هاي خاك در سطح گروه بزرگ به كمك مدل جنگل تصادفي‌ بكار گرفته شد. مقايسه تكنيك‌هاي مختلف انتخاب ويژگي در تخمين كلاس‌هاي خاك، با استفاده از معيارهاي ارزيابي دقت و ضريب كاپا بين مقادير مشاهده‌شده و پيش‌بيني‌شده، انجام شد. نتايج نشان داد، با استفاده از متغيرهاي انتخاب شده توسط روش‌هاي مختلف انتخاب ويژگي نسبت به كاربرد همه متغيرها در مدل، دقت پيش‌بيني تا حدودي افزايش يافت. همچنين در ميان چهار رويكرد انتخاب ويژگي، بهبود عملكرد پيش‌بيني متفاوت بود. روش VIF و PCA به ترتيب بيشترين و كمترين دقت و ضريب كاپا را داشتند، در حالي كه روش باروتا با كمترين تعداد متغير توانست بعد از VIF عملكرد مدل را بهبود بخشد. به‌طور كلي يافته‌ها نشان داد، كاربرد روش‌هاي انتخاب ويژگي مي‌تواند از وابستگي قابل‌توجه متغيرهاي كمكي مربوطه براي پيش‌بيني كلاس‌هاي خاك استفاده كند و دقت مدل‌سازي را بهبود بخشد.