بهبود دقت در مدلسازی عمق برف مبتنی بر اثربخشی انتخاب ویژگی ‌های شاخص در رگرسیون ‌های پارامتریک و غیرپارامتریک

دستیابی به توزیع مکانی عمق برف می‌بایست از راه مشاهده‌ای و در مقیاسی فشرده صورت گیرد. لیکن به‌دلیل محدودیت‌های عملی، جمع‌آوری اطلاعات، به‌ویژه در مقیاس‌های مذکور، دشوار و گاهی غیرممکن است. باتوجه ‌به مشکلات موجود، استفاده از رویکرد یادگیری ماشین و انتخاب ویژگی می‌تواند سبب افزایش کاربردپذیری پهنه‌بندی عمق برف در مناطق مرتفع شود. در این پژوهش اثربخشی کاهش ویژگی‌های غیرموثر در یادگیری مبتنی بر مدل‌های پارامتریک و غیرپارامتریک بررسی شد. نمونه‌های استفاده‌شده برای بررسی فرضیه‌ها از منطقة چلگرد ایران برداشت شده است. به‌همین‌منظور ابتدا با استفاده از روش هایپرکیوب محل 100 نقطة مشخص و طی یک عملیات صحرایی داده‌های عمق برف در نقاط مورد نظر و همچنین در 195 نقطة دیگر به‌صورت تصادفی و با نمونه‌بردار مدل فدرال برداشت شد. سپس با استفاده از مدل رقومی ارتفاع، 25 پارامتر ژئومورفومتری استخراج و همراه با 6 باند تصاویر ماهواره لندست 8 و شاخص ndsi به‌عنوان ورودی‌های مدل‌ها انتخاب شد. نتایج حاصل از این پژوهش نشان داد که روش‌های پارامتریک و ناپارامتریک دقت قابل ‌قبولی در مدلسازی عمق برف نداشتند، اما مدل رگرسیون خطی با روش انتخاب ویژگی حریصانه پیش‌رو و بهینه‌ساز جمعیت ذره‌ها با میانگین مربعات خطا برابر با 22.17 و 22.19 توانستند با دقت بهتری تغییرات عمق برف را مدل کنند.