بررسی کارایی الگوریتم هیبریدی شبکه عصبی و بهینه ساز الگوی استارلینگ (ANN-SMO) در تخمین نیاز آبی زعفران

مطالعات پیش بینی نیاز آبی به عنوان ابزاری کلیدی در مدیریت منابع آب، به کشاورزان و برنامه ریزان کمک می کند تا با بهینه سازی مصرف آب، تولید محصولات زراعی را افزایش دهند و از اثرات منفی تنش های آبی جلوگیری کنند. با توجه به اقلیم خشک و نیمه خشک استان خراسان جنوبی و نیازهای خاص زعفران، استفاده از مدل های هوش مصنوعی به عنوان ابزاری موثر در مدیریت منابع آب و بهینه سازی آبیاری، ضروری به نظر می رسد. در این راستا، داده های اقلیمی شامل دما، رطوبت، بارش و تبخیر از ایستگاه های هواشناسی بین سال های ۲۰۰۰ تا ۲۰۲۳ جمع آوری و برای مدل سازی نیاز آبی زعفران مورد استفاده قرار گرفت. در این پژوهش به ارزیابی عملکرد مدل هیبریدی شبکه عصبی مصنوعی و الگوریتم بهینه سازی استارلینگ ANN-SMO و مقایسه آن با روش شبکه عصبی و سایر روش های داده کاوی پرداخته شد. نتایج نشان می دهد که این مدل با میانگین مربع خطا (MSE) برابر با ۰.۰۰۰۶ و ضریب همبستگی (R²) برابر با ۰.۹۷، عملکرد مناسبی در تخمین نیاز آبی زعفران در این منطقه دارد. علاوه بر این، این تحقیق به بررسی مزایای استفاده از مدل های هوش مصنوعی در مدیریت منابع آب و بهبود برنامه ریزی آبیاری پرداخته و نتایج آن می تواند به بهینه سازی مصرف آب و افزایش تولید زعفران در نواحی خشک و نیمه خشک مانند شهرستان بیرجند کمک کند.

کلیدواژه ها:

بهره وری آب ، تنش آبی ، تغییرات اقلیمی ، کشاورزی پایدار ، منابع آب