مسعود حکیمی تبار؛ سید رضا حجازی؛ علیرضا شعبانی نژاد؛ پریسا قرآنی؛ الناز فدائی
چکیده
این پژوهش به‌منظور برآورد پراکندگی مکانی کنه‌های خانوادۀ Laelapidae در منطقۀ شاهرود با به‌کارگیری شبکۀ عصبی مصنوعی انجام شد. دادههای مربوط به تراکم جمعیت این کنه از زیستگاه‌های گوناگون منطقۀ شاهرود در سال 1394 به دست آمدند. در این پژوهش از متغیرهای طول و عرض جغرافیایی به‌عنوان متغیرهای ورودی و از دگرگونی‌های جمعیت کنه‌های خانوادۀ ...
بیشتر
این پژوهش به‌منظور برآورد پراکندگی مکانی کنه‌های خانوادۀ Laelapidae در منطقۀ شاهرود با به‌کارگیری شبکۀ عصبی مصنوعی انجام شد. دادههای مربوط به تراکم جمعیت این کنه از زیستگاه‌های گوناگون منطقۀ شاهرود در سال 1394 به دست آمدند. در این پژوهش از متغیرهای طول و عرض جغرافیایی به‌عنوان متغیرهای ورودی و از دگرگونی‌های جمعیت کنه‌های خانوادۀ Laelapidae به‌عنوان متغیر خروجی استفاده شد. شبکۀ مورداستفاده از نوع GMDH بهینه‌شده با الگوریتم ژنتیک بود. برای ارزیابی توانایی شبکه‌های عصبی مورداستفاده در پیش‌بینی توزیع از سنجش آماری مؤلفههایی مانند واریانس، توزیع آماری و میانگین میان اندازه‌های پیشبینیشدۀ مکانی به‌وسیلۀ شبکه عصبی و اندازه‌های واقعی آن‌ها استفاده شد. نتیجهها نشان دادند که در فازهای آموزش و آزمایش میان اندازه‌های ویژگیهای آماری واریانس، توزیع آماری و میانگین مجموعه دادههای واقعی و پیشبینیشدۀ مکانی این خانواده به‌وسیلۀ شبکۀ عصبی GMDH، تفاوت معنیداری وجود نداشت. نقشه‌های ترسیم‌شده نشان داد که توزیع کنه‌های این خانواده تجمعی است. نقشه‌های به‌دست‌آمده از شبکه‌های عصبی مصنوعی می‌توانند به برنامه‌ریزان جهت به‌کارگیری برنامه‌های مهار آفت‌ها یاری کنند به‌ویژه اگر نقشه‌ها با مختصات جغرافیایی هر مکان همانندی داشته باشند. به‌طوری‌که تمرکز بیشتر مهار به منطقههایی معطوف شود که تراکم این کنه‌های شکارگر کمتر است.
علیرضا شعبانی نژاد؛ بهرام تفقدی نیا
چکیده
امروزه تشریح الگوهای پراکندگی حشرات با استفاده از روشهای درون‌یابی و برآورد تراکم به‌منظور بررسی امکان مدیریت و کنترل متناسب با مکان آن‌ها مورد توجه بسیاری از محققان قرار گرفته است. این پژوهش به‌منظور ارزیابی قابلیت الگوریتمهای مختلف شبکۀ عصبی پرسپترون چندلایه‌ای (MLP) در درون‌یابی و برآورد جمعیت سفید بالک پنبه در نقاط ...
بیشتر
امروزه تشریح الگوهای پراکندگی حشرات با استفاده از روشهای درون‌یابی و برآورد تراکم به‌منظور بررسی امکان مدیریت و کنترل متناسب با مکان آن‌ها مورد توجه بسیاری از محققان قرار گرفته است. این پژوهش به‌منظور ارزیابی قابلیت الگوریتمهای مختلف شبکۀ عصبی پرسپترون چندلایه‌ای (MLP) در درون‌یابی و برآورد جمعیت سفید بالک پنبه در نقاط نمونهبرداری نشده و نیز ترسیم نقشۀ پراکنش آن انجام شد. برای ارزیابی قابلیت الگوریتمهای مختلف شبکۀ عصبی MLP از میانگین مربعات خطا و ضریب تبیین استفاده شد و برای ارزیابی شبکه با الگوریتم مطلوب از مقایسۀ فراسنجه (پارامتر)هایی مانند میانگین، واریانس، توزیع آماری و نیز ضریب تبیین رابطۀ خطی رگرسیونی بین مقادیر پیش‌بینی‌شده توسط شبکۀ عصبی با الگوریتم یادگیری مطلوب و مقادیر واقعی آن‌ها استفاده شد. نتایج نشان از عملکرد مطلوب شبکۀ عصبی با الگوریتم لونبرگ- مارکوات و نرخ یادگیری 26/0، عامل مومنتوم 75/0 و شمار یازده نرون در لایۀ میانی و همچنین نبود تفاوت معنیداری بین مقادیر ویژگیهای آماری (میانگین، واریانس) و توزیع آماری مجموعۀ دادههای پیشبینیشدۀ تراکم آفت و میزان واقعی آن بود. به عبارتی شبکۀ عصبی مصنوعی با الگوریتم لونبرگ- مارکوات به‌خوبی توانست مدل دادههای تراکم سفید بالک پنبه را بیاموزد. نقشۀ به‌دست‌آمده از درون‌یابی نشان داد، این آفت توزیع تجمعی داشته و لذا امکان کنترل مناسب با مکان آن در مزرعۀ مورد بررسی وجود دارد.
