مقايسه توانايي پيش بيني نوسان هاي جمعيت سن گندم توسط مدل هاي سيستم استنتاج عصبي- فازي تطبيقي (ANFIS)، روش سطح پاسخ (RSM) و رگرسيون خطي چند متغيره

Comparing the ability of ANFIS, RSM and multiple linear regression models for estimation of Eurygaster integriceps population

سن معمولي گندم يكي از آفات اصلي گندم و از مهم ترين مسائل گياه پزشكي ايران است. از ديرباز مدل هاي رگرسيون خطي چندگانه براي پيش بيني نوسان هاي جمعيت آفات مختلف با استفاده از متغيرهاي محيطي مورد استفاده قرار گرفته اند. استفاده از سيستم هاي هوشمند براي تخمين دقيق تر نوسان هاي جمعيت حشرات مي تواند نتايج بهتري را به همراه داشته باشد. بنابراين مطالعه اي با هدف پيش بيني نوسان هاي جمعيت سن گندم با استفاده از سيستم استنتاج فازي عصبي- تطبيقي، روش سطح پاسخ و رگرسيون خطي چند متغيره انجام شد. اين پژوهش طي سال هاي 1394و 1395 در دو مزرعه گندم آبي يك هكتاري در شهرستان چادگان انجام شد. در اين مدل ها، ميانگين دما، ميانگين رطوبت نسبي، بارش، سرعت و جهت باد، روز نمونه برداري، روز- درجه و ارتفاع از سطح دريا به عنوان متغيرهاي پاسخ استفاده شدند. داده هاي جمع آوري شده به صورت تصادفي به دو دسته آموزش (70 درصد) و آزمون (30 درصد) تقسيم شدند و از آن ها براي آموزش و ارزيابي مدل هاي انفيس، روش سطح پاسخ و همچنين رگرسيون خطي استفاده شد. دقت پيش بيني به وسيله آماره هاي R2و RMSE ارزيابي شد. نتايج، كارايي بالاتر مدل انفيس (R2= 0.93, RMSE= 0.0614)و روش سطح پاسخ( R2=0.88, RMSE=0.0836) را نسبت به مدل رگرسيون خطي چند متغيره(R2 = 0/34, RMSE= 0/23).نشان داد. همچنين تحليل حساسيت حاكي از آن بود كه ميانگين دما، رطوبت نسبي، سرعت باد و روز نمونه برداري پارامترهاي موثر بر پيش بيني تراكم سن مادر بودند.

The Sunn pest, Eurygaster integriceps Put. is one of the main pests of wheat and one of the most important plant protection problems in Iran. Multiple linear regression models have been used to predict the fluctuation of various pest populations by using environmental variables. Using intelligent systems to better estimate insect population fluctuations can lead to better results. Therefore, the current study was conducted to predict population fluctuation of the Sunn pest by using a neuro adaptive fuzzy inference system, a response surface method and multiple linear regression. This study was done during in 2015 and 2016 on two wheat farms each one with an area of one hectare in the Chadegan county. In these models, average temperature, average relative humidity, rainfall, wind speed and direction, sampling date, degree- day and altitude from sea level were used as response variables. The collected data randomly divided in two categories of training (70%) and testing (30%) and they used for train and test of ANFIS and response surface methodology. The accuracy of the prediction was evaluated by R2 and RMSE. The higher performance of the ANFIS model (R2= 0.93, RMSE= 0.0614) and RSM (R2 = 0.88, RMSE= 0.0836) resulted comparing to the multiple linear regression (R2 = 0.23, RMSE= 0.34). Also the results of sensitivity analysis indicated that the average of temperature, relative humidity, wind speed and date of sampling were the most important parameters for predicting density of adult Sunn pest.