بهبود دقت در مدلسازي عمق برف مبتني بر اثربخشي انتخاب ويژگي ‌هاي شاخص در رگرسيون ‌هاي پارامتريك و غيرپارامتريك

دستيابي به توزيع مكاني عمق برف مي‌بايست از راه مشاهده‌اي و در مقياسي فشرده صورت گيرد. ليكن به‌دليل محدوديت‌هاي عملي، جمع‌آوري اطلاعات، به‌ويژه در مقياس‌هاي مذكور، دشوار و گاهي غيرممكن است. باتوجه ‌به مشكلات موجود، استفاده از رويكرد يادگيري ماشين و انتخاب ويژگي مي‌تواند سبب افزايش كاربردپذيري پهنه‌بندي عمق برف در مناطق مرتفع شود. در اين پژوهش اثربخشي كاهش ويژگي‌هاي غيرمؤثر در يادگيري مبتني بر مدل‌هاي پارامتريك و غيرپارامتريك بررسي شد. نمونه‌هاي استفاده‌شده براي بررسي فرضيه‌ها از منطقة چلگرد ايران برداشت شده است. به‌همين‌منظور ابتدا با استفاده از روش هايپركيوب محل 100 نقطة مشخص و طي يك عمليات صحرايي داده‌هاي عمق برف در نقاط مورد نظر و همچنين در 195 نقطة ديگر به‌صورت تصادفي و با نمونه‌بردار مدل فدرال برداشت شد. سپس با استفاده از مدل رقومي ارتفاع، 25 پارامتر ژئومورفومتري استخراج و همراه با 6 باند تصاوير ماهواره لندست 8 و شاخص NDSI به‌عنوان ورودي‌هاي مدل‌ها انتخاب شد. نتايج حاصل از اين پژوهش نشان داد كه روش‌هاي پارامتريك و ناپارامتريك دقت قابل ‌قبولي در مدلسازي عمق برف نداشتند، اما مدل رگرسيون خطي با روش انتخاب ويژگي حريصانه پيش‌رو و بهينه‌ساز جمعيت ذره‌ها با ميانگين مربعات خطا برابر با 22.17 و 22.19 توانستند با دقت بهتري تغييرات عمق برف را مدل كنند.