TY - JOUR ID - 65566 TI - مدل‌سازی تغییرات جمعیت سن گندم با متغیرهای محیطی به کمک شبکۀ عصبی مصنوعی و مقایسۀ آن با مدل رگرسیون خطی در شهرستان چادگان JO - دانش گیاهپزشکی ایران JA - IJPPS LA - fa SN - 2008-4781 AU - دوستی, زهرا AU - معینی نقده, ناصر AU - زمانی, عباسعلی AU - ندرلو, لیلا AD - دانشجوی دکتری، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران AD - استادیار، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران AD - دانشیار، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران AD - استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران Y1 - 2018 PY - 2018 VL - 48 IS - 2 SP - 307 EP - 315 KW - رگرسیون خطی چندگانه KW - سن گندم KW - شبکۀ عصبی مصنوعی KW - عوامل اقلیمی DO - 10.22059/ijpps.2017.230466.1006774 N2 - این مطالعه به منظور پیش‌بینی تغییرات جمعیت سن گندم در مزرعه با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی چند گانه انجام شد. داده‌های مربوط به نوسانات جمعیت سن گندم در مزرعه‌ای به مساحت یک هکتار در سال‌های 1394 و 1395 در شهرستان چادگان بدست آمد. در این مدل‌ها از متغیرهای تاریخ نمونه برداری، متوسط دما، میانگین رطوبت نسبی، سرعت باد، جهت باد، بارش به عنوان متغیرهای وروردی و تغییرات جمعیت سن مادر به عنوان متغیر خروجی استفاده شد. شبکه مورد استفاده از نوع پرسپترون چند لایه با الگوریتم پس انتشار خطا و روش یادگیری مارکوارت- لونبرگ بود. نتایج نشان داد بین این دو مدل، شبکه عصبی مصنوعی با ضریب تعیین 96/0 بهتر از رگرسیون با ضریب تعیین 40/0 تراکم جمعیت سن مادر را پیش بینی می‌کند. پس از انجام آنالیز حساسیت برای ساده تر شدن مدل و استخراج عوامل مؤثرتر، چهار عامل شماره روز سال، دما، رطوبت و سرعت باد انتخاب شدند. مدل شبکه عصبی بار دیگر با استفاده از این چهار عامل آموزش داده شد و مدلی با 11 لایه مخفی بهترین نتیجه را داد که ضریب تعیین مرحله آزمون مدل 97/0 بدست آمد که باز هم حاکی از دقت بالای آن نسبت به مدل رگرسیون خطی چند گانه با ضریب تعیین 43/0 بود. UR - https://ijpps.ut.ac.ir/article_65566.html L1 - https://ijpps.ut.ac.ir/article_65566_26cd6f8b0ac01214f0da62f7d34b4be2.pdf ER -