تعرف على المعركة الكبرى: التعلم العميق الجدولي مقابل التعلم الآلي التقليدي في تصنيف تغطية الأراضي الحضرية!

يعد تصنيف تغطية الأراضي الحضرية (Urban Land Cover Classification) عنصرًا حيويًا في التخطيط الحضري ورقابة البيئة والتنمية المستدامة. في هذا السياق، تبرز دراسة جديدة تعتمد على مجموعة بيانات تغطية الأراضي الحضرية من مستودع التعلم الآلي بجامعة كاليفورنيا (UCI Machine Learning Repository)، التي تتضمن ميزات جدولية مستمدة من صور جوية عالية الدقة، مقسمة إلى تسع فئات (مثل الطرق، الأشجار، العشب، والماء).

تقدم هذه المجموعة من البيانات تحديات نموذجية في استشعار عن بعد، مثل الأبعاد العالية، الميزات المتنوعة، واختلال توازن الفئات. في دراسة موحدة وقابلة للاستنساخ، تمت مقارنة نماذج التعلم الآلي التقليدية (مثل الانحدار اللوجستي، SVM، الغابة العشوائية، XGBoost، وCatBoost) مع نماذج التعلم العميق الجدولي (مثل TabNet، FT-Transformer، TabTransformer، TabSeq، و1D CNN).

لعلاج اختلال توازن الفئات، تم استخدام خسارة الانتروبيا المتوازنة (weighted cross-entropy loss) لنماذج التعلم العميق الجدولي، وتم تقييم الأداء باستخدام دقة التصنيف، والـmacro-precision، والـmacro-recall، ومقياس الـmacro-F1، ورسم AUC-ROC، ومصفوفات الارتباك.

تشير النتائج إلى أن مجموعات الأشجار تبقى كمعايير قوية، لكن نماذج التعلم العميق الجدولي يمكن أن تتفوق أو تضاهي أدائها عندما تصبح التفاعلات غير الخطية مهمة، ويكون التعامل مع الاختلال في الفئات فعالًا، مما يوفر مزايا تكاملية لتصنيف تغطية الأراضي الحضرية.

للمزيد من التفاصيل، يمكنكم متابعة الكود على [https://github.com/mtesha/tdl-vs-ml-urbanlandcover]. ما رأيكم في الحلول التقنية الجديدة؟ شاركونا في التعليقات.