مقایسه عملکرد مدل های خطی تعمیم یافته (GLM) و جنگل تصادفی (RF) در پیش بینی توزیع صید ماهی سفید (Rutilus frisii)

هدف از انجام مطالعه حاضر، ارزیابی عملکرد مدل های خطی تعمیم یافته (GLM) و جنگل تصادفی (RF) در پیش بینی توزیع صید ماهی سفید دریای خزر (Rutilus frisii) بود. بدین منظور، داده های صید در واحد تلاش (CPUE) ماهی سفید به عنوان متغیر اصلی و داده های سنجش از دور 5 متغیر محیطی شامل دمای روزانه سطح آب (SST)، غلظت کلروفیل-a (CHL)، ضخامت اپتیک ریزگردها (ASL)، محتوای کربن آلی ذره ای (POC) و کربن غیرآلی ذره ای (PIC) به عنوان متغیرهای پیش بین مورد استفاده قرار گرفت. جهت سنجش عملکرد توصیفی و پیش بینی مدل ها از شاخص های ضریب تبیین (R2)، میانگین خطای مطلق (MAE) و ریشه میانگین مربعات خطا (RMSE) استفاده گردید. در بهترین مدل GLM برازش یافته تنها دو پارامتر Log(PIC) و POC معنی دار بودند، در حالی که در مدل RF تمامی متغیرها بکار گرفته شدند. مدل RF از توان توصیفی بیشتری نسبت به مدل GLM برخوردار بود (0/053GLM: R2=؛ 0/47RF:R2=). همچنین، دقت بیشتری برای مدل RF  ((kg/hour.seine) 1326/1RMSE=؛ 972/4MAE=) در مقایسه با GLM ((kg/hour.seine) 1465/6RMSE=؛ 1328/7MAE=) وجود داشت. پارامترهای ASL و CHL به ترتیب دارای بیشترین (%33/31) و کمترین (%27/88) سهم اهمیت نسبی در مدل RF بودند. براساس مجموعه نتایج به دست آمده، مدل جنگل تصادفی (RF) به عنوان یک مدل کارآمد جهت مدل سازی توزیع صید ماهیان پیشنهاد می گردد.