پیدایش و طبقه بندی خاکها
وحیده صادقی زاده؛ سید علی ابطحی؛ مجید باقرنژاد؛ اعظم جعفری؛ سید علی اکبر موسوی
چکیده
تعداد متغیرهای محیطی مورد استفاده برای نقشه‌برداری رقومی خاک به سرعت افزایش یافته است، که انتخاب و تمرکز بر روی مهم‌ترین متغیرهای کمکی را با چالش روبه‌رو کرده است. از طرفی، شناسایی همه متغیرهای محیطی به منظور دستیابی به اطلاعات مکانی برای بهبود پیش‌بینی‌ها، سودمند است. در این راستا، الگوریتم‌های انتخاب ویژگی با شناسایی متغیرهای ...
بیشتر
تعداد متغیرهای محیطی مورد استفاده برای نقشه‌برداری رقومی خاک به سرعت افزایش یافته است، که انتخاب و تمرکز بر روی مهم‌ترین متغیرهای کمکی را با چالش روبه‌رو کرده است. از طرفی، شناسایی همه متغیرهای محیطی به منظور دستیابی به اطلاعات مکانی برای بهبود پیش‌بینی‌ها، سودمند است. در این راستا، الگوریتم‌های انتخاب ویژگی با شناسایی متغیرهای کمکی مرتبط، به کاهش ابعاد مدل پیش‌بینی کننده کمک می‌کنند. در مطالعه حاضر، چهار تکنیک مختلف انتخاب ویژگی شامل عامل تورم واریانس (VIF)، تجزیه مولفه‌های اصلی (PCA)، باروتا (Boruta) و حذف ویژگی بازگشتی (RFE) به منظور تولید مجموعه‌ای بهینه از متغیرهای کمکی، برای پیش‌بینی مکانی کلاس‌های خاک در سطح گروه بزرگ به کمک مدل جنگل تصادفی بکار گرفته شد. مقایسه تکنیک‌های مختلف انتخاب ویژگی در تخمین کلاس‌های خاک، با استفاده از معیارهای ارزیابی دقت و ضریب کاپا بین مقادیر مشاهده‌شده و پیش‌بینی‌شده، انجام شد. نتایج نشان داد، با استفاده از متغیرهای انتخاب شده توسط روش‌های مختلف انتخاب ویژگی نسبت به کاربرد همه متغیرها در مدل، دقت پیش‌بینی تا حدودی افزایش یافت. همچنین در میان چهار رویکرد انتخاب ویژگی، بهبود عملکرد پیش‌بینی متفاوت بود. روش VIF و PCA به ترتیب بیشترین و کمترین دقت و ضریب کاپا را داشتند، در حالی که روش باروتا با کمترین تعداد متغیر توانست بعد از VIF عملکرد مدل را بهبود بخشد. به‌طور کلی یافته‌ها نشان داد، کاربرد روش‌های انتخاب ویژگی می‌تواند از وابستگی قابل‌توجه متغیرهای کمکی مربوطه برای پیش‌بینی کلاس‌های خاک استفاده کند و دقت مدل‌سازی را بهبود بخشد.
