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.

Studies on predicting water requirements, as a key tool in water resource management, help farmers and planners optimize water consumption, increase crop production, and prevent the negative effects of water stress. Given the arid and semi-arid climate of South Khorasan province and the specific needs of saffron, the use of artificial intelligence models as an effective tool in water resource management and irrigation optimization seems essential.

In this regard, climatic data including temperature, humidity, precipitation, and evaporation were collected from weather stations between 2000 and 2023 and used for modeling saffron water requirements. This study evaluated the performance of the hybrid Artificial Neural Network and Starling Optimization Algorithm (ANN-SMO) model and compared it with the neural network method and other data mining approaches.

The results show that this model, with a Mean Square Error (MSE) of 0.0006 and a correlation coefficient (R²) of 0.97, performs well in estimating saffron water requirements in this region. Furthermore, this research examined the advantages of using artificial intelligence models in water resource management and improving irrigation planning, and its results can contribute to optimizing water consumption and increasing saffron production in arid and semi-arid areas such as Birjand county.