ارزیابی مدل هیبریدی شبکه عصبی کواتی ann-coa برای پیش بینی نیاز آبی زعفران با استفاده از پارامترهای اقلیمی محدود

تخمین دقیق نیاز آبی زعفران برای مدیریت پایدار منابع آب در مناطق کاشت این محصول ضروری است. در این پژوهش، بهینه‌سازی مدل شبکه عصبی مصنوعی (ann) برای تخمین نیاز آبی زعفران با استفاده از الگوریتم بهینه‌ساز هیبریدی کواتی (coa) بررسی شد. عملکرد مدل ann-coa با مدل‌های ann، ann-ga، ann-pso، ann-mfo، رگرسیون مرتبه دوم (qr)، رگرسیون درختی (tr) و رگرسیون الگویی (pattern) مقایسه شد. داده‌های ورودی شامل دما (حداقل، حداکثر، متوسط)، سرعت باد، رطوبت نسبی، تابش خالص و روز از سال بود. نتایج نشان داد که در شرایط استفاده از کلیه پارامترهای اقلیمی، مدل ann-coa با ضریب تعیین 0.995=r2 و خطای میانگین مربعات 0.0001=mse برای ایستگاه مشهد و 0.973=r2 و 0.0005=mse برای ایستگاه بیرجند، دقت قابل قبولی در تخمین نیاز آبی زعفران دارد. همچنین در شرایط استفاده از پارامترهای اقلیمی محدود، مدل ann-coa با ترکیب دمای حداکثر و سرعت باد به همراه روز از سال، بهترین عملکرد را در تخمین نیاز آبی زعفران داشت. بر اساس یافته‌های این پژوهش، مدل‌های شبکه عصبی هیبریدی برای تخمین نیاز آبی زعفران در شرایط استفاده از حداقل پارامترهای اقلیمی، در مقایسه با سایر مدل‌های داده‌کاوی، از دقت بالاتری برخوردار می‌باشند.

evaluation of the hybrid artificial neural network-coati optimization algorithm (ann-coa) model for predicting saffron water demand using limited climatic parameters

accurate estimation of saffron water demand is essential for sustainable water resource management in saffron-growing regions. this study examines the optimization of the artificial neural network (ann) model for predicting saffron water demand using the hybrid coati optimization algorithm (coa). the performance of the ann-coa model was compared with ann, ann-ga, ann-pso, ann-mfo, quadratic regression (qr), tree regression (tr), and pattern regression models. input data included temperature (minimum, maximum, average), wind speed, relative humidity, net radiation, and day of the year. the results showed that under conditions using all climatic parameters, the ann-coa model achieved an r² of 0.995 and a mean squared error (mse) of 0.0001 for the mashhad station, and an r² of 0.973 and mse of 0.0005 for the birjand station, indicating acceptable accuracy in predicting saffron water demand. additionally, under conditions with limited climatic parameters, the ann-coa model, using maximum temperature, wind speed, and day of the year, exhibited the best performance in predicting saffron water demand. based on the findings of this research, hybrid neural network models show superior accuracy in estimating saffron water demand with minimal climatic parameters compared to other data mining models.