پیش بینی الگوی توزیع جمعیت علف هرز جوموشی(Hordeum glaucum steud.) با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقالات پژوهشی

نویسندگان

• حسن مکاریان ¹
• عباس روحانی ²

¹ صنعتی شاهرود

² فردوسی مشهد

10.22067/jpp.v24i4.8142

چکیده

چکیده
امروزه تشریح الگوهای توزیع مکانی جمعیت علف های هرز با استفاده از روش های درونیابی و تخمین تراکم به منظور بررسی امکان کنترل متناسب با مکان آنها مورد توجه بسیاری از محققین قرار گرفته است. این پژوهش به منظور ارزیابی قابلیت مدل شبکه عصبی پرسپترون چندلایه ای (MLPNN) در درونیابی و تخمین جمعیت گیاهچه علف هرز جوموشی در نقاط نمونه برداری نشده و نیز ترسیم نقشه پراکنش آن انجام شد. داده های مربوط به تراکم جمعیت علف هرز جوموشی از طریق نمونه برداری از سطح یک مزرعه زعفران در خراسان جنوبی بدست آمد. برای ارزیابی قابلیت شبکه عصبی MLP در درونیابی تراکم علف هرز از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری و نیز ضریب تبیین معادله خطی رگرسیونی بین مقادیر پیش بینی شده توسط شبکه عصبی و مقادیر واقعی آنها استفاده شد. نتایج نشان داد که در فاز آموزش، آزمایش و کل، به ترتیب مقادیر 49/0 ≤P ، 18/0 ≤P و 27/0 ≤P بدست آمد که نشان دهنده عدم وجود تفاوت معنی داری در سطح 5 درصد بین مقادیر ویژگی های آماری ( میانگین، واریانس و توزیع آماری ) مجموعه داده های پیش بینی شده تراکم علف هرز و مقادیر واقعی آنها بود. به عبارتی شبکه عصبی مصنوعی به خوبی توانست مدل داده های تراکم علف هرز را بیاموزد. نتایج نشان داد که شبکه عصبی آموزش دیده، دارای قابلیت بالایی در پیش بینی تراکم علف هرز در نقاط نمونه برداری نشده بود. شبکه عصبی توانست پس از درونیابی، نقشه توزیع و تراکم گیاهچه های علف هرز جوموشی را ترسیم نماید. نقشه حاصل از درونیابی نشان داد که علف هرز جوموشی دارای توزیع لکه ای است و لذا امکان کنترل متناسب با مکان آن در مزرعه مورد مطالعه وجود دارد.

واژه های کلیدی: توزیع مکانی، درونیابی، جوموشی، شبکه عصبی، علف هرز

20.1001.1.20084749.1389.24.4.14.8

---

عنوان مقاله [English]

Prediction of Spatial Distribution Pattern of Hordeum glaucum steud. Population Using Neural Network Model

نویسندگان [English]

• hassan makarian ¹
• Abbas Rohani ²

¹

² .

چکیده [English]

Abstract
Recent interest in describing the spatial distribution patterns of weeds through using interpolation methods has increased to estimate weed seedling density from spatially refferenced data and evaluation of applicable to site-specific weed management. In this research, a multi layer perceptron neural network (MLPNN) model was developed to predict the spatial distribution of H. glaucum density, with respect to its ability to interpolate and map weed seedling densities. This method was evaluated on data of H. glaucum density in a saffron field in Southern Khorasan. Some statistical tests, such as comparisions of the means, variance, statistical distribution as well as coefficient of determination in linear regression were used between the observed point sample data and the estimated weed seedling density surfaces to evaluate the performance of the interpolation method. Results showed that in training MLPNN, test and total phase P- value was greater than 0.49, 0.18 and 0.27 percent respectively, indicating that there was no significant (p