پيش بيني غلظت كلروفيل آ به كمك الگوريتمهاي يادگيري ماشين

تغييرات آب و هوا و انتشار مواد مغذي به محيطهاي آبي، نگرانيهاي زيادي را در مورد اوتروفيكاسيون و خطر شكوفايي جلبك به همراه داشته است. شكوفايي جلبك، منجر به توليد مواد سمي و داراي طعم و بو در منابع آبي ميشود. در اين مطالعه از هشت متغير مختلف جهت تخمين مقدار كلروفيلآ به عنوان شاخصي از فراواني جلبكها به كمك الگوريتمهاي يادگيري ماشين استفاده شده است. الگوريتمهاي بكار گرفته شده شامل رگرسيون خطي، رگرسيون بردار پشتيبان، شبكه عصبي پرسپترون چند لايه، درخت Rep ، جنگل تصادفي و درخت M5P است. جهت مقايسه و كارايي الگوريتمهاي ذكر شده، چهار معيار ضريب همبستگي، ميانگين خطاي مطلق، خطاي ميانگين مربعها و خطاي جذر ميانگين مربعها بررسي شده است. دادهها به منظور جلوگيري از بيش برازش به دو دسته آموزشي و تست تقسيم شدهاند. نتايج نشان ميدهد كه الگوريتمهاي يادگيري ماشين، ابزاري قدرتمند در تخمين غلظت كلروفيلآ هستند. همچنين الگوريتم جنگل تصادفي با بيشترين ضريب همبستگي و كمترين خطا بهترين عملكرد را در مساله مطرح شده دارد.