مقایسه عملکرد الگوریتم های یادگیری ماشین در تهیه نقشه خشک سالی، مطالعه موردی: ایالات متحده آمریکا

خشکسالی یکی از مهمترین مخاطرات طبیعی است که بر منابع آبی و بخش های کشاورزان تاثیرات مخرب بسیاری دارد. بنابراین توجه به مدل های شبیه سازی خشکسالی بسیار حائز اهمیت است. در سال های اخیر الگوریتم های یادگیری ماشین در حوزه های مختلف قابلیت های حشم گیری در حل مسائل رگرسیون از خود نشان داده اند. در این تحقیق به طور مشخص به بررسی و م قایسه ی عملکرد الکوریتم های پرسپترون چند لایه (Fully Connected)، جنگل تصادفی (Random Forest) و XGBoost در پیش بینی خشکسالی پرداخته می شود. نتایج، کاکی از آن است که الگوریتم XGBoost با شاخص (R(۲ به میزان ۸۴ درصد، بهترین عملکرد را از خود نشان داد.

کلیدواژه ها:

خشکسالی ، یادگیری ماشین ، XGBoost ، پرسپترون چند لایه