ТОПЫРАҚ ТҮРЛЕРІН ЖІКТЕУ ҮШІН МАШИНАЛЫҚ ОҚЫТУДЫҢ ГИБРИДТІ МОДЕЛІН ҚОЛДАНУ

Бұл жұмыста RandomForestClassifier және MLPClassifier алгоритмдерін біріктіретін топырақ типтерін жіктеуге арналған машиналық оқытудың гибридті моделі ұсынылады. Әзірленген тәсіл ансамбльдік әдістердің жоғары дәлдігін нейрондық желілердің күрделі бейсызық тәуелділіктерді анықтау мүмкіндігімен үйлестіреді. Бастапқы деректер ретінде электр өткізгіштігі, тығыздығы, P-толқындарының таралу жылдамд ығы және жату тереңдігі көрсеткіштері пайдаланылды. Модельді оқытпас бұрын деректер алдын ала өңделіп, ауытқулар жойылды, стандарттау және категориялық белгілерді кодтау жүргізілді. Гибридтік архи тектура екі модельдің нәтижелерін түрлі салмақтармен біріктіріп, жіктеу дәлдігін оңтайландырды. Ұсынылған тәсілдің тиімділігі XGBoost және Keras сияқты баламалы алгоритмдермен салыстырылды және Accuracy, F1-score, Precision, Recall метрикалары қолданылды. Зерттеу нәтижелері гибридтік модельдің 96,07% дәлдікке жеткенін көрсетті. Алынған нәтижелер геофизикалық деректермен жұмыс істеу кезінде ансамбльдік және нейрондық әдістердің комбинациясы неғұрлым тұрақты және сенімді болжамдар беретінін дәлелдейді. Ұсынылған модельді геотехникалық зерттеулерде, құрылыста, ауыл шаруашылығында және экологиялық мониторингте қолдануға болады.

1. Aydın, A., Keskin, H., Öztürk, A. Use of Machine Learning Techniques in Soil Classification. Sustainability, 15 (3), 2374 (2023). https://doi.org/10.3390/su15032374.

2. Breiman, L. Random Forests. Machine Learning, 45(1), 5–32 (2001). https://doi.org/10.1023/A:1010933404324.

3. Zhang, W., Li, Y., Chen, X. Deep Learning-Based Soil Type Classification. Computers and Electronics in Agriculture, 169, 105205 (2020). https://doi.org/10.1016/j.compag.2019.105205.

4. Hengl, T., Heuvelink, G.B.M., Kempen, B. SoilGrids250m: Global Gridded Soil Information Based on Machine Learning/ PLoS ONE, 12 (2), e0169748 (2017). https://doi.org/10.1371/journal.pone.0169748.

5. Chlingaryan, A., Sukkarieh, S., Whelan, B. Machine Learning Approaches for Crop Yield Prediction and Soil Classification. Agricultural Systems, 167, 144–153 (2018). https://doi.org/10.1016/j.agsy.2018.09.012.

6. Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R. Random Forests for Land Cover Classification. Remote Sensing of Environment, 110 (4), 435–449 (2006). https://doi.org/10.1016/j.rse.2007.03.012.

7. Pal, M. Random Forest Classifier for Remote Sensing Classification. International Journal of Remote Sensing, 26 (1), 217–222 (2005). https://doi.org/10.1080/01431160412331269698.

8. Schmidhuber, J. Deep Learning in Neural Networks: An Overview. Neural Networks, 61, 85–117 (2015). https://doi.org/10.1016/j.neunet.2014.09.003.

9. Vapnik, V. Statistical Learning Theory. New York: John Wiley & Sons, 1998.

10. Gandomi, A.H., Alavi A.H. A Review of Machine Learning Applications in Geotechnical and Geoenvironmental Engineering. Engineering Geology, 152, 63–81 (2013). https://doi.org/10.1016/j.enggeo.2013.05.016.