طراحی شبکه عصبی بهینه در پیش بینی رخداد مه

رویدادهای مه که با رطوبت بالا و دمای پایین مشخص می شوند با افزایش پوشش، کاهش رانش و افزایش بالقوه اثر بخشی علف کش ها شرایط بهینه ای را برای سمپاشی کشاورزی ایجاد می کنند. برای پیش بینی چنین رویدادهایی، در یک مطالعه موردی بر داده های رخداد مه در منطقه فرودگاه اردبیل در دوره آماری ۲۰۰۴ تا ۲۰۲۲، چندین مدل شبکه عصبی از جمله شبکه های پرسپترون چندلایه (MLP)، پیشخور تعمیم یافته (GFF)، تحلیل مولفه های اصلی (PCA) و نگاشت های ویژگی خودسازمانده (SOFM) ارزیابی شدند. در میان این مدل ها، مدل تابع پایه شعاعی (RBF) کمترین خطای پیش بینی را نشان داد. عملکرد آن با استفاده از تابع انتقال خطی - TanhAxon در لایه پنهان بهبود بیشتری یافت و از سایر پیکربندی های مدل پیشی گرفت. این یافته ها نشان می دهد که شبکه های RBF رویکردی قوی برای پیش بینی رویدادهای مه با کاربردهای بالقوه در کشاورزی دقیق ارائه می دهند.

کلیدواژه ها:

شبکه های عصبی مصنوعی ، پیش بینی ، پیش پردازش ، تحلیل حساسیت