مصطفی آصفی - گروه مهندسی طبیعت/ دانشگاه اردکان
علی فتح زاده - گروه مهندسی طبیعت دانشگاه اردکان

دستیابی به توزیع مکانی عمق برف می بایست از راه مشاهده ای و در مقیاسی فشرده صورت گیرد. لیکن به دلیل محدودیت های عملی، جمع آوری اطلاعات، به ویژه در مقیاس های مذکور، دشوار و گاهی غیرممکن می باشد. باتوجه به مشکلات موجود، استفاده از رویکرد یادگیری ماشین و انتخاب ویژگی می تواند سبب افزایش کاربردپذیری پهنه بندی عمق برف در مناطق مرتفع گردد. در این پژوهش اثربخشی کاهش ویژگی های غیر موثر در یادگیری مبتنی بر مدل های پارامتریک و غیر پارامتریک بررسی شده است. نمونه های استفاده شده برای بررسی فرضیه ها از منطقه چلگرد ایران برداشت شده است. به همین منظور ابتدا با استفاده از روش هایپرکیوب محل ۱۰۰ نقطه مشخص و طی یک عملیات صحرایی داده های عمق برف در نقاط مورد نظر و همچنین در ۱۹۵ نقطه دیگر به صورت تصادفی و با نمونه بردار مدل فدرال برداشت گردید. سپس با استفاده از مدل رقومی ارتفاع، ۲۵ پارامتر ژئومورفومتری استخراج گردید و همراه با ۶ باند تصاویر ماهواره لندست ۸ و شاخص NDSI به عنوان ورودی های مدل ها انتخاب گردید. نتایج حاصل از این پژوهش نشان داد که روشهای پارامتریک و ناپارامتریک دقت قابل قبولی در مدل سازی عمق برف نداشتند اما مدل رگرسیون خطی با روش انتخاب ویژگی حریصانه پیش رو و بهینه ساز جمعیت ذره ها با میانگین مربعات خطا برابر با ۲۲.۱۷ و ۲۲.۱۹ توانستند با دقت بهتری تغییرات عمق برف را مدل کنند.

عمق برف, یادگیری ماشین, نمونه برداری, کاهش ویژگی, انتخاب ویژگی پیش رو