پیش بینی میوه دهی گیاهان تحت طول موج های مختلف LED با استفاده از الگوریتم های یادگیری ماشین با استفاده از تکنیک Grid Search

امروزه بیشتر گیاهان در گلخانه ها پرورش می یابند و برای رشد نیاز به نور مصنوعی دارند. یک نور معمولی توانایی لازم برای ایجاد فتوسنتز در گیاهرا ندارد. لذا طراحی ماژولی برای ایجاد طیف نور مورد نیاز فتوسنتز گیاه از اهمیت بالایی برخوردار است. میوه دهی از مهم ترین مراحل رشد گیاهان است.پیش بینی اینکه با چه طول موج هایی، گیاهان به میوه دهی می رسند باعث می شود تا LED با طول موج های بهینه تری طراحی و تولید کنیم که اینامر باعث صرفه جویی قابل توجهی در هزینه و زمان می شود. در این مقاله سعی شده است با استفاده از الگوریتم های مختلف یادگیری ماشین و تنظیمبهترین هایپرپارامترها با استفاده از تکنیک Grid Search میوه دهی گیاهان تحت طول موج های مختلف LED را با دقت عالی پیش بینی کنیم. بدینمنظور در این مقاله از الگوریتم های درخت تصمیم، الگوریتم جنگل تصادفی، الگوریتم رگرسیون لجستیک، الگوریتم ماشین بردار پشتیبان و الگوریتمXGBoost به منظور پیش بینی میوه دهی گیاهان تحت طول موج های مختلف LED استفاده شده است. نتایج پژوهش نشان می دهد که دقت پیش بینیمیوه دهی مبتنی بر الگوریتم XGBoost ۹ درصد است که روشی عملی و موثر برای پیش بینی میوه دهی گیاهان تحت طول موج های مختلف LED است.

کلیدواژه ها:

طول موج ، LED ، یادگیری ماشین ، تکنیک Grid Search