مدل سازی متغیرهای موثر بر عملکرد مزارع نیشکر با استفاده از شبکه عصبی بازگشتی عمیق

در این پژوهش، یکی از اهداف اصلی شرکت های کشت و صنعت نیشکر خوزستان، یعنی افزایش عملکرد مزارع نیشکر با بهره گیری از روش های داده کاوی، مورد بررسی قرار گرفت. این پژوهش از نوع تحلیلی بوده و شامل داده های آبیاری، زهکشی، خاک و گیاه ۱۲۰۱ مزرعه است که در سال های زراعی ۱۳۹۳ تا ۱۳۹۶ از شرکت کشت و صنعت امیرکبیر گردآوری شده اند. تحلیل ها با استفاده از نرم افزار پایتون انجام شد. در این پژوهش، چهار الگوریتم شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM)، شبکه عصبی چندلایه پرسپترون (MLP)، درخت تصمیم و ماشین بردار پشتیبان(SVM) مورد استفاده قرار گرفت و دو روش کاهش بعد تحلیل مولفه های اصلی (PCA) و الگوریتم تحلیل مولفه های مستقل (ICA) اعمال شد. در روش PCA، متغیرهای نهایی شامل واریته محصول، بافت خاک، نسبت سطح سمپاشی، هدایت الکتریکی خاک، زهکشی و کود شیمیایی نیتروژن شناسایی شدند. با وجود این، در روشICA، متغیرهای نهایی شامل واریته محصول، هدایت الکتریکی خاک، هدایت الکتریکی آب، سن گیاه، تعداد دفعات آبیاری و بافت خاک بودند. نتایج نشان داد که الگوریتم شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM) در روش کاهش بعد تحلیل مولفه های اصلی (PCA) عملکرد بهتری داشت. مقادیر R² برابر با ۹۷%، RMSE برابر با ۷۹/۵۱، و RRMSE برابر با ۸۹/۰ برای این الگوریتم در روش PCA به دست آمد که نسبت به روش ICA که مقادیر R² برابر با ۹۱%، RMSE برابر با ۷۵/۶۲ و RRMSE برابر با ۷۹۸/۰ بود، نتایج بهتری ارائه داد. این نشان می دهد که روش PCA توانایی بهتری در کاهش ابعاد برای این مدل داشته است.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی بازگشتی با حافظه ی طولانی کوتاه مدت ، پیش بینی عملکرد ، نیشکر