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

نوع مقاله : مقاله پژوهشی

نویسندگان

1 حشره شناسی، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران

2 استادیار گروه گیاه پزشکی سازمان پژوهش‌های علمی و صنعتی ایران، تهران، ایران

چکیده

با پدید آمدن تکنیک­‌های آماری قوی و شبکه‌­های عصبی، مدل­‌های پیش­بینی کننده پراکنش آفات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش­بینی و ترسیم نقشه توزیع Bemisia tabaci G. با استفاده از شبکه‌­های عصبـی پرسپترون چنـد لایه (MLP) ترکیب شده با حرکت تجمعی ذرات در سطح مزرعه خیار انجام شد. داده­‌های مربوط به جمعیت این آفت از طریق نمونه­برداری از 100 نقطه از سطح مزرعه شهرستان رامهرمز در سال 1396 به­دست آمد. به منظور ارزیابی قابلیت شبکه‌­های عصبی مورد استفاده در پیش­بینی توزیع از مقایسه آماری پارامتر­هایی مانند واریانس، توزیع آماری و میانگین بین مقادیر پیش­بینی 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، توزیع آماری و میانگین مجموعه داده­‌های واقعی و پیش­بینی شده مکانی این آفت توسط شبکه عصبی ترکیب شده، تفاوت معنی­داری وجود نداشت. نقشه‌­های ترسیم شده نشان داد که توزیع این آفت تجمعی است و امکان کنترل متناسب با توزیع مکانی را در مزرعه دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Predicting distribution pattern of Bemisia tabaci G. ( (Hem.: Aleyrodidae) by Hybrid neural network With Particle Swarm Optimization Algorithm

نویسندگان [English]

  • Alireza Shabaninejad 1
  • Bahram Tafaghodiniya 2
1 Entomology, Faculty of Agriculture, Shahrood University, Shahrood. Iran.
2 Assistant Professor, Entomology Department, Agricultural Institute, Iranian Research Organization for Science and Technology, Tehran, Iran
چکیده [English]

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.
 

کلیدواژه‌ها [English]

  • Bemisia tabaci
  • particle swarm optimization algorithm
  • Neural network
  • spatial distribution