ارزیابی عملکرد روش‌های مدل‌سازی گروهی در شبیه‌سازی نیاز آبی زعفران

مدل‌سازی گروهی به‌عنوان یک مقوله نوظهور در بسیاری از رشته‌های مهندسی به‌خصوص زمینه‌های مختلف مهندسی آب در حال گسترش است. تخمین دقیق نیاز آبی زعفران به عنوان محصول راهبردی شرق کشور یکی از مهم‌ترین اقدامات تأثیرگذار در برنامه‌ریزی منابع آب منطقه خواهد بود. از این‌رو، این پژوهش اقدام به بررسی عملکرد مدل‌سازی گروهی در بهبود مدل‌سازی نیاز آبی زعفران در منطقه بیرجندِ استان خراسان جنوبی کرد. داده‌های واقعی نیاز آبی زعفران در سال دوم کشت در گام نخست در محل آزمایشگاه لایسی‌متری دانشگاه بیرجند جمع‌آوری شد. مدل‌سازی نیاز آبی زعفران با استفاده از داده‌های اقلیمی و نیاز آبی زعفران در بستر ماشین یادگیری درخت تصمیم انجام شد.

همچنین، از دو روش Boosting و Bagging جهت ارتقای نتایج مدل درخت تصمیم استفاده شد. به‌منظور کمی کردن اثر مدل‌سازی گروهی آزمون‌های مقایسه‌ای متعددی نظیر شاخص‌های ارزیابی (RMSE و MAE)، مقایسه توزیع پراکنش داده‌ها (تحلیل وایولین Violin assessment)، ارزیابی کم/بیش تخمینی، مقایسه سری زمانی و تحلیل بهبود خطا استفاده شد. نتایج نشان داد که علی‌رغم دقت و کارایی نسبی مدل درخت تصمیم در شبیه‌سازی نیاز آبی زعفران، امکان بهبود نتایج همچنان وجود دارد. همچنین، نتایج اثبات کرد که مدل‌سازی گروهی ظرفیت بالقوه‌ی خوبی در زمینه ارتقای نتایج دارد. به‌طوری‌که یادگیری گروهی بانظارت (Boosting) دقت مدل درخت تصمیم را بیش از 30 درصد بهبود بخشید (کاهش قدر مطلق خطا از 36 میلی‌متر به 65/23 میلی‌متر) و این موضوع عامل کاهش RMSE را از 44/0 میلی‌متر به 07/0 میلی‌متر شد.

علاوه‌بر این، نتایج آزمون‌های مقایسه‌ای تأیید کرد که خروجی تولید شده توسط روش Boosting از کیفیت بسیار بهتری نسبت به خروجی مدل درخت تصمیم و روش Bagging برخوردار است.

Ensemble modelling is expanding in several areas of engineering, especially different aspects of water engineering. Accurate estimation of saffron water requirement (SWR), an essential strategic production of the agriculture sector, is a crucial and influencing act in local water planning of this region. Hence, this study aimed to check the applicability of ensemble modelling in enhancing SWR at Birjand, Southern Khorasan, Iran. The actual water requirement of saffron was recorded in the field lysimetric laboratory at the University of Birjand.

The simulation of water requirement was conducted utilizing Decision Tree Regression (DTR) with input climate features. Additionally, Boosting and Bagging methods were employed to establish and enhance the ensemble process of soil water requirement (SWR) simulations. To track the effectiveness of any method, some comparative tests were designed, such as statistical criteria (RMSE and MAE) detection, Violin plot analysis, over/underestimation, times series comparison, and error improvement test. Results indicated that although the acceptable performance of DTR in simulating SWR, the probable improvement was potentially felt.

Derived results confirmed that supervised ensemble modelling (Boosting) could enhance the accuracy of DTR by more than 30 percent (reducing absolute error from 36 mm to 23.65 mm), resulting in declining RMSE from 0.44 mm to 0.07 mm. Further, different experiment outcomes revealed that the Boosting algorithm quality is more appealing than DTR and Bagging outputs.