ارزیابی عملکرد مدل رگرسیون درخت تصمیم در تخمین نیاز آبی زعفران

مطالعات نیاز آبی زعفران برای بهینه‌سازی استفاده از آب و افزایش پایداری این محصول با اهمیت اقتصادی، به ویژه در مناطق خشک که کمبود آب یک مشکل اساسی است، ضروری است. درک نیازهای آبی زعفران نه تنها از تولید کشاورزی حمایت می‌کند بلکه به بهبود شیوه‌های مدیریت آب در بستر تغییرات اقلیمی جهانی کمک می‌کند. پیشرفت‌های اخیر در هوش مصنوعی و یادگیری ماشین، راه‌های جدیدی برای شبیه‌سازی نیازهای آبی ارائه داده‌اند و دقت و قابلیت‌های پیش‌بینی بهتری را برای روش‌های کشاورزی پایدار فراهم کرده‌اند.

هدف این مطالعه ارزیابی عملکرد رگرسیون درخت تصمیم در تخمین نیازهای آبی زعفران است. در این مطالعه، از داده‌های اقلیمی شامل بارش، دماهای حداقل و حداکثر، و رطوبت نسبی حداقل و حداکثر به عنوان ورودی و مقادیر نیاز آبی اندازه‌گیری‌شده زعفران، (ETc)، به عنوان متغیر هدف در نظر گرفته شد. دوره شبیه‌سازی شامل سال دوم کشت بود و داده‌ها به نسبت ۸۰% برای آموزش و ۲۰% برای آزمایش تقسیم شد تا اعتبار مدل به خوبی ارزیابی شود.

به منظور بررسی عملکرد و دقت رگرسیون درخت تصمیم، آزمون‌های فنی مختلفی از جمله تحلیل violin و Scatter استفاده شد. نتایج به دست آمده، اثرگذاری قابل قبول درخت تصمیم را نشان داد به طوری که مقادیر RMSE در دوره آموزش و آزمایش به ترتیب ۱۴.۲ و ۳۶.۴ میلیمتر بدست آمد که نشان‌دهنده ظرفیت مدل در تخمین دقیق نیاز آبی زعفران است.

Studies on saffron water requirements are essential for optimizing water use and enhancing the sustainability of this economically important crop, especially in arid regions where water scarcity is a major challenge. Understanding saffron’s water needs not only supports agricultural production but also aids in improving water management practices amid global climate change. Recent advancements in artificial intelligence and machine learning have opened new avenues for simulating water needs, offering improved accuracy and predictive capabilities for sustainable farming methods.

The aim of this study is to evaluate the performance of the decision tree regression model in estimating saffron water requirements. In this study, climatic data including precipitation, minimum and maximum temperatures, and minimum and maximum relative humidity were used as inputs, with measured saffron water requirements (ETc) as the target variable. The simulation period covered the second year of cultivation, and the data were split into 80% for training and 20% for testing to thoroughly assess the model’s validity.

To evaluate the performance and accuracy of the decision tree regression, various technical tests, including violin and scatter analyses, were employed. The results demonstrated an acceptable performance of the decision tree, with RMSE values of 14.2 and 36.4 millimeters for the training and testing phases, respectively, indicating the model’s capacity for accurately estimating saffron water needs. |