پیش بینی میوه دهی گیاهان تحت طول موج های مختلف led با استفاده از الگوریتم های یادگیری ماشین با استفاده از تکنیک grid search

امروزه بیشتر گیاهان در گلخانه ها پرورش می یابند و برای رشد نیاز به نور مصنوعی دارند. یک نور معمولی توانایی لازم برای ایجاد فتوسنتز در گیاه را ندارد. لذا طراحی ماژولی برای ایجاد طیف نور مورد نیاز فتوسنتز گیاه از اهمیت بالایی برخوردار است. میوه دهی از مهم ترین مراحل رشد گیاهان است. پیش بینی اینکه با چه طول موج هایی، گیاهان به میوه دهی می رسند باعث می شود تا led با طول موج های بهینه تری طراحی و تولید کنیم که این امر باعث صرفه جویی قابل توجهی در هزینه و زمان می شود. در این مقاله سعی شده است با استفاده از الگوریتم های مختلف یادگیری ماشین و تنظیم بهترین هایپرپارامترها با استفاده از تکنیک grid search میوه دهی گیاهان تحت طول موج های مختلفled را با دقت عالی پیش بینی کنیم. بدین منظور در این مقاله از الگوریتم های درخت تصمیم ، الگوریتم جنگل تصادفی ، الگوریتم رگرسیون لجستیک ، الگوریتم ماشین بردار پشتیبان و الگوریتم xgboost به منظور پیش بینی میوه دهی گیاهان تحت طول موج های مختلف led استفاده شده است. نتایج پژوهش نشان می‌دهد که دقت پیش بینی میوه دهی مبتنی بر الگوریتم xgboost 96 درصد است که روشی عملی و موثر برای پیش بینی میوه دهی گیاهان تحت طول موج های مختلف led است.

prediction of fruiting of plants under different wavelengths of led using machine learning algorithms using grid search technique

nowadays, most plants are grown in greenhouses and they need artificial light to grow. a normal light does not have the necessary ability to create photosynthesis in the plant. therefore, designing a module to create the light spectrum required for plant photosynthesis is of great importance. fruiting is one of the most important stages of plant growth. predicting with which wavelengths the plants reach fruiting allows us to design and produce leds with more optimal wavelengths, which significantly saves time and money. in this article, we have tried to predict the fruiting of plants under different wavelengths of led with great accuracy by using different machine learning algorithms and setting the best hyperparameters using the search grid technique. for this purpose, in this article, decision tree algorithms, random forest algorithm, logistic regression algorithm, support vector machine algorithm and xgboost has been used to predict the fruiting of plants under different led wavelengths. the research results show that the accuracy of fruiting prediction based on the xgboost algorithm is 96%, which is a practical and effective method for predicting the fruiting of plants under different led wavelengths.