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

تخمین دقیق نیاز آبی زعفران برای مدیریت پایدار منابع آب در مناطق کاشت این محصول ضروری است. در این پژوهش، بهینه سازی مدل شبکه عصبی مصنوعی (ANN) برای تخمین نیاز آبی زعفران با استفاده از الگوریتم بهینه ساز هیبریدی کواتی (COA) بررسی شد. عملکرد مدل ANN-COA با مدل های ANN، ANN-GA، ANN-PSO، ANN-MFO، رگرسیون مرتبه دوم (QR)، رگرسیون درختی (TR) و رگرسیون الگویی (Pattern) مقایسه شد. داده های 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 ۰.۹۹۵=R۲ و خطای میانگین مربعات ۰.۰۰۰۱=MSE برای ایستگاه مشهد و ۰.۹۷۳=R۲ و ۰.۰۰۰۵=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 یافته های این پژوهش، مدل های شبکه عصبی هیبریدی برای تخمین نیاز آبی زعفران در شرایط استفاده از حداقل پارامترهای اقلیمی، در مقایسه با سایر مدل های داده کاوی، از دقت بالاتری برخوردار می باشند.

کلیدواژه ها:

زعفران ، نیاز آبی ، شبکه عصبی مصنوعی ، الگوریتم کواتی ، بهینه سازی