بررسي پارامترهاي موثر در رشد ميگو و پيش بيني وزن با استفاده از تكنيك هاي داده كاوي

Investigating the effective parameters in shrimp growth and weight prediction using data mining techniques

پرورش ميگو به دليل ارزش اقتصادي و ارز آوري در سال هاي اخير اهميت خاصي پيدا كرده است. يكي از مسائل مهم در زنجيره تامين ميگو توليد سايز مناسب جهت صادرات مي باشد زيرا در صورت توليد نامناسب زنجيره متحمل هزينه انبارداري مي شود . از روي ديگر چناچه كشاورز براورد درستي از سايز انتهاي دوره داشته باشد توليد كننده قادر به برنامه ريزي براي فروش سايز هاي مختلف خواهد بود كه منجر به سود بيشتر در زنجيره مي شود .تحقيقات بسياري در سال هاي گذشته در زمينه بهبود رشد انجام شده است . از اين رو در اين تحقيق در ابتدا به بررسي پارامترهاي موثر بر رشد ميگو و رتبه بندي آنها از نظر اهميت پرداخته و سپس تخمين وزن ميگو به منظور برآورد محصول با استفاده از رويكردهاي داده كاوي پرداخته شده است . در اين تحقيق پارامتر هاي : سن , غذا , تراكم , دما , شوري و PH آب به عنوان عوامل موثر بر رشد ميگو توسط آناليز حساسيت شناسايي شد . در اين تحقيق از مدل Ensemble شبكه هاي عصبي به منظور تخمين وزن ميگو استفاده گرديد و نشان داده شد كه مدل با دقت 84.6 درصد قادر به پيش بيني سايز ميگو مي باشد .همچنين براي ارزيابي اين مدل با ساير رويكردهاي داده كاوي شاملlinear regression Artificial Neural Network ,Support Vector Regression ,Decision Tree مقايسه گرديد .

Breeding is of particular importance in recent years due to its economic value and value. One of the important issues in the shrimp supply chain is producing the right size for export because it costs storage costs if the supply chain is inappropriate. On the other hand, if the farmer has an accurate estimate of the size of the end period, the manufacturer will be able to plan for sales of different sizes that will lead to more profit in the chain. Many research has been done in the past years to improve growth. Hence, in this research, firstly, the parameters affecting shrimp growth and their ranking are considered important, and then estimation of shrimp weight for estimation of the product using data mining approaches has been studied. In this research, parameters such as age, food, density, temperature, salinity and pH of water were identified as factors influencing shrimp growth by sensitivity analysis. In this study, the Ensemble Neural Network model was used to estimate the weight of shrimp and it was shown that the model with accuracy of 84.6% was able to predict the size of shrimp. It also evaluated this model with other data mining approaches including linear regression Artificial Neural Network , Support Vector Regression, Decision Tree.