استخدام الذكاء الاصطناعي وخوارزميات التعلم العميق لاستخراج معالم الأرض من بيانات بلياد عالية الدقة

يتناول هذا البحث استخدام خوارزميات التعلم الآلي للتنبؤ بتركيبة التربة (الطين والحصى والرمل والطمي) باستخدام بيانات الاستشعار عن بعد، مما يوفر حلاً فعالاً من حيث التكلفة وقابل للتطوير لرسم خرائط التربة في مناطق كبيرة. الهدف من هذا البحث هو تحسين ومقارنة البحث الشبكي والبحث العشوائي لتحسين أداء نماذج التعلم الآلي للتنبؤ بنسيج التربة في منطقة الدراسة باستخدام بيانات رادار SAR Sentinel-1A ونموذج الارتفاع الرقمي العالمي ASTER (GDEM) والمعلومات الطبوغرافية. لتدريب النموذج والتحقق من صحته. يتم فحص خمسة نماذج للتعلم الآلي - الانحدار الخطي (LR)، وانحدار متجه الدعم (SVR)، والغابة العشوائية (RF)، وشجرة القرار (DT)، ومتغير الانحدار متعدد الطبقات (MLP Regressor). يتم استخدام البحث الشبكي وأساليب البحث العشوائي لتحسين المعلمات الفائقة وتحسين أداء النموذج. بعد تعديل المعلمات الفائقة باستخدام البحث الشبكي والعشوائي، حقق نموذج DT دقة شبه مثالية (RMSE ≤ 0.029، MAE < 0.021، R2 = 1.000). كما أظهر نموذج MLP Regressor أداءً جيدًا في تحسين البحث العشوائي (RMSE = 0.038، MAE = 0.03، R2 = 1.000)، متفوقًا على البحث الشبكي. بناءً على النتائج المقدمة، يبدو أن نموذج شجرة القرار هو الخيار الأكثر ملاءمة للتنبؤ بتكوين التربة (الطين والطمي والرمل) ونموذج MLP Regressor هو الخيار الأكثر ملاءمة للتنبؤ بتكوين الحصى. يمكن استخدام النماذج المحسنة في مشاريع رسم خرائط التربة واسعة النطاق، مما يسمح باتخاذ قرارات أكثر استنارة في الزراعة والإدارة البيئية وتخطيط استخدام الأراضي.