پیش‌بینی الگوی توزیعBemisia tabaci G. (Hem.: Aleyrodidae ) با استفاده از شبکه عصبی مصنوعی بهینه شده توسط الگوریتم حرکت تجمعی ذرات

محورهای موضوعی : آفات گیاهی

علیرضا شعبانی‌نژاد ¹ , بهرام تفقدی‌نیا ²

1 - حشره شناسی، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران
2 - استادیار گروه گیاه پزشکی سازمان پژوهش‌های علمی و صنعتی ایران، تهران، ایران

تاریخ دریافت : 1395/04/03 تاریخ پذیرش : 1395/09/21 تاریخ انتشار : 1395/12/01

کلید واژه: شبکه عصبی مصنوعی, الگوریتم حرکت تجمعی ذرات, توزیع مکانی,

چکیده مقاله :

با پدید آمدن تکنیک ‌های آماری قوی و شبکه‌ های عصبی، مدل ‌های پیش بینی کننده پراکنش آفات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع Bemisia tabaci G. با استفاده از شبکه‌ های عصبـی پرسپترون چنـد لایه (MLP) ترکیب شده با حرکت تجمعی ذرات در سطح مزرعه خیار انجام شد. داده ‌های مربوط به جمعیت این آفت از طریق نمونه برداری از 100 نقطه از سطح مزرعه شهرستان رامهرمز در سال 1396 به دست آمد. به منظور ارزیابی قابلیت شبکه‌ های عصبی مورد استفاده در پیش بینی توزیع از مقایسه آماری پارامتر هایی مانند واریانس، توزیع آماری و میانگین بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آن‌ ها استفاده شد. نتایج نشان داد که در فاز های آموزش و آزمایش بین مقادیر ویژگی ‌های آماری واریانس، توزیع آماری و میانگین مجموعه داده ‌های واقعی و پیش بینی شده مکانی این آفت توسط شبکه عصبی ترکیب شده، تفاوت معنی داری وجود نداشت. نقشه‌ های ترسیم شده نشان داد که توزیع این آفت تجمعی است و امکان کنترل متناسب با توزیع مکانی را در مزرعه دارد.

چکیده انگلیسی:

Today, with the Advance statistical techniques and neural networks, predictive models of distribution was rapidly developed in Ecology. Purpose of this study was predict and Mapping distribution of Bemisia tabaci G. using MLP neural networks combined with Particle Swarm Optimization in surface of cucumber field. Population data of pest was obtained in 2017 by sampling in 100 fixed points in a fallow field in Ramhormoz, to evaluate the ability of neural networks combined with Particle Swarm Optimization to predict the distribution used statistical comparison parameters such as mean, variance, statistical distribution and coefficient determination of linear regression among predicted values and actual values. Results showed that in training and test phases of neural network combined Particle Swarm Optimization algorithm, was no significant effect between variance, mean and statistical distribution of actual values and predicted values. Our map showed that patchy pest distribution offers large potential for using site-specific pest control on this field.