ترکیب روش زمین آمار با شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک در پیشبینی الگوی توزیع کفشدوزک هفتنقطهایCoccinella septempunctata در مزرعه یونجه شهرستان باجگاه | An Application of Combined Geostatistics with Optimized Artificial Neural Network by Genetic Algorithm to estimate the distribution of Coccinella septempunctata (Col:. Coccinellidae) in the alfalfa farm of Bajgah
2018
روناک محمدی (گروه آموزشی گیاهپزشکی، دانشکده کشاورزی، دانشگاه رازی کرمانشاه) | علیرضا شعبانی (دانشجوی دکترا گرایش حشره شناسی، دانشکده کشاورزی، دانشگاه رازی کرمانشاه) | محمود عالیچی (گروه آموزشی گیاهپزشکی، دانشکده کشاورزی دانشگاه شیراز)
با پدید آمدن تکنیکهای آماری قوی و شبکههای عصبی، مدلهای پیش بینی کننده پراکنش موجودات به سرعت در اکولوژی توسعه پیدا کرده است. با توجه به دشواری نمونه برداری معمولا در این گونه مطالعات تعداد نمونه کافی وجود ندارد لذا برای رفع این مشکل در این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع کفشدوزک هفتنقطهایاز ترکیب روش کریجینگ با شبکههای عصبی پرسپترون چندلایه (MLP) ترکیب شده با الگوریتم ژنتیک در سطح مزرعه استفاده شد. دادههای مربوط به جمعیت این آفت از طریق نمونه برداری از سطح یک مزرعه در شهرستان باجگاه در سال 13۹۲ بدست آمده. دادهها توسط روش کریجینگ معمولی با نیم تغییرنمای کروی که بهترین عملکرد را داشت میانیابی شدند و به عنوان ورودی شبکه عصبی معرفی شدند. برای ارزیابی قابلیت شبکههای عصبی مورد استفاده در پیش بینی توزیع از مقایسه آماری پارامترهایی مانند واریانس، توزیع آماری بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آنها استفاده شد. نتایج نشان داد که در فازهای آموزش و آزمایش بین مقادیر ویژگیهای آماری واریانس و توزیع آماری مجموعه دادههای واقعی و پیش بینی شده مکانی این آفت توسط شبکه عصبی ترکیب شده، تفاوت معنیداری وجود نداشت. نقشههای ترسیم شده نشان داد که توزیع آفت تجمعی است.
显示更多 [+] 显示较少 [-]