کشاورزی و علوم پایه
احمد جعفرزاده؛ عباس خاشعی سیوکی؛ علی شهیدی
چکیده
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 ...
بیشتر
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.
سید احسان یثربی؛ ایمان ذباح؛ بهناز بهزادیان؛ علی ماروسی؛ رویا رضایی
چکیده
زعفران به‌عنوان یک کالای تجاری مهم در کشور بهشمار می‌آید و توجه به مکانیزه کردن آن از مرحله تولید تا بسته‌بندی اهمیت زیادی دارد. در بدو ورود زعفران به فرایند کیفی سنجی در آزمایشگاه ، ارزیابی اولیه بر اساس مشخصات ظاهری زعفران توسط شخص خبره انجام می‌شود. لیکن بروز خطای انسانی در تشخیص کیفیت زعفران بر مبنای ویژگی‌های ظاهری آن امری ...
بیشتر
زعفران به‌عنوان یک کالای تجاری مهم در کشور بهشمار می‌آید و توجه به مکانیزه کردن آن از مرحله تولید تا بسته‌بندی اهمیت زیادی دارد. در بدو ورود زعفران به فرایند کیفی سنجی در آزمایشگاه ، ارزیابی اولیه بر اساس مشخصات ظاهری زعفران توسط شخص خبره انجام می‌شود. لیکن بروز خطای انسانی در تشخیص کیفیت زعفران بر مبنای ویژگی‌های ظاهری آن امری اجتناب‌‌ناپذیر است؛ استفاده از تکنیک‌های مبتنی بر هوش مصنوعی می‌تواند ضمن مکانیزه کردن سیستم، در کاهش خطاهای انسانی نیز تأثیرگذار باشد. این مطالعه از نوع تشخیصی بوده و پایگاه داده آن مشتمل بر 113 نمونه زعفران با 7 ویژگی می‌باشد که توسط محققین این پژوهش، در مهر‌ماه 1396 از آزمایشگاه معتبر زعفران و تحت نظارت شخص خبره جمع‌آوری شده است. کیفی سنجی نمونه‌ها به کمک ویژگی‌ها در 4 کلاس مختلف زعفران پوشال درجه‌یک (نگین)، پوشال درجه دو (خوب)، پوشال درجه سه (معمولی) و پوشال درجه چهار (معمولی درجه‌دو) انجام شده است. به‌منظور درجهبندی زعفران، از روش‌های مبتنی بر شبکه‌های عصبی مصنوعی استفاده‌شده است. پس از تحلیل و مقایسه مدلهای تولیدشده با استفاده از دو نوع شبکه عصبی پرسپترون چندلایه و شبکه عصبی بردار یادگیر، بالاترین دقت کلاس‌بندی روی نمونه‌های آموزش و آزمون به ترتیب با 75/93 و 75/75 درصد حاصل شد. دقت به‌دست‌آمده نشان‌دهنده آن است که مدل شبکه عصبی پرسپترون چندلایه می‌تواند به‌عنوان یک تصمیم گیر در کنار شخص خبره و یا به‌صورت مستقل در مراکز آزمایشگاهی زعفران مورد استفاده قرار گیرد.
