تنبؤ بتركيز الكلوروفيل-أ كمؤشر لكتلة الفيتوبلانكتون في خزان إل فال من خلال استخدام تقنيات التعلم الآلي المختلفة: دراسة حالة في حوض نهر إيبرو، إسبانيا

يمكن تقييم الحالة الغذائية للمسطحات المائية، مثل المحيطات، والبحيرات، والخزانات بدقة بفضل استخدام الكلوروفيل-أ، أو Chl-a، كمؤشر لكتلة ووفرة الفيتوبلانكتون. في الواقع، فإن الجزيء الرئيسي المسؤول عن عملية التمثيل الضوئي هو Chl-a. يقدم هذا العمل طريقة غير معلمومية قوية وموثوقة للتنبؤ بتركيز Chl-a في خزان إل فال باستخدام مجموعة بيانات تحتوي على 240,765 عينة: الانحدار باستخدام الدعم المتجه (SVR) مع أنواع مختلفة من النوى. تم بناء هذا النموذج المعتمد على SVR باستخدام خمس سنوات (2018-2022) من مراقبة متغيرات جودة المياه (المتغيرات الفيزيائية والكيميائية المستقلة) في خزان إل فال (الموجود في شمال شرق إسبانيا). للمقارنة، تم استخدام أشجار نموذج M5، وPerceptron متعدد الطبقات (MLP)، وهو نوع خاص من الشبكات العصبية الاصطناعية (ANN)، والانحدار الخطي المتعدد المتغيرات (MLR) لنفس البيانات الملاحظة. تم استخدام خوارزمية Grid Search (GS) كتحسين؛ حيث أن هذا الأسلوب يحسن دقة الانحدار بشكل كبير من خلال السماح باختيار معلمات النواة المثلى خلال مرحلة تدريب SVR. هناك طريقتان لتلخيص نتائج هذه الدراسة. أولاً، يتم تحديد مدى أهمية كل متغير مدخل لتركيز Chl-a في خزان إل فال. ثانياً، يمكن لهذا النموذج الهجين المعتمد على GS/SVR مع نواة PUK التنبؤ بدقة بتركيز Chl-a (كانت قيم R2 وr 0.8989 و0.9499، على التوالي). يثبت توافق النموذج مع البيانات الملاحظة كفاءة هذا الاستراتيجية الإبداعية بشكل ملحوظ.