دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران دانش گیاهپزشکی ایران 2008-4781 48 2 2018 02 20 Modeling the population changes of sunn pest with environmental variables using artificial neural network and comparison with the linear regression model in Chadegan County مدل‌سازی تغییرات جمعیت سن گندم با متغیرهای محیطی به کمک شبکۀ عصبی مصنوعی و مقایسۀ آن با مدل رگرسیون خطی در شهرستان چادگان 307 315 65566 10.22059/ijpps.2017.230466.1006774 FA زهرا دوستی دانشجوی دکتری، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران ناصر معینی نقده استادیار، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران عباسعلی زمانی دانشیار، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران لیلا ندرلو استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران Journal Article 2017 04 03 This study aimed to predict population fluctuation of sunn pest in the field using artificial neural network and multiple linear regression was performed. The data on population fluctuation of Sunn pest in years 2015 and 2016 on a farm with an area of one hectare in the city Chadegan was obtained. In this model of the variables sampling date, the average temperature, average relative humidity, wind speed, wind direction, rainfall as the input variables and population changes mother Sunn pest was used as the outcome variable. The network was used of type Multilayer Perceptron with back propagation algorithm and was learning method Levenberg Markvart. Results showed between these two models, artificial neural network with coefficient of determination 0.96 better than regression with coefficient of determination 0.40 population density of mother Sunn pest was predicted. After sensitivity analysis model for easier and factors more effective extraction, four factors: the number of days of the year, temperature, humidity and wind speed were selected. Neural network model was trained again using the four factor model and a model with 11 hidden layer gave the best result. The coefficient of determination testing stepe was 0.97 that was showed high accuracy relative to the multiple linear regression model with the coefficient of determination 0.43. 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. https://ijpps.ut.ac.ir/article_65566_26cd6f8b0ac01214f0da62f7d34b4be2.pdf