ارزیابی مدل هیبریدی شبکه عصبی کواتی ANN-COA برای پیش بینی نیاز آبی زعفران با استفاده از پارامترهای اقلیمی محدود

چکیده مقاله

تخمین دقیق نیاز آبی زعفران برای مدیریت پایدار منابع آب در مناطق کاشت این محصول ضروری است. در این پژوهش، بهینه‌سازی مدل شبکه عصبی مصنوعی (ANN) برای تخمین نیاز آبی زعفران با استفاده از الگوریتم بهینه‌ساز هیبریدی کواتی (COA) بررسی شد. عملکرد مدل ANN-COA با مدل‌های ANN، ANN-GA، ANN-PSO، ANN-MFO، رگرسیون مرتبه دوم (QR)، رگرسیون درختی (TR) و رگرسیون الگویی (Pattern) مقایسه شد. داده‌های ورودی شامل دما (حداقل، حداکثر، متوسط)، سرعت باد، رطوبت نسبی، تابش خالص و روز از سال بود. نتایج نشان داد که در شرایط استفاده از کلیه پارامترهای اقلیمی، مدل ANN-COA با ضریب تعیین 0.995=R2 و خطای میانگین مربعات 0.0001=MSE برای ایستگاه مشهد و 0.973=R2 و 0.0005=MSE برای ایستگاه بیرجند، دقت قابل قبولی در تخمین نیاز آبی زعفران دارد. همچنین در شرایط استفاده از پارامترهای اقلیمی محدود، مدل ANN-COA با ترکیب دمای حداکثر و سرعت باد به همراه روز از سال، بهترین عملکرد را در تخمین نیاز آبی زعفران داشت. بر اساس یافته‌های این پژوهش، مدل‌های شبکه عصبی هیبریدی برای تخمین نیاز آبی زعفران در شرایط استفاده از حداقل پارامترهای اقلیمی، در مقایسه با سایر مدل‌های داده‌کاوی، از دقت بالاتری برخوردار می‌باشند.