کاربرد روش های مختلف یادگیری ماشین در استخراج پارامترهای کیفی آب از داده های تشعشع طیفی

چکیده پهنه های آبی، همواره به عنوان یکی از عوامل موثر در محیط زیست انسان و سایر موجودات زنده، شناخته می شود. از این رو، یکی از مهم ترین موضوعات پژوهش های زیست محیطی، بررسی کیفیت پهنه-های آبی می باشد. در این راستا، آگاهی از پارامترهای کیفی آب، امری لازم و اجتناب ناپذیر است. با توجه به وجود برخی مشکلات در اندازه گیری این پارامترها در مناطق گوناگون، و از طرفی به دلیل وجود اثرات واکنش های پارامترهای مختلف، امروزه، محققین با به کارگیری روش های مختلف یادگیری ماشین و روش های پیشرفته ی آماری، اقدام به برآورد پارامترهای مورد نظر می کنند. بدین منظور، با توجه به پیشرفت علوم فضایی، استفاده از داده های تشعشع طیفی، در دستور کار پژوهش گران قرار گرفته است. با در نظر گرفتن خطای اندازه گیری این داده ها، و همچنین تاثیر اتمسفر بر روی داده های تشعشع طیفی، همواره نوفه به عنوان یکی از اجزای جداناپذیر این نوع داده ها مطرح است. بنابراین چنانچه روشی قابلیت مدل سازی در شرایط نوفه ای را دارا باشد، مطالعه ی آن روش به منظور تبدیل داده های تشعشع طیفی به داده های کیفی آب، سودمند خواهد بود. در این پایان نامه، ضمن معرفی دو روش جنگل های تصادفی (rf) و ماشین بردار پشتیبان (svm)، عملکرد این دو روش در برآورد پارامترهای کیفی آب در داده های تشعشع طیفی مورد ارزیابی قرار گرفته است. با توجه به نتایج حاصل می توان گفت در به کارگیری روش های rf و svm به منظور برآورد غلظت کلروفیل-a پایگاه داده nomad و برآورد غلظت رنگدانه پایگاه داده seabam، استفاده از متغیرهای rrs(?)/ rrs(555) منجر به نتایج بهتری نسبت به استفاده از متغیرهای rrs(?) به عنوان متغیرهای توضیحی می گردد. در برآورد غلظت کلروفیل-a پایگاه داده nomad، روش svm به ازای کلیه ی مقادیر نوفه، منجر به کمترین مقدار خطای mpae در بین سه روش rf، svm و روش یادگیری فعال (alm) می شود. در برآورد غلظت رنگدانه ی پایگاه داده seabam، مقدار خطای rmse حاصل از روش های rf و svm، نسبت به روش های alm، شبکه های عصبی مصنوعی (ann) و برخی الگوریتم های تجربی، تا حد قابل قبولی کاهش می یابد. در پایگاه داده momo، به طور کلی استفاده از دو روش rf و svm در برآورد کیفیت آب منجر به بهبود نتایج روش ann می گردد. به طور کلی با در نظر گرفتن نتایج حاصل و همچنین هزینه ی محاسبات، می توان گفت که در این تحقیق عملکرد روش rf تا حدی بهتر از روش svm می باشد.