مقایسه عملکرد و پایداری جنگل تصادفی و MLP در طبقه بندی رطوبت خاک با برچسب های آموزشی مبتنی بر رگرسیون

رطوبت خاک عاملی کلیدی در مدیریت منابع آب، کشاورزی و مدل سازی اقلیم، به ویژه در اقلیم های نیمه خشک نظیر ایران است. در این پژوهش، با هدف مقایسه عملکرد مدل های یادگیری ماشین (ML) در طبقه بندی، از داده های متراکم حاصل از رگرسیون داده های در دسترس استفاده شد. ابتدا یک مدل جنگل تصادفی رگرسیون برای تولید برچسب های آموزشی با تفکیک مکانی متوسط از داده های SMAP آموزش داده شد. در مرحله بعد، خروجی این مدل رگرسیونی به پنج کلاس رطوبتی تبدیل و برای مقایسه عملکرد دو الگوریتم طبقه بندی جنگل تصادفی (RF) و MLP به کار رفت. نتایج ارزیابی نشان داد که مدل RF با دقت ۹۴/۸۰% عملکرد برتری نسبت به MLP دارد. علاوه بر دقت بالاتر، RF در معیار F۱-Score نیز برتری نشان داد که حاکی از پایداری بالاتر و توانایی بهتر آن در مدیریت روابط پیچیده میان داده های چندمنبعی است. این رویکرد دو مرحله ای (رگرسیون-طبقه بندی) امکان تولید نقشه های رطوبت خاک با تفکیک پذیری بالا و دقت قابل قبول در مناطق با محدودیت داده های میدانی را فراهم می آورد. کاربرد اصلی این رویکرد، فراهم کردن ابزاری قابل اتکا برای پایش دقیق و لحظه ای رطوبت خاک در مقیاس مزرعه برای مدیریت بهینه آبیاری، پیش بینی خشکسالی و ارزیابی تاثیر اقلیم است.

Keywords:

رطوبت خاک , جنگل تصادفی , پروسپترون چندلایه