c3518cb17d976b8

مدل‌سازی تغییرات جمعیت سن گندم با متغیرهای محیطی به کمک شبکۀ عصبی مصنوعی و مقایسۀ آن با مدل رگرسیون خطی در شهرستان چادگان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران

2 استادیار، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران

3 دانشیار، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران

4 استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران

چکیده

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.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling the population changes of sunn pest with environmental variables using artificial neural network and comparison with the linear regression model in Chadegan County

نویسندگان [English]

  • Zahra Doosti 1
  • Naser Moeini-Naghadeh 2
  • Abbas Ali Zamani 3
  • Leila Naderloo 4
1 Ph.D. Candidate, Department of Plant Protection, College of Agriculture, Razi University, Kermanshah, Iran
2 Assistant Professor, Department of Plant Protection, College of Agriculture, Razi University, Kermanshah, Iran
3 Associate Professor, Department of Plant Protection, College of Agriculture, Razi University, Kermanshah, Iran
4 Assistant Professor, Department of Biosystem Mechanic Enginnering, College of Agriculture, Razi University, Kermanshah, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • environmental factors
  • multiple linear regressions
  • Sunn pest

مراجع

  1. Balan, B., Mohaghegh, S. & Ameri, S. (1995). State-of-Art-in permeability determination from well log data:Part 1- A comparative study, model development. Society of Petroleum Engineers, 30978, 17-25.
  2. Bianconi, A., Von Zuben, C. J., Serapiao, A. B. S. & Govone, J. (2009). Artificial neural networks: A novel approach to analysing the nutritional ecology of a blowfly species Chrysomya megacephala. Journal of Insect Science, 10, 1-18.
  3. Brown, E. & Eralp, M. (1962). The distribution of the species of Eurygaster Lap. (Hemiptera, Scutelleridae) in Middle East countries. Journal of Natural History, 5(50), 65-81.
  4. Chelani, A. B., Chalapati, R. C. V., Phadke, K. M. & Hasan, M. Z. (2002). Prediction of sulphur dioxide concentration using artificial neural networks. Environmental Modeling and Sotfware, 17, 161-168.
  5. Craverner, T. L. & Roush, W. B. (1999). Improving neural network prediction of amino acid levels in feed ingredients. Journal of Applied Poultry Research, 78(7), 983-991.
  6. FAO. (2009). sunn pests and their control in the Near East. FAO Plant Production and Protection, 1-17.
  7. Gorgypour Afzali, M., Sadeghi, A., Nazemi Rafi, G. & Ghobari, H. (2014). Relationship between densities of sunn pest Eurygaster integriceps with temperature in a field after the complete fall of wintering areas. The First National Conference on E-Agriculture and Sustainable Agriculture and Natural Resources, http://www/civilica/com/Paper-NACONF01-NACONF01_0914/html. 5 pp. (In Farsi)
  8. Jurabian, M., Zare, T. & Ostovar, O. (2005). Artificial neural networks. Ahvaz. Shahid Chamran University Press Center. 746pp. (in Farsi)
  9. Karim Zadeh, R., Hejazi, M. J., Helali, H., Iranipour, S. & Mohammadi, S. A. G. (2012). Population dynamic relationship of sunn pest Eurygaster integriceps with environmental variables in East Azerbaijan province. Iranian Journal of Plant Protection, 43(1), 165-177. (in Farsi)
  10. Malinova, T. & Guo, Z. X. (2004). Artificial neural network modelling of hydrogen storage properties of Mg-based alloys. Journal of Materials Science and Engineering: A, 365(1-2), 219-227.‏
  11. Mittal, G. S. & Zhang, J. (2000). Prediction of temperature and moisture content of frankfurters during thermal processing using neural network. Journal of Applied Poultry Research, 78(7), 13-24.
  12. Mozafari, G. & Eghbali Babadi, F. (2014). Analysis of temperature and rainfall characteristics on the attacking date of sunn pest in Isfahan Township. Spatial Planning, 17(3), 27-44. (in Farsi)
  13. Pedigo, L. P. & Buntin, G. D. (1993). Handbook of sampling methods for arthropods in agriculture. CRC Press, 705 pp.
  14. Rajabi, G. R. (2000). Ecology of cereal sunn pests in Iran. Agricultural Research, Education, Extension, and Organization Publication, Tehran, Iran. 343 pp. (in Farsi)
  15. Rajabi, G. R. (2001). Investigation on the downward migration of hibernating sunn pest individuals from the altitudes to the cereal fields in Varamin region. Journal of Pests and Plant Diseases, 68(1), 107-122. (in Farsi)
  16. Rajabi, G. R. (2007). The basic control of wheat sunn pest. Tehran: Institute of Research and Education and Promotion of Agriculture. 324 pp.(in Farsi)
  17. Worner, S. P. & Gevrey, M. (2006). Global insect pest species assemblages to determine risk of invasion. Journal of Applied Ecology, 43, 858-867.
  18. Zheng, H., Jiang, B. & Lu, H. (2011). An adaptive neural-fuzzy inference system (ANFIS) for detection of bruises on Chinese bayberry (Myrica rubra) based on fractal dimension and RGB intensity color. Journal of Food Engineering, 104, 663-667.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 14 فروردین 1396
  • تاریخ بازنگری: 20 آبان 1396
  • تاریخ پذیرش: 27 آذر 1396

هم رسانی

ارجاع به این مقاله

آمار