تعیین الگوی توزیع جمعیت علف‌هرز خارشتر Alhagi pseudalhagi (M.B) Desv. با استفاده از شبکه عصبی مصنوعی چندی ساز بردار یادگیر (LVQ4 )

نوع مقاله : مقالات پژوهشی

نویسندگان

• عباس روحانی
• حسن مکاریان

10.22067/jpp.v27i1.22170

چکیده

تهیه نقشه‌های دقیق پراکنش علف‌های هرز به منظور کنترل متناسب با مکان آن‌ها مورد توجه بسیاری از محققین می‌باشد. این پژوهش نیز به منظور بررسی توزیع علف‌هرز خارشتر و ترسیم نقشه پراکنش آن با استفاده از شبکه عصبی چندی‌ساز‌بردار‌یادگیر (LVQ4) در سطح مزرعه انجام شد. داده‌های مربوط به جمعیت علف‌هرز خارشتر از طریق نمونه‌برداری از 550 نقطه از سطح یک مزرعه در حال آیش واقع در مزرعه تحقیقاتی دانشکده کشاورزی دانشگاه صنعتی شاهرود در استان سمنان در سال 1389 بدست آمد. ارزیابی قابلیت شبکه عصبی در پیش‌بینی توزیع مکانی علف‌هرز با مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری رگرسیونی بین مقادیر پیش بینی شده مکانی توسط شبکه‌عصبی و مقادیر واقعی آنها و نیز معیار دقت کلاس‌بندی انجام شد. نتایج نشان داد که در فاز آموزش، آزمایش و کل، به ترتیب مقادیر 7/0 ≤p ، 2/0 ≤p و 000/1 =p بدست آمد که نشان دهنده عدم وجود تفاوت معنی داری در سطح 5 درصد بین مقادیر ویژگی‌های آماری (میانگین، واریانس و توزیع آماری) مجموعه داده‌های پیش‌بینی‌شده مکانی علف‌ هرز و مقادیر واقعی آنها بود. به عبارتی شبکه عصبی مصنوعی به خوبی توانست مدل داده‌های مکانی علف هرز را بیاموزد. نتایج نشان داد که شبکه عصبی آموزش دیده، دارای قابلیت بالایی در پیش بینی مکانی علف هرز در نقاط نمونه برداری نشده با خطای تشخیص کمتر از 9/0 درصد بود. شبکه عصبی توانست پس از کلاس بندی، نقشه توزیع مکانی علف هرز خارشتر را در تمام نقاط سطح مزرعه ترسیم نماید. نقشه حاصل از کلاس بندی نشان داد که علف هرز خارشتر دارای توزیع لکه ای است و لذا امکان کنترل متناسب با مکان آن در مزرعه مورد مطالعه وجود دارد.

کلیدواژه‌ها

• توزیع لکه ای
• کشاورزی دقیق
• کلاس بندی
• نقشه علف هرز

20.1001.1.20084749.1392.27.1.14.3

---

عنوان مقاله [English]

Determination of Spatial Distribution Pattern of Alhagi pseudalhagi (M.B) Desv. Population Using Learning Vector Quantization Neural Network Model (LVQ4)

نویسندگان [English]

• A. Rohani
• H. makarian

چکیده [English]

Mapping of weeds distribution patterns for using in site-specific weed management has been favored by researchers. In this study, a learning vector quantization neural network (LVQ4) model was developed to predict and classify the spatial distribution patterns of Alhagi pseudalhagi. This method was evaluated on data of weed density counted at 550 points of a fallow field located in Faculty of Agriculture, Shahrood University of Technology, Semnan, Iran, in 2010. 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 pattern recognition method. Results showed that in training LVQ4, test and total phase P-value was greater than 0.7, 0.2 and 1.000 percent respectively, indicating that there was no significant (p

کلیدواژه‌ها [English]

• Patchy distribution
• Precision farming
• Classification
• Weed map