مدلسازی دمای بیشینه و کمینه استخر پرورش ماهیان گرمابی با استفاده از روش‌های یادگیری ماشین

ماهی‌ها حیواناتی خونسرد هستند و متابولیسم، رشد و تغذیه آنها با دمای آب ارتباط تنگاتنگی دارد. تغییرات دمایی باعث بروز تنش در ماهی‌ها و بعضاً شیوع بیماری‌ها به هنگام گذر از آستانه‌های تحمل آنها می‌شود. با توجه به اهمیت موضوع، در این پژوهش به کمک داده‌های مشاهداتی روزانه ایستگاه هواشناسی کشاورزی رشت در استان گیلان، مربوط به بازه زمانی خرداد 1396 تا آبان ماه سال 1398، متغیرهای دمای بیشینه و کمینه استخر پرورش ماهیان گرمابی با استفاده از چند روش یادگیری ماشین مدلسازی شد. برای این منظور، روش‌های شبکه عصبی مصنوعی، تقویت گرادیان و جنگل تصادفی، برای مدلسازی دمای بیشینه و کمینه استخرهای یک مجموعه پرورش ماهی مورد استفاده قرار گرفتند. نتایج به دست آمده از ارزیابی عملکرد این رهیافت‌ها با داده‌های اندازه‌گیری شده، نشان داد برای مدلسازی دمای کمینه، شبکه عصبی (با ریشه میانگین مربعات 1.93 و همبستگی 0.92) و برای مدلسازی دمای بیشینه، مدل جنگل تصادفی (با ریشه میانگین مربعات 1.61 و همبستگی 0.95) دارای دقت بیشتری هستند. در صورت تدقیق بیشتر، با کاربست مدل‌های پیشنهادی می‌توان با استفاده از داده‌های روزانه پیش‌بینی هواشناسی، به عنوان ورودی، دمای بیشینه و کمینه را برای استخر پرورش ماهیان پیش‌بینی نمود و در صورت لزوم اقدامات مدیریتی مقتضی را با توجه به شرایط دمایی پیش‌بینی شده انجام داد.

prediction of maximum and minimum temperature of warm-water fish breeding pool using machine learning methods

fish are cold blooded animals and their metabolism, growth and feeding are strongly dependent on water temperature. temperature changes in fish breeding pools cause stress and disease outbreaks occur especially above the tolerance thresholds. the aim of this study is predicting pool water temperature from observed air temperate using several machine learning approaches, namely artificial neural network, gradient boosting and random forest in gilan province.maximum and minimum air temperature data of rasht agrometorological station for the period of june 2016 to november 2018 were collected and used for prediction of corresponding data of fish breeding pond .the obtained results showed that for prediction of the minimum temperature, the neural network model (with a root mean square of 1.93 and a correlation of 0.92) and for the pool water maximum temperature, the random forest model (with a root mean square of 1.61 and a correlation of 0.95) did a better job comparing to other two approaches. these selected models can be applied for prediction of water temperature using air tmax and tmin for improved management options under changing conditions.