تركيب روش زمين‌ آمار با شبكه عصبي مصنوعي بهينه شده با الگوريتم ژنتيك در پيش‌بيني الگوي توزيع كفشدوزك هفت‌نقطه‌ايCoccinella septempunctata در مزرعه يونجه شهرستان باجگاه

Application of combined geostatistics with optimized artificial neural network by genetic algorithm to estimate the distribution of Coccinella septempunctata in the alfalfa farm of Bajgah

با پديد آمدن تكنيك‌هاي آماري قوي و شبكه‌هاي عصبي، مدل‌هاي پيش بيني كننده پراكنش موجودات به سرعت در اكولوژي توسعه پيدا كرده است. با توجه به دشواري نمونه برداري معمولا در اين گونه مطالعات تعداد نمونه كافي وجود ندارد لذا براي رفع اين مشكل در اين پژوهش به منظور پيش بيني و ترسيم نقشه توزيع كفشدوزك هفت‌نقطه‌اياز تركيب روش كريجينگ با شبكه‌هاي عصبي پرسپترون چندلايه (MLP) تركيب شده با الگوريتم ژنتيك در سطح مزرعه استفاده شد. داده‌هاي مربوط به جمعيت اين آفت از طريق نمونه برداري از سطح يك مزرعه در شهرستان باجگاه در سال 1392 بدست آمده. داده­ها توسط روش كريجينگ معمولي با نيم تغييرنماي كروي كه بهترين عملكرد را داشت ميانيابي شدند و به عنوان ورودي شبكه عصبي معرفي شدند. براي ارزيابي قابليت شبكه‌هاي عصبي مورد استفاده در پيش بيني توزيع از مقايسه آماري پارامترهايي مانند واريانس، توزيع آماري بين مقادير پيش بيني شده مكاني توسط شبكه عصبي و مقادير واقعي آن‌ها استفاده شد. نتايج نشان داد كه در فازهاي آموزش و آزمايش بين مقادير ويژگي‌هاي آماري واريانس و توزيع آماري مجموعه داده‌هاي واقعي و پيش بيني شده مكاني اين آفت توسط شبكه عصبي تركيب شده، تفاوت معني­داري وجود نداشت. نقشه‌هاي ترسيم شده نشان داد كه توزيع آفت تجمعي است.

Today, with the advance statistical techniques and neural networks, predictive models of distribution were rapidly developed in ecology. Due to the difficulty of sampling, there are usually not enough samples in such studies. Therefore, in order to predict and mapping the distribution of Coccinella septempunctata used the combination of the Kriging method with multilevel perceptron neural networks (MLP) combined with genetic algorithm at the farm level. Population data of pest was obtained in 2014 by sampling in 221 fixed points in the alfalfa farm of Bajgah. The data was interpolated by ordinary Kriging method with spherical variogram, which had the best performance, and introduced as a neural network input. To evaluate the ability combined geostatistics with optimized artificial neural network by genetic to predict the distribution used statistical comparison parameters such as mean, variance, statistical distribution and between predicted values and actual values. Results indicating that there was non-significant difference between statistical parameters such as average, variance, statistical distribution and also coefficient of determination in the observed and the estimated Coccinella septempunctata density. Our map showed that pest distribution was patchy.