ارزيابي شبكه عصبي مصنوعي MLP بهينه شده با الگوريتم ژنتيك در تخمين و پيش بيني R0 و rm سفيدبالك گلخانهTrialeurodes vaporariorum (Hemiptera: Aleyrodoidae) با توجه به برخي ويژگي هاي گياهان ميزبان در شرايط گلخانه

Evaluation of artificial neural network MLP optimized with genetic al-gorithm in estimating and predicting R0 and rm of greenhouse whitefly Trialeurodes vaporariorum (Hemiptera:Aleyrodoidae) according to some characteristics of host plants under greenhouse conditions

با توجه به اهميت توليد محصولات گلخانه ­اي و فعاليت بالاي آفات از جمله سفيد بالك Trialeurodes vaporariorum در گلخانه­ ها، مديريت اين آفت ايجاب مي­ كند تا مطالعات بوم‌شناختي با رويكردي جديد صورت گيرد. بنابراين، با توجه به تأثيرپذيري عملكرد زيستي سفيدبالك گلخانه از ويژگي­ هاي گياه ميزبان، پژوهش حاضر به منظور پيش ­بيني و تخمين مقادير پراسنجه­ هاي رشد جمعيت شامل نرخ خالص توليد مثل (R0)و نرخ ذاتي افزايش جمعيت (rm) آفت، با توجه به برخي ويژگي­ هاي گياهان ميزبان و با استفاده از شبكه عصبي مصنوعيMLP بهينه شده با الگوريتم ژنتيك انجام شد. مقادير نرخ خالص توليد مثل و نرخ ذاتي افزايش جمعيت آفت روي دو ميزبان خيار، Cucumis sativus و كيوانو، Cucumis metuliferus محاسبه شد. همچنين تراكم و طول تريكوم ­هاي برگ، تراكم و مساحت سلول­هاي روزنه سطح زيرين برگ و مقدار سبزينه برگ هر يك از گياهان ميزبان اندازه ­گيري شد. شبكه عصبي مصنوعيMLP بهينه شده با الگوريتم ژنتيك طراحي شد و براي اطمينان از يادگيري شبكه عصبي آموزش ديده، آزمون­ هاي t، F و كولموگروف–اسميرنوف به ترتيب براي مقايسة ميانگين، واريانس و توزيع آماري مورد استفاده قرار گرفتند. مقادير ضرايب تبيين 0/9621 = R2) و سطح احتمال معني‌داري (0/773 P >) براي آزمون­هاي آماري بيانگر دقت و توانمندي بالا و قدرت تعميم پذيري شبكه عصبي مصنوعي MLP در تخمين R0 و rm مربوط به سفيد­ بالك­ گلخانه بود.

Regarding the importance of greenhouse productions and high activity of pests including Trialeurodes vaporariorum under greenhouse conditions, the management of this pest requires ecological studies with a new approach. Therefore, due to the influence of the host plant characteristics on biological performance of greenhouse whitefly, the current research was performed to predict and estimate the values of its population growth parameters including net reproduction rate (R0) and intrinsic rate of population increase (rm). Estimation was based on some morphological features of the host plants using a MLP artificial neural network. The network was optimized with a genetic algorithm. The R0 and rm values of T. vaporariurum were calculated on two host plants, Cucumis sativus L. and Cucumis metu-liferus May. Moreover, density and length of the leaf trichomes, density and area of leaf stomata cell of the lower leaf surface and the amount of leaf chlorophyll of each host plant was measured. The MLP neural network with optimal algorithm was designed. In order to evaluate the MLP neural network the T-test, F-test and Kolmogorov-Smirnov test were used to compare mean, variance, and statistical dis-tribution, respectively. The obtained coefficient of determination (R2 = 0.9621) and probability level (P > 0.773) of statistical tests indicated high accuracy and capability and high generalizability of the MLP neural network for estimating R0 and rm of greenhouse whitefly.