ارزيابي مدل شبكۀ عصبي مصنوعي GMDH در برآورد پراكنش مكاني كنه‌هاي خانوادۀ (Laelapidae (Acari, Mesostigmata در منطقۀ شاهرود استان سمنان

Evaluation of GMDH artificial neural network model for predicting the spatial distribution of the family Laelapidae (Acari, Mesostigmata) in Shahrood region, Semnan province

اين پژوهش به‌منظور برآورد پراكندگي مكاني كنه‌هاي خانوادۀ Laelapidae در منطقۀ شاهرود با به‌كارگيري شبكۀ عصبي مصنوعي انجام شد. داده‌هاي مربوط به تراكم جمعيت اين كنه از زيستگاه‌هاي گوناگون منطقۀ شاهرود در سال 1394 به دست آمدند. در اين پژوهش از متغيرهاي طول و عرض جغرافيايي به‌عنوان متغيرهاي ورودي و از دگرگوني‌هاي جمعيت كنه‌هاي خانوادۀ Laelapidae به‌عنوان متغير خروجي استفاده شد. شبكۀ مورداستفاده از نوع GMDH بهينه‌شده با الگوريتم ژنتيك بود. براي ارزيابي توانايي شبكه‌هاي عصبي مورد استفاده در پيش‌بيني توزيع از سنجش آماري مؤلفه هايي مانند واريانس، توزيع آماري و ميانگين ميان اندازه‌هاي پيش‌بيني‌شدۀ مكاني به‌وسيلۀ شبكه عصبي و اندازه‌هاي واقعي آن‌ها استفاده شد. نتيجه ها نشان دادند كه در فازهاي آموزش و آزمايش ميان اندازه‌هاي ويژگي‌هاي آماري واريانس، توزيع آماري و ميانگين مجموعه داده‌هاي واقعي و پيش‌بيني‌شدۀ مكاني اين خانواده به‌وسيلۀ شبكۀ عصبي GMDH، تفاوت معني‌داري وجود نداشت. نقشه‌هاي ترسيم‌شده نشان داد كه توزيع كنه‌هاي اين خانواده تجمعي است. نقشه‌هاي به‌دست‌آمده از شبكه‌هاي عصبي مصنوعي مي‌توانند به برنامه‌ريزان جهت به‌كارگيري برنامه‌هاي مهار آفت‌ها ياري كنند به‌ويژه اگر نقشه‌ها با مختصات جغرافيايي هر مكان همانندي داشته باشند. به‌طوري‌كه تمركز بيشتر مهار به منطقه هايي معطوف شود كه تراكم اين كنه‌هاي شكارگر كمتر است.

This study aimed to predict the population of Laelapid mites in Shahrood region using an artificial neural network. The data of this family were obtained in the year 2015. In this model, the variables sampling date, longitude and latitude as the input variables, and the population of Laelapid mites were used as the output variable. The network type used was GMDH neural network that was optimized by genetic algorithms. To evaluate the ability of GMDH neural networks to predict the distribution, statistical comparison parameters such as mean, variance, statistical distribution, and coefficient determination of linear regression between predicted values and actual values were used. Results showed that in training and test phases of GMDH neural network, there was no significant effect between variance, mean, and statistical distribution of actual values and predicted values. Our map showed the patchy distribution of these predatory mites. Maps obtained from artificial neural networks help program planners to use the pest control programs, particularly if maps coordinate with geographical conformity of each location. Therefore, control was focused on areas with decreased densities of these predatory mites.