ارزیابی عملکرد روش های مدل سازی گروهی در شبیه سازی نیاز آبی زعفران

مدل سازی گروهی به عنوان یک مقوله نوظهور در بسیاری از رشته های مهندسی به خصوص زمینه های مختلف مهندسی آب در حال گسترش است. تخمین دقیق نیاز آبی زعفران به عنوان محصول راهبردی شرق کشور یکی از مهم ترین اقدامات تاثیرگذار در برنامه ریزی منابع آب منطقه خواهد بود. از این رو، این پژوهش اقدام به بررسی عملکرد مدل سازی گروهی در بهبود مدل سازی نیاز آبی زعفران در منطقه بیرجند استان خراسان جنوبی کرد. داده های واقعی نیاز آبی زعفران در سال دوم کشت در گام نخست در محل آزمایشگاه لایسی متری دانشگاه بیرجند جمع آوری شد. مدل سازی نیاز آبی زعفران با استفاده از داده های 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. به منظور کمی کردن اثر مدل سازی گروهی آزمون های مقایسه ای متعددی نظیر شاخص های ارزیابی (RMSE و MAE)، مقایسه توزیع پراکنش داده ها (تحلیل وایولین Violin assessment)، ارزیابی کم/بیش تخمینی، مقایسه سری زمانی و تحلیل بهبود خطا استفاده شد. نتایج نشان داد که علی رغم دقت و کارایی نسبی مدل درخت تصمیم در شبیه سازی نیاز آبی زعفران، امکان بهبود نتایج همچنان وجود دارد. همچنین، نتایج اثبات کرد که مدل سازی گروهی ظرفیت بالقوه ی خوبی در زمینه ارتقای نتایج دارد. به طوری که یادگیری گروهی بانظارت (Boosting) دقت مدل درخت تصمیم را بیش از ۳۰ درصد بهبود بخشید (کاهش قدر مطلق خطا از ۳۶ میلی متر به ۶۵/۲۳ میلی متر) و این موضوع عامل کاهش RMSE را از ۴۴/۰ میلی متر به ۰۷/۰ میلی متر شد. علاوه بر این، نتایج آزمون های مقایسه ای تایید کرد که خروجی تولید شده توسط روش Boosting از کیفیت بسیار بهتری نسبت به خروجی مدل درخت تصمیم و روش Bagging برخوردار است.

کلیدواژه ها:

بهبود خطا ، تحلیل وایولین ، لایسی‎متر ، یادگیری گروهی نظارتی ، هوش مصنوعی