مقایسه مدل های رگرسیون خطی وغیرخطی مبتنی بر یادگیری ماشین برای برآورد میزان کلروفیل آ در سواحل قشم و هرمز

کلروفیل آ، به عنوان یک شاخص مهم برای اندازه گیری شکوفایی جلبکی و کیفیت آب، در مطالعات دریایی بسیار اهمیت دارد. این پژوهش با هدف مقایسه مدل های رگرسیون خطی و غیرخطی بر اساس الگوریتم های یادگیری ماشین برای بررسی میزان کلروفیل آ در آب های ساحلی بندرعباس، جزیره قشم  و هرمز انجام شد. برای این منظور از داده های ماهواره TERRA  سنجنده MODIS و برداشت های میدانی از نقاط مختلف محدوده مطالعه استفاده شده است. مدل های مورد بررسی شامل رگرسیون خطی، مدل خطی تعمیم یافته با توزیع پواسون، جنگل تصادفی و ماشین بردار پشتیبان است. عملکرد این مدل ها با استفاده از معیارهای ریشه میانگین مربعات خطا(RMSE)،  میانگین درصد خطا (MPE)،  میانگین خطای مطلق (MAE) و ضریب تعیین  R-squared (rsq) ارزیابی شد. نتایج نشان می دهد که رگرسیون خطی و مدل خطی تعمیم یافته ضعیف عمل می کنند، در حالی که جنگل تصادفی و ماشین بردار پشتیبان عملکرد بهتری را نشان می دهند. به طور خاص، جنگل تصادفی بالاترین عملکرد را با ۰.۵۷۲۵ =RMSE و rsq = ۰.۶۶۳۲ نشان می دهد. این مدل قابلیت تشخیص الگوهای غیرخطی و پیچیده تر را دارد و با استفاده از تعداد زیادی درخت تصمیم گیری می تواند به صورت موثر با داده های حجیم کار کند. به طور کلی، این پژوهش اثربخشی مدل های یادگیری ماشین، به ویژه جنگل های تصادفی را در پیش بینی دقیق میزان کلروفیل آ به عنوان یک عامل مهم در مدیریت اکوسیستم های دریایی در منطقه مورد مطالعه برجسته می کند.