فهرست نشریات علمی دسترسی آزاد ایران

در پژوهش حاضر به مقایسه کارایی رویکردهای یادگیری عمیق و روش­های یادگیری ماشین به­منظور تهیه نقشه کلاس­های خاک پرداخته شد. جهت تحقق این هدف از اطلاعات حاصل از 278 خاکرخ مشاهداتی، و متغیرهای ژئومورفومتری حاصل از مدل رقومی ارتفاع ، باندها و شاخص‌های مستخرج از ماهواره‌های سنتیل 1 و 2 در فرآیند مدلسازی استفاده گردید.مدل یادگیری عمیق در محیط آنلاین Google Collaboratory و مدل جنگل تصادفی (نماینده یادگیری ماشین)  با استفاده از تابع "rf" در بسته “caret” در محیط RStudio بر مبنای 80 درصد داده‌ها و اندازه پنجره‌های 3 ،5 ،7 ،9 ،15 و21  اجرا  شد. مدل‌ها با 20 درصد باقی‌مانده داده‌ها بر اساس دو شاخص صحت عمومی و F1-Score اعتبارسنجی گردیدند. عدم قطعیت پیش‌بینی نیز با استفاده از نقشه‌های احتمال هر زیرگروه و شاخص آنتروپی محاسبه گردید. صحت عمومی پیش‌بینی دو مدل یادگیری عمیق و جنگل تصادفی در اندازه پنجره بهینه 15×15 به ترتیب 43 و 50 درصد برای به دست آمد. نتایج نشان داد که زیرگروه Typic Calcixerepts با افزایش اندازه پنجره محاسباتی از 3 تا 9 و 15 روند افزایشی در شاخص F1-Score و پس از رسیدن به قله یک ‌روند کاهشی مشاهده گردید. میزان شاخص F1-score این زیرگروه در دو مدل به ترتیب مقادیر 69 و 77 درصد به دست آمد. به‌طور کلی مدل یادگیری عمیق با وجود تعداد محدود خاکرخ‌های مشاهداتی توانسته در پیش‌بینی کلاس‌های پیش‌بینی قابل قبولی را ارائه نماید و با وجود اختلاف اندک در شاخص صحت عمومی با مدل جنگل تصادفی، نقشه‌های نهایی کلاس‌های زیرگروه خاک با عدم قطعیت کمتری پیش­بینی نماید.