ПРИМЕНЕНИЕ ГИБРИДНОЙ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ ДЛЯ КЛАССИФИКАЦИИ ТИПОВ ПОЧВ

В данной статье представлена гибридная модель машинного обучения, предназначенная для класс ификации типов почв на основе анализа их геофизических характеристик. Предложенная модель объединяет два алгоритма – RandomForestClassifier и MLPClassifier, что позволяет использовать преимущества ансамблевых методов, обеспечивающих высокую точность классификации, и нейронных сетей, способных выявлять сложные нелинейные зависимости между параметрами. В качестве исходных данных использовались показатели электропроводности, плотности, скорости распространения P-волн и глубины залегания. Перед обучением модели была проведена предварительная обработка данных, включающая удаление выбросов, стандартизацию и кодирование категориальных признаков. Гибридная архитектура позволила объединить результаты двух моделей с различными весами, что обеспечило оптимизацию точности классификации. Проведен сравнительный анализ эффективности предложенного подхода с альтернативными алгоритмами, включая XGBoost и Keras, на основе метрик Accuracy, F1-score, Precision и Recall. Результаты показали, что гибридная модель достигает точности 96,07%, превосходя по качеству прогнозирования отдельные алгоритмы. Дополнительно выполнена визуализация матриц ошибок, что позволило выявить распределение классов и оценить устойчивость модели. Полученные результаты подтверждают, что комбинирование ансамблевых и нейросетевых методов обеспечивает более стабильные и надежные прогнозы при работе с геофизическими данными. Разработанная модель может быть использована для автоматизированной классификации почв в геотехнических исследованиях, строительстве, сельском хозяйстве и экологическом мониторинге, повышая эффективность анализа и снижая необходимость дорогостоящих лабораторных испытаний.

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.