کارایی مدل های ماشین بردار پشتیبان و برنامه ریزی بیان ژن در پیش بینی عملکرد محصول زعفران

با توجه به حساسیت عملکرد زعفران و تأثیرپذیری آن از پارامترهای اقلیمی و خاصیت غیرخطی توابع عملکرد، در این تحقیق به پیش بینی عملکرد این گیاه پرداخته شد. هدف این مطالعه، توانایی مدل شبیه سازی ماشین بردار پشتیبان )LSSVM )و مدل برنامه ریزی بیان ژن (0,GenXproTools 5 )در پیش بینی عملکرد زعفران بر اساس داده های هواشناسی )حداقل دما، حداکثر دما، بارش، تبخیر و رطوبت نسبی، عملکرد یکسال قبل در مقیاس فصلی در بازه زمانی 2006-1992 بود. بهترین مدل بر اساس R2 معیارهای ارزیابی RMSE ، وMAE انتخاب شد. بررسی ها نشان داد که در هر دو مدل، در سناریوی H میانگین حداقل دما در فصل زمستان، میانگین بارش در فصل پاییز، میانگین بارش در فصل زمستان، میانگین تبخیر در فصل زمستان، عملکرد یکسال قبل برآورد مطلوب تری از عملکرد زعفران حاصل شد. در مدل LSSVM ترکیب های با تابع کرنل Linear نتایج دقیقتری ، RMSE R2 باالتر و RMSE و MAE پایینتری بود. میزان R2 داشت، اما بین مدل LSSVM و مدل GEP ،مدل GEP دارای و MAE در این مدل تحت سناریوی H در بخش آموزش به ترتیب 60688/0 ،43265/0 و 46432/0 به دست آمد. در مجموع، مدل GEP نتایج دقیق تری را در تخمین عملکرد زعفران نسبت به مدل LSSVM دارا بود.

Due to the sensitivity of saffron yield and its effect on climatic parameters and nonlinear properties of plant functions, in this research, saffron yield prediction was considered. The purpose of this study was to evaluate the ability of the support vector machine simulation model (lssvm) and genome genotype programming model (GenXproTools5.0) to predict saffron yield based on meteorological data (minimum temperature, maximum temperature, precipitation, evaporation and relative humidity, Performance one year ago) on a seasonal scale between 1992 and 2006. The best model was selected based on R2, RMSE and MAE assessment criteria. The results showed that in both scenarios, in the H scenario (average winter temperature, mean precipitation in autumn, winter rainfall average, winter evaporation average, yield one year ago), better results were obtained from saffron yield. In the LSSVM model, combinations with the Liner kernel function had more accurate results. But between lssvm model and GEP model, GEP model had higher R2 and lower RMSE and MAE. The R2, RMSE and MAE ratios in this model under the H-scenario in education section were 0.60688, 0.43265 and 0.46432 respectively. In general, the GEP model had more accurate results in saffron yield estimates than the LSSVM model.