مدل‌سازي و پيش‌بيني رقومي كلاس‌هاي زيرگروه خاك با استفاده از رويكرد يادگيري عميق در بخشي از اراضي خشك و نيمه‌خشك دشت قزوين

در پژوهش حاضر به مقايسه كارايي رويكردهاي يادگيري عميق و روش هاي يادگيري ماشين به منظور تهيه نقشه كلاس هاي خاك پرداخته شد. جهت تحقق اين هدف از اطلاعات حاصل از 278 خاكرخ مشاهداتي، و متغيرهاي ژئومورفومتري حاصل از مدل رقومي ارتفاع ، باندها و شاخص‌هاي مستخرج از ماهواره‌هاي سنتيل 1 و 2 در فرآيند مدلسازي استفاده گرديد.مدل يادگيري عميق در محيط آنلاين Google Collaboratory و مدل جنگل تصادفي (نماينده يادگيري ماشين)  با استفاده از تابع rf در بسته “caret” در محيط RStudio بر مبناي 80 درصد داده‌ها و اندازه پنجره‌هاي 3 ،5 ،7 ،9 ،15 و21  اجرا  شد. مدل‌ها با 20 درصد باقي‌مانده داده‌ها بر اساس دو شاخص صحت عمومي و F1 Score اعتبارسنجي گرديدند. عدم قطعيت پيش‌بيني نيز با استفاده از نقشه‌هاي احتمال هر زيرگروه و شاخص آنتروپي محاسبه گرديد. صحت عمومي پيش‌بيني دو مدل يادگيري عميق و جنگل تصادفي در اندازه پنجره بهينه 15×15 به ترتيب 43 و 50 درصد براي به دست آمد. نتايج نشان داد كه زيرگروه Typic Calcixerepts با افزايش اندازه پنجره محاسباتي از 3 تا 9 و 15 روند افزايشي در شاخص F1 Score و پس از رسيدن به قله يك ‌روند كاهشي مشاهده گرديد. ميزان شاخص F1 score اين زيرگروه در دو مدل به ترتيب مقادير 69 و 77 درصد به دست آمد. به‌طور كلي مدل يادگيري عميق با وجود تعداد محدود خاكرخ‌هاي مشاهداتي توانسته در پيش‌بيني كلاس‌هاي پيش‌بيني قابل قبولي را ارائه نمايد و با وجود اختلاف اندك در شاخص صحت عمومي با مدل جنگل تصادفي، نقشه‌هاي نهايي كلاس‌هاي زيرگروه خاك با عدم قطعيت كمتري پيش بيني نمايد.