| ارزیابی و مقایسه دو مدل GLM و SVM در پیش‌بینی یخبندان دیررس برای تقویت تاب‌آوری سامانه‌های هشدار کشاورزی |
| کد مقاله : 1114-ECOHYDROLOGY1404 |
| نویسندگان |
|
محدثه محمدی *، رضا نوروز ولاشدی، محمد علی غلامی سفید کوهی دانشگاه علوم کشاورزی و منابع طبیعی ساری |
| چکیده مقاله |
| یخبندان دیررس بهاره از مهم‌ترین پدیده‌های مخاطره‌آمیز اقلیمی در نواحی مرتفع استان مازندران است که می‌تواند خسارات چشمگیری به باغات و محصولات کشاورزی وارد کند. این پژوهش با هدف ارزیابی عملکرد دو مدل یادگیری ماشین، شامل مدل خطی تعمیم‌یافته (GLM) و ماشین بردار پشتیبان (SVM) با هسته شعاعی (RBF)، در پیش‌بینی وقوع یخبندان دیررس در ایستگاه منتخب کیاسر انجام شد. متغیرهای مورد استفاده شامل حداقل دمای خاک سطحی، ساعات آفتابی و میانگین رطوبت نسبی بود. داده‌ها پس از نرمال‌سازی (Z-score) و تعادل کلاس‌ها با روش SMOTE وارد مدل شدند. پارامترهای SVM با استفاده از جستجوی شبکه‌ای و اعتبارسنجی متقاطع 10-تایی بهینه‌سازی (C=1, γ=0.06) شدند. نتایج نشان داد مدل GLM با مساحت زیر منحنی ROC برابر 0.951 عملکرد تفکیکی بسیار عالی داشته و مدل SVM نیز با مقدار 0.876 عملکردی خوب از خود نشان داده است. هرچند حساسیت SVM (52٪) نسبت به GLM (37٪) بالاتر بود، اما این موضوع با افزایش نرخ هشدار کاذب همراه بود. تحلیل اهمیت متغیرها نشان داد که حداقل دمای خاک نقش تعیین‌کننده‌ای در پیش‌بینی یخبندان دارد. منحنی پاسخ مدل لجستیک نیز نشان‌دهنده افزایش شدید احتمال وقوع یخبندان در بازه دمایی 0 تا 2- درجه سانتی‌گراد است. این پژوهش استفاده ترکیبی از GLM برای برآورد اولیه و SVM برای تعیین آستانه هشدار را پیشنهاد می‌کند. توسعه سامانه‌های اخطار سریع و به‌کارگیری راهکارهای مقابله‌ای می‌تواند تاب‌آوری سامانه‌های کشاورزی را در برابر این مخاطره افزایش دهد. |
| کلیدواژه ها |
| اعتبارسنجی متقاطع، سازگاری، داده‌های هواشناسی، حساسیت مدل، شبکه عصبی مصنوعی. |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
