مکانیسم توجه به خود در مدل های شبکه عصبی حافظه طولانی کوتاه مدت، برای پیش بینی تقاضای آبیاری: ارزیابی و تحلیل عملکرد

پیش بینی تقاضای آبیاری، اطلاعات ارزشمندی را برای برنامه ریزی و تصمیم گیری کشاورزی فراهم می کند. کشاورزان با پیش بینی دقیق نیازهای آبیاری می توانند توزیع آب را بهینه کرده و از هدر رفتن آب جلوگیری کنند. این مطالعه یک مدل جدید برای پیش بینی تقاضای آبیاری معرفی می کند. مکانیزم خودتوجهی (Self-Attention mechanism : SA)، با شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) برای پیش بینی تقاضای آبیاری همراه است. SALSTM مکانیزم های خودتوجهی را در بر می گیرد، که مدل را قادر می سازد در حین انجام پیش بینی ها، بر مرتبط ترین بخش های دنباله ورودی تمرکز کند. مکانیسم SALSTM، اجازه می دهد تا وزن های مختلف را به مراحل یا ویژگی های زمانی مختلف اختصاص دهد و بر آموزنده ترین آنها، برای پیش بینی نیاز آبیاری، تاکید دارد. SALSTM می تواند روابط غیرخطی پیچیده ای را بین ویژگی های ورودی مختلف، مانند داده های هواشناسی، شرایط خاک، و ویژگی های محصول ثبت کند. با ترکیب قدرت LSTM و مکانیسم های توجه به خود، SALSTM می تواند الگوهای پیچیده و تعاملات بین این عوامل را بیاموزد و آن را قادر می سازد تا پیش بینی دقیق تری از نیازهای آبیاری انجام دهد. این توانایی به ویژه در گرفتن روابط ظریفی که در سیستم های کشاورزی وجود دارد مفید است. در این بررسی رطوبت نسبی، دما، سرعت باد، بارندگی و تبخیر و تعرق پتانسیل محصول، به عنوان ورودی مدل ها استفاده شد. مدل SALSTM با مدل های LSTM، شبکه عصبی بازگشتی (RNN)، شبکه عصبی تابع پایه شعاعی (RBFN) و رگرسیون خطی چندگانه (MLR) محک گذاری شد. در این مطالعه همچنین عملکرد مدل های SALSTM را در پیش بینی دقیق میزان تقاضای آبیاری با کمک چندین زبان برنامه نویسی از جمله Python، MATLAB و R ارزیابی و مقایسه گردید. نتایج نشان داد که مدل SALSTM، بهتر از سایر مدل ها عمل می کند. مدل SALSTM دارای کمترین میانگین خطای مطلق (MAE) با مقدار ۱.۲۱۲ بود، به دنبال آن ۳۴۵/۱ برای مدل LSTM، مقدار ۵۵۵/۱ برای مدل RNN مقدار ۶۷۸/۱ برای مدل RBFN و مقدار ۸۷۹/۱ برای مدل MLR بدست آمد.

کلیدواژه ها:

مدیریت آبیاری ، مدل های ترکیبی ، کشاورزی هوشمند ، پیش بینی تقاضا