Authors | عباس خاشعی سیوکی,احمد جعفرزاده,علی شهیدی |
---|---|
Journal | زراعت و فناوری زعفران |
Page number | ۱۶۳-۱۸۲ |
Serial number | ۱۱ |
Volume number | ۲ |
Paper Type | Full Paper |
Published At | ۲۰۲۳ |
Journal Grade | Scientific - promoting |
Journal Type | Typographic |
Journal Country | Iran, Islamic Republic Of |
Journal Index | isc |
Abstract
مدلسازی گروهی بهعنوان یک مقوله نوظهور در بسیاری از رشتههای مهندسی بهخصوص زمینههای مختلف مهندسی آب در حال گسترش است. تخمین دقیق نیاز آبی زعفران به عنوان محصول راهبردی شرق کشور یکی از مهمترین اقدامات تأثیرگذار در برنامهریزی منابع آب منطقه خواهد بود. از اینرو، این پژوهش اقدام به بررسی عملکرد مدلسازی گروهی در بهبود مدلسازی نیاز آبی زعفران در منطقه بیرجندِ استان خراسان جنوبی کرد. دادههای واقعی نیاز آبی زعفران در سال دوم کشت در گام نخست در محل آزمایشگاه لایسیمتری دانشگاه بیرجند جمعآوری شد. مدلسازی نیاز آبی زعفران با استفاده از دادههای اقلیمی و نیاز آبی زعفران در بستر ماشین یادگیری درخت تصمیم انجام شد. همچنین، از دو روش Boosting و Bagging جهت ارتقای نتایج مدل درخت تصمیم استفاده شد. بهمنظور کمی کردن اثر مدلسازی گروهی آزمونهای مقایسهای متعددی نظیر شاخصهای ارزیابی (RMSE و MAE)، مقایسه توزیع پراکنش دادهها (تحلیل وایولین Violin assessment)، ارزیابی کم/بیش تخمینی، مقایسه سری زمانی و تحلیل بهبود خطا استفاده شد. نتایج نشان داد که علیرغم دقت و کارایی نسبی مدل درخت تصمیم در شبیهسازی نیاز آبی زعفران، امکان بهبود نتایج همچنان وجود دارد. همچنین، نتایج اثبات کرد که مدلسازی گروهی ظرفیت بالقوهی خوبی در زمینه ارتقای نتایج دارد. بهطوریکه یادگیری گروهی بانظارت (Boosting) دقت مدل درخت تصمیم را بیش از 30 درصد بهبود بخشید (کاهش قدر مطلق خطا از 36 میلیمتر به 65/23 میلیمتر) و این موضوع عامل کاهش RMSE را از 44/0 میلیمتر به 07/0 میلیمتر شد. علاوهبر این، نتایج آزمونهای مقایسهای تأیید کرد که خروجی تولید شده توسط روش Boosting از کیفیت بسیار بهتری نسبت به خروجی مدل درخت تصمیم و روش Bagging برخوردار است.
tags: بهبود خطا- تحلیل وایولین- لایسیمتر- یادگیری گروهی نظارتی -هوش مصنوعی