ЖЕРДІҢ ТҰЗДЫҒЫН СЕГМЕНТАЦИЯЛАУ МОДЕЛІН ДАЛАЛЫҚ ЗЕРТТЕУЛЕР МЕН КЛИМАТТЫҚ ПАРАМЕТРЛЕР НЕГІЗІНДЕ ӘЗІРЛЕУ

Аңдатпа

Мақалада Sentinel-2 көпсpektralды серіктік деректері мен ERA5-Land модельінің климаттық параметрлерін қолдана отырып, топырақтың минералды тұздығына негізделген кеңістік сегментациясына арналған машиналық оқытудың гибридтік моделі ұсынылған. Ұсынылған әдіс климаттың өзгеруіне және деректердің жоғары кеңістіктік гетерогенділігіне байланысты топырақ жамылғысын дәл сегментациялау мәселесін шешуге бағытталған. Бұл әдіс бақылаусыз оқыту алгоритмдерін (KMeans, иерархиялық кластерлеу, DBSCAN), XGBoost моделін және бір уақытта классификация мен регрессияны жүзеге асыратын көп тапсырмалы нейрон желісін қолдануды қамтиды. Алғашқы кезеңде KMeans арқылы жалған атаулар құрылады, содан кейін объектілердің сыныптарға жату ықтималдығын бағалау жүргізіледі және кластерлеу алгоритмдерінің біріктірілген дауысы қолданылады. Соңғы модель кеңейтілген белгі кеңістігінде оқытылып, дәстүрлі әдістермен салыстырғанда жақсартылған нәтижелер көрсетеді. 33 624 бақылаудан тұратын таңдамалар бойынша (23 536 — оқу таңдамасы, 10 088 — тест таңдамасы) Silhouette Score мәнінің 0,7840-тан 0,8156-ға дейін өсіп, Davies-Bouldin Score мәнінің 0,3567-ден 0,3022-ге дейін төмендегені көрсетілді. Сыныптау дәлдігі 99,99%-ды құрады, 10 000 тест объектісінде тек бір қате жасалды. Нәтижелер ұсынылған әдістің қашықтан мониторинг жүргізу, қоршаған ортаны талдау және жер ресурстарын тұрақты басқару үшін жоғары тиімділігі мен қолданылу мүмкіндігін растады.