ارزيابي قابليت مدل شبكه عصبي مصنوعي LVQ4 در پيش‌بيني الگوي پراكندگي سرخرطومي Sitona humeralis در مزرعه يونجه شهرستان مرودشت

Evaluation of the Ability LVQ4 Artificial Neural Network Model to Predict the Spatial Distribution Pattern of Sitona humeralis in the alfalfa field in Marvdasht

اين پژوهش به منظور پيش‌بيني الگوي پراكندگي جمعيت Sitona humeralis با استفاده از شبكه عصبي LVQ4 در سطح مزرعه در شهرستان مرودشت انجام شد. داده هاي مربوط به تراكم جمعيت اين آفت از طريق نمونه‌برداري بر روي يك شبكه علامت گذاري شده مربعي با ابعاد 10×10 متر و در مجموع از 100 نقطه از سطح مزرعه به دست آمد. براي ارزيابي قابليت شبكه عصبي LVQ4‌ در پيش‌بيني پراكندگي اين آفت از مقايسه‌هاي آماري پارامترهايي مانند ميانگين، واريانس توزيع آماري و رگرسيون بين مقادير پيش‌بيني شده مكاني توسط شبكه عصبي و مقادير واقعي آنها به عنوان معيار استفاده شد. نتايج حاصل نشان داد كه در مرحله آموزش و آزمايش تفاوت معني‌داري در سطح اطمينان 95 درصد بين ميانگين، واريانس و توزيع آماري مجموعه داده‌هاي پيش‌بيني شده مكاني آفت و مقادير واقعي آنها مشاهده نشد. بنابراين شبكه عصبي مصنوعي به خوبي توانست مدل داده‌هاي مكاني Sitona humeralis را بياموزد. نتايج به دست آمده نشان داد، كه شبكه عصبي آموزش ديده داراي قابليت بالايي در پيش‌بيني مكاني اين آفت در نقاط نمونه‌برداري نشده با دقت تشخيص حدود 92 درصد بود. شبكه عصبي توانست، نقشه توزيع مكاني Sitona humeralis را در تمام نقاط سطح مزرعه ترسيم نمايد. نقشه حاصل نشان داد، كه اين آفت داراي توزيع تجمعي است و لذا امكان كنترل متناسب با مكان آن در سطح مزرعه مورد مطالعه وجود دارد.

In this research, a learning vector quantization neural network (LVQ) model was developed to predict the spatial distribution of Sitona humeralis in Marvdasht. This method was evaluated on data of pest density from alfalfa field. Pest density assessments were performed following a 10 m × 10 m grid pattern on the field and a total of 100 sampling units on field. Some statistical tests, such as means comparison, variance and statistical distribution were performed between the observed point samples data and the estimated pest values to evaluate the performance of prediction of pest distribution. The results showed that in training and test phase, there were not significant differences, with the confidence level of 95%, between the statistical parameters such as average, variance, statistical distribution and also coefficient of determination in the observed and the estimated pest density. The results suggest that learning vector quantization (LVQ4) neural network can learn pest density model precisely. In addition the results also indicated that trained LVQ4 neural network had a high capability (92%) in predicting pest density for non-sampled points. The technique showed that the LVQNN could predict and map the spatial distribution of Sitona humeralis. The map showed that this pest has aggregation distribution so there is possibility potential for using site-specific pest control on this field.