ارزيابي مدل شبكه عصبي مصنوعي GMDH در تخمين پراكنش مكاني كفشدوزك هفت نقطه اي (Coccinella septempunctata (Col.: Coccinellidae در مزارع يونجه منطقه باجگاه شيراز

Evaluation of GMDH artificial neural network model to predict the spatial distribution of Coccinella septempunctata (Col.: Coccinellidae) in the alfalfa farm of Bajgah, Shiraz

اين مطالعه به منظور پيش‌بيني تغييرات تراكم جمعيت تراكم كفشدوزك هفت نقطه­ اي در مزرعه يونجه، با استفاده از شبكه عصبي مصنوعي انجام شد. داده‌هاي مربوط به تراكم جمعيت اين حشره در مزرعه‌اي به مساحت 4 هكتار در منطقة باجگاه شيراز در سال‌ 1392-1393 ثبت شد. در اين مدل‌ها از متغيرهاي طول و عرض جغرافيايي به عنوان متغيرهاي ورودي و تغييرات جمعيت حشره كامل كفشدوزك هفت نقطه­ اي به عنوان متغير خروجي استفاده شد. شبكه مورد استفاده از نوع (Group methodofdata handling (GMDH بهينه شده با الگوريتم ژنتيك بود. براي ارزيابي قابليت شبكه‌هاي عصبي مورد استفاده در پيش بيني پراكنش مكاني كفشدوزك، از مقايسه آماري پارامترهايي مانند واريانس، توزيع آماري و ميانگين 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، توزيع آماري و ميانگين مجموعه داده‌هاي واقعي و پيش بيني شده مكاني دشمن طبيعي توسط شبكه عصبي GMDH، تفاوت معني­داري وجود نداشت و همچنين وجود ضريب تبيين 0.98 نشان از دقت بالايي شبكه عصبي در پيش بيني تراكم اين گونه داشت. نقشه‌هاي ترسيم شده توسط شبكه نشان داد، توزيع اين دشمن طبيعي تجمعي است.

This study aimed to predict population of Coccinella septempunctata in the field using artificial neural network. The data was collected from a four-hectare field in years of 2013-2014 in the area of Badjga Shiraz. In this model, the input variables were, longitude and latitude and population changes of Coccinella septempunctata was used as the outcome variable. The neural network type used, was Group Method of Data Handling (GMDH) that optimized by genetic algotithm. To evaluate the ability of GMDH neural networks to predict the spatial distribution of the species, statistical comparison of the parameters such as mean, variance, statistical distribution and coefficient determination of linear regression between predicted values and actual values was used. Results showed that in training and test phases of GMDH, there was no significant effect between variance, mean and statistical distribution of actual and predicted values, and the coefficient of determination of 0.98 indicates the high accuracy of this neural network in predicting the density of this species. The drawn maps showed that the distribution of this natural enemy is patchy.