آنالیز حساسیت فرآسنجه های موثر بر نوسانات جمعیت سن زمستان گذران با استفاده از شبکه عصبی مصنوعی

محورهای موضوعی : گیاه پزشکی

زهرا دوستی ¹ (گروه گیاهپزشکی دانشکده کشاورزی دانشگاه رازی، کرمانشاه ایران)
ناصر معینی نقده ² (گروه گیاهپزشکی دانشکده کشاورزی دانشگاه رازی، کرمانشاه ایران)
عباسعلی زمانی ³ (گروه گیاهپزشکی دانشکده کشاورزی دانشگاه رازی، کرمانشاه ایران)
لیلا ندرلو ⁴ (گروه مهندسی مکانیک بیوسیستم ، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران)

تاریخ دریافت : 1396/05/20 تاریخ پذیرش : 1396/09/07 تاریخ انتشار : 1397/03/01

کلید واژه: Sensitivity analysis, Artificial Neural Network, آنالیز حساسیت, شبکه عصبی مصنوعی, Environmental factor, سن گندم, Sunn pest, عوامل اقلیمی, چادگان, Chadegan,

چکیده مقاله :

سن گندم (Hemiptera: Scutelleridae) Eurygaster integriceps Put. مهم‌ترین آفت گندم و جو در ایران می‌باشد. بررسی‌های مختلف نشان داده‌اند که عوامل مختلف زنده و غیر زنده‌ی محیطی جمعیت‌های این آفت را تحت تاثیر قرار می‌دهند. در این مطالعه رابطه موجود بین تغییرات جمعیت سن زمستان گذران با عوامل مختلف محیطی شامل روز نمونه برداری، میانگین دمای روزانه، میانگین رطوبت نسبی، سرعت باد، جهت باد، ارتفاع از سطح دریا، میانگین بارش مورد بررسی قرار گرفت. داده‌های مزرعه‌ای طی دو سال از دو مزرعه آبی گندم به مساحت یک هکتار در شهرستان چادگان جمع آوری شدند. در این تحقیق شبکه عصبی مصنوعی از نوع پرسپترون چند لایه با الگوریتم پس انتشار خطا و تکنیک یادگیری مارکوارت لونبرگ برای در نظر گرفتن تاثیر همزمان متغیرهای محیطی بر نوسانات سن زمستان گذران، مورد استفاده قرار گرفت. پس از آنالیز حساسیت چهار ورودی شامل متوسط دمای روزانه و رطوبت نسبی، سرعت باد و روز نمونه برداری به عنوان ورودی‌های تأثیر گذار انتخاب شدند. نتایج نشان داد شبکه عصبی با دو لایه مخفی، هفت نرون در لایه مخفی اول و سه نرون در لایه مخفی دوم، تابع فعال سازی از نوع سیگموئید، درصد داده‌های 60، 30، 10 به ترتیب برای آموزش، آزمون و ارزیابی برای پیش بینی نوسانات جمعیت سن مادر به کار رود (94/0= R2).

چکیده انگلیسی:

The Sunn pest, Eurygaster integriceps Put. is the most important pest of wheat and barley in Iran. Many studies have shown that various biotic and abiotic environmental factors affect the population of this pest. In this study, the relationship between population density of the Sunn pest adult insect with different environmental factors including sampling date, average daily temperature, average relative humidity, wind speed, wind direction, height from sea level and degree-day was investigated. Field data were collected from two wheat farm of one-hectare in the city of Chadegan, Isfahan province. The used network type was multilayer perceptron with back propagation algorithm and the learning algorithm was Levenberg-Markvart. After sensitivity analysis due to the ease of the model and extraction of effectiveness of factors including four factors of sampling date, temperature, humidity and wind speed were selected. The results showed that a neural network with two hidden layer, 7 neuron in the first hidden layer and three neuron in the second hidden layer, as a sigmoid activation function, and a data percentage of 60, 30, 10 for training, testing and validation for prediction of population fluctuation of the Sunn pest adult insect is used (R2= 0.94).