 جلسه دفاع پایان نامه: گلناز زوراوند، گروه آبخیزداری
ارائه کننده: گلناز زوراوند چکیده: تهیه نقشههای دقیق رطوبت خاک از طریق مدلسازی رطوبت خاک برای اهداف مختلف بسیار ارزشمند است. اندازهگیری میدانی رطوبت سطحي خاك بدليل وسعت زیاد حوزههای آبخیز، دور از دسترس بودن مناطق و هزینه بالا در سطح وسیع، با محدودیتهای زیادی مواجه است. بنابراین فنون سنجش از دور و روشهای مدلسازی میتواند کمک شایانی به برآورد دقیق و صحیح رطوبت خاک در مقیاس آبخیز نماید. در این مطالعه، یک رویکرد تخمین رطوبت خاک مبتنی بر یادگیری عمیق با استفاده از الگوی مدلسازی محلی مبتنی بر خوشه ارائه شده است. این رویکرد شامل استفاده از تصاویر SENTINEL-2 و دادههای جانبی مانند نقشههای خاک، نقشههای زمینشناسی، نقشههای کاربری/پوشش زمین و همچنین شاخصهای توپوگرافی و طیفی برای ایجاد پایگاه داده برای مدلسازی است. مدل ذوزنقهی نوری (OPTRAM) نیز برای تخمین رطوبت نسبی خاک به عنوان یکی دیگر از دادههای ورودی برای مدلسازی رطوبت خاک استفاده شد. برخی از الگوریتمهای خوشهبندی قوی از جمله K-means، الگوریتم ژنتیک، بهینهسازی ازدحام ذرات و خوشهبندی فضایی مبتنی بر چگالی برای تقسیم منطقه مورد مطالعه به خوشههای همگن استفاده شدند. سپس دو روش یادگیری عمیق قدرتمند LSTM و CNN برای مدلسازی رطوبت خاک با دو رویکرد سراسری و محلی بهکار گرفته شد. بهعلاوه مدل تلفیقی CNN-LSTM نیز جهت استفاده همزمان از ویژگیهای هر دو مدل توسعه داده شد. نتایج نشان داد روش ذوزنقه نوری توانسته بین 79/5 و 77/18 درصد عملکرد مدلهای داده محور را بهبود بخشد. همچنین نشان داده شد که رویکرد محلی نسبت به رویکرد سراسری عملکرد مدلهای LSTM و CNN را به ترتیب 23 و 30 درصد بهبود بخشیده است. تحلیل آماری نتایج با آزمون ANOVA نشان داد که میزان بهبود ناشی از رویکرد محلی نسبت به رویکرد سراسری با مقادیر 02/0 و 01/0 در سطح 95% معنیدار بوده است. لذا استفاده از رویکرد محلی برای مدلسازی دقیقتر رطوبت خاک توصیه میگردد. درنهایت مدل تلفیقی نهایی CNN-LSTM اجرا شده با رویکرد محلی، به عنوان بهترین مدل تعیین گردید. همچنین به منظور اثبات تعمیمپذیری زمانی مدل، 50 داده رطوبت خاک در یک سال و فصل متفاوت برداشت و عملکرد مدل مورد ارزیابی قرار گرفت. نتایج نشان داد اگرچه دقت و صحت مدل با کاهش کمی مواجه شد اما همچنان عملکرد قابل قبولی را نشان داد که مهر تاییدی بر تعمیمپذیری زمانی مدل ارائه شده میباشد.
|
