مقایسه مدل های یادگیری ماشین در پیش بینی میزان عملکرد محصولات گلخانه ای ایران

با افزایش روزافزون جمعیت، نیاز به تامین پایدار مواد غذایی اهمیت بیش تری یافته است. یکی از راهکارهای افزایش بهره وری در تولیدات گلخانه ای، بهره گیری از روش های پیشرفته یادگیری ماشین در تحلیل داده های گلخانه ها است. در این پژوهش، به منظور پیش بینی عملکرد محصولات گلخانه ای در سطح کشور ایران، از داده های آماری وزارت جهاد کشاورزی شامل اطلاعات استان ها، شهرستان ها، نوع محصولات و سطح زیر کشت و میزان تولیدات آن ها استفاده شد. پس از پیش پردازش داد ها، چهار مدل یادگیری ماشین شامل شبکه عصبی پرسپترون چندلایه (MLP)، رگرسیون بردار پشتیبان (SVR)، درخت تصمیم (DT) و جنگل تصادفی (RF) به کار گرفته شدند. مدل ها با استفاده از نسبت %۹۰ داده آموزشی و %۱۰ داده آزمایشی ارزیابی شدند. دقت عملکرد مدل ها با استفاده از معیارهای آماری مختلف و آزمون آنالیزتحلیل واریانس یک طرفه بررسی شد. نتایج نشان داد مدل RF با R² معادل ۹۵۹۸/۰ و MSE برابر با ‎۱۰۶ × ۶/۱۵دقیق ترین پیش بینی را ارائه کرده و قادر به مدل سازی الگوهای پیچیده بین داده ها بوده است، اما این مدل دارای حجم زیادی بود. مدل DT با وجود برخی خطاها در نقاط خاص، با R² معادل ۸۸۶۴/۰ و MSE برابر با ۱۰۶ × ۳/۴۴، طبق آزمون آماری نتایج معناداری نداشت و نتایج پیش بینی نزدیک به مقادیر واقعی داشت. در مقابل، مدل های SVR و MLP با R²های به ترتیب ۸۵۴۶/۰ و ۸۸۷۸/۰، اختلاف معناداری بین نتایج پیش بینی و واقعی داشتند. نتایج تاکید می کند انتخاب درست الگوریتم متناسب با ویژگی های داده، نقش مهمی در تصمیم گیری های کشاورزی دارد. مدل RF معرفی شده در این پژوهش، الگویی مناسب برای پیش بینی عملکرد گلخانه ها در سطح ملی است.

کلیدواژه ها:

یادگیری ماشین ، عملکرد محصولات گلخانه ای ، جنگل تصادفی ، درخت تصمیم گیری ، ماشین بردار پشتیبانی ، پرسپتون چندلایه