الگوریتم یادگیری ماشین

سنجنده های دوقلوی MSI سنتینل -2، از لحاظ توان تفکیک مکانی، شباهت بسیاری به سنجنده OLI لندست 8 دارند که آژانس فضایی اروپا، با هدف افزایش داده های ادامه دار برای پایش سطح زمین، آنها را به فضا پرتاب کرد. در این مطالعه، قابلیت این داده ها در تفکیک واحدهای سنگی و دگرسانی، در محدوده کانسار فسفات اسفوردی، ارزیابی و با داده های لندست 8 و لندست 8 تلفیق شده، مقایسه شد. برای بارزکردن واحدهای سنگی منطقه، از روش بسط عدم همبستگی استفاده شد. به منظور مقایسه های آماری، واحدهای سنگی با استفاده از اجرای روش ماشین بردار پشتیبان و جنگل تصادفی روی دسته داده ها، رده بندی و صحت آنها با استفاده از ماتریس آشفتگی بررسی شد. علاوه بر آن، نسبت های باندی متناظر با آنچه درمورد سنجنده لندست 5 TM تعریف شده است، برای آشکارسازی نواحی دگرسان شده در منطقه، روی هر سه دسته داده اجرا و مساحت پهنه های بارزشده محاسبه و مقایسه شد. همچنین، نمودارهای پراکندگی برای تصاویر نسبت باندی تولیدشده تهیه شد. داده های MSI، در رده بندی ماشین بردار پشتیبان و جنگل تصادفی، صحت کلی و ضریب کاپای بیشتری را در مقایسه با دو دسته داده دیگر نشان دادند. نتایج نسبت باندی نیز نشان داد که داده های MSI و OLI تلفیق شده بیشترین همبستگی و مشابهت را به هم دارند. این مطالعه مشخص کرد که استفاده از داده های MSI در تهیه نقشه های سنگ شناختی و کانی شناختی، مطلوب تر از داده های OLI است. همچنین استفاده از داده های OLI تلفیق شده، در تاریخ هایی که تصاویر MSI در دسترس نیست، و یا برای تهیه نقشه های زمین شناسی پیوسته در مقیاس های قاره ای، به همراه داده های MSI کارآمد است.

در این پژوهش، از روش جنگل تصادفی، یکی از الگوریتم های یادگیری ماشین، برای شناسایی و پیش بینی مناطق مستعد گردشگری در حوضه کمه سمیرم استان اصفهان استفاده شده است. بیست منطقه شامل چشمه ها، آبشارها، امام زاده ها و بناهای تاریخی به عنوان داده های ورودی مدل در نظر گرفته شده اند. متغیرهای ارتفاع، شیب، جهت شیب، پوشش گیاهی، فاصله از رودخانه و جاده، تراکم رودخانه و جاده و موقعیت شیب نسبی، پس از انتخاب بر اساس ضریب تورم واریانس (VIF)، به عنوان متغیرهای پیش بینی کننده مورد استفاده قرار گرفتند. نتایج ارزیابی مدل با استفاده از معیارهای R2، RMSE و MAE نشان دهنده عملکرد بسیار مطلوب مدل جنگل تصادفی با R2برابر با 89/0 ، RMSE برابر با 33/1 و MAE برابر با 13/1 می باشد. فاصله از جاده ها (%100)، جهت شیب (33/84 %)، ارتفاع (83/%62) و پوشش گیاهی (72/%14) به عنوان مهم ترین متغیرهای پیش بینی کننده شناسایی شدند. نقشه حاصل از مدل، پتانسیل بالای مناطق مرکزی و شمالی حوضه کمه را برای جذب گردشگر نشان می دهد.