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

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی پژوهشگاه هواشناسی و علوم جو، پژوهشکده اقلیم شناسی مشهد

2 کارشناس مرکز تحقیقات هواشناسی کشاورزی گیلان

3 رئیس گروه تحقیقات کاربردی اداره کل هواشناسی استان گیلان

4 عضو هیات علمی پژوهشگاه هواشناسی و علوم جو، پزوهشکده اقلیم شناسی مشهد

5 عضو هیات علمی پژوهشکده آبزی پروری جنوب کشور، مؤسسه تحقیقات علوم شیلاتی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، اهواز، ایران

10.22125/agmj.2024.410815.1157

چکیده

ماهی ها حیواناتی خونسرد هستند که دمای بدن آنها تقریباً با دمای آبی که در آن زندگی می کنند یکسان است. دمای آب و متابولیسم ماهی ارتباط تنگاتنگی با یکدیگر دارند. دما یک عامل محیطی حیاتی است که به شدت بر تغذیه و رشد ماهیان تأثیر می‌گذارد. تغییرات دمایی باعث بروز استرس در ماهی ها می‌شود و شیوع بیماری پس از تغییر دمای ناگهانی یا زمانی که دما به طور مزمن نزدیک به حداکثر تحمل خود است، رخ می دهد. لذا با توجه به اهمیت موضوع، در این مقاله به کمک داده های 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 می‌گردد. 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 بدست آمده از ارزیابی عملکرد این روشها روی داده های آزمایش، 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. یکی از کاربردهای مدلسازی پیشنهادی، این است که با استفاده از داده‌های پیش‌بینی هواشناسی، به عنوان ورودی مدل پیشنهادی، می‌توان بصورت روزانه، پیش‌بینی دمای بیشینه و کمینه را برای استخر پرورش ماهیان انجام داد و در صورت لزوم اقدامات مقتضی را با توجه به شرایط دمایی پیش‌بینی شده اتخاذ نمود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Modeling of maximum and minimum temperature of warm-water fish breeding pond using machine learning methods

نویسندگان [English]

  • ابراهیم اسعدی اسکویی 1
  • Behzad Dehghan Jirdehi 2
  • Mohammad Taghi Sadidi Shal 3
  • Morteza Pakdaman 4
  • Farahnaz Kianersi 5
1 ​Research Institute of Meteorological and Atmospheric Science (RIMAS), Climate Research Institute (CRI), Mashhad, Iran
2 Expert of Gilan Agricultural Meteorology Research Center
3 Agricultural meteorological Research center of Guilan
4 ​Research Institute of Meteorological and Atmospheric Science (RIMAS), Climate Research Institute (CRI), Mashhad, Iran
5 South of Iran Aquaculture Research Institute, Iranian Fisheries Science Research Institute, Agricultural Research, Education, and Extension Organization (AREEO), Ahvaz, Iran
چکیده [English]

Fish’s body temperature is almost the same as the temperature of the water in which they live. Water temperature and fish metabolism are closely related. Temperature is a vital environmental factor that strongly affects the nutrition and growth of fish. Temperature changes cause stress in fish, and disease outbreaks occur after sudden temperature changes or when temperatures are chronically close to their maximum tolerance. Therefore, according to the importance of the subject, in this article, with the help of daily observation data of Rasht agricultural meteorological station in Gilan province, related to the period of June 2016 to November 2018, the maximum and minimum temperature variables of fish breeding pond using several Machine learning methods is modeled. For this purpose, artificial neural network, gradient boosting and random forest methods were used to model the maximum and minimum temperature of the ponds of a fish breeding complex. The results obtained from the evaluation of the performance of these methods on the test data showed that for modeling the minimum temperature, the neural network (with a root mean square of 1.93 and a correlation of 0.92) and for modeling the maximum temperature, the random forest model (with a root mean square of 1.61 and a correlation of 0.95 ) are more accurate. One of the applications of the proposed modeling is that by using meteorological forecast data as an input to the proposed model, it is possible to predict the maximum and minimum temperature for the fish breeding pond on a daily basis.

کلیدواژه‌ها [English]

  • warm-water fish
  • Machine learning
  • Prediction
  • Artificial neural network
  • Random Forest
هواشناسی کشاورزی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 09 بهمن 1402

فایل ها

هم رسانی

ارجاع به این مقاله

آمار