تهيه نقشه‌هاي مديريتي علف هرز با استفاده از شبكه‌هاي عصبي مصنوعي با هدف كاربرد در كشاورزي دقيق

Making Weed Management Maps by Artificial Neural Networks for Using in Precision Agriculture

با پديد آمدن تكنيك‌هاي آماري قوي و شبكه‌هاي عصبي، مدل‌هاي پيش بيني كننده پراكنش موجودات به سرعت در اكولوژي توسعه پيدا كرده است. اين پژوهش به منظور پيش بيني و ترسيم نقشه توزيع جمعيت علف هرز تلخه با استفاده از شبكه‌هاي عصبي چندي ساز بردار يادگير (LVQ) و پرسپترون چندلايه (MLP) در سطح مزرعه انجام شد. داده‌هاي مربوط به جمعيت علف هرز از طريق نمونه برداري از 550 نقطه از سطح يك مزرعه در حال آيش واقع در مزرعه تحقيقاتي دانشكده كشاورزي دانشگاه صنعتي شاهرود در استان سمنان در سال 1389 بدست آمد. براي ارزيابي قابليت شبكه‌هاي عصبي مورد استفاده در پيش بيني توزيع مكاني علف هرز از مقايسه آماري پارامترهايي مانند ميانگين، واريانس، توزيع آماري و ضريب تبيين رگرسيوني خطي بين مقادير پيش بيني شده مكاني توسط شبكه عصبي و مقادير واقعي آن‌ها و نيز معيار دقت طبقه بندي استفاده شد. نتايج نشان داد كه در فازهاي آموزش و آزمايش بين مقادير ويژگي‌هاي آماري ميانگين، واريانس و توزيع آماري مجموعه داده‌هاي واقعي و پيش بيني شده مكاني علف هرز توسط شبكه عصبي LVQ تفاوت معني داري وجود نداشت، ولي براي شبكه عصبي MLP اين مقايسات بجز توزيع آماري معني دار شدند. همچنين نتايج نشان داد كه شبكه عصبي آموزش ديده LVQ، داراي قابليت بالايي در پيش بيني مكاني علف هرز در نقاط نمونه برداري نشده با خطاي تشخيص كمتر از 64/0 درصد بود. درحاليكه شبكه عصبي مصنوعي MLP داراي خطاي تشخيص كمتر از 6/14 درصد بود. نقشه‌هاي ترسيم شده نشان داد كه توزيع لكه اي علف هرز امكان كنترل متناسب با مكان را در مزرعه مورد مطالعه امكان پذير مي‌سازد.

With the rise of new powerful statistical techniques and neural networks models, the development of predictive species distribution models has rapidly increased in ecology. In this research, a learning vector quantization (LVQ) and multi layer perceptron (MLP) neural network models have been employed to predict, classify and map the spatial distribution of A. repens L. density. This method was evaluated based on data of weed density counted at 550 points of a fallow field located in Faculty of Agriculture, Shahrood University of Technology, Semnan, Iran, in 2010. Some statistical tests, such as comparisions of the means, variance, statistical distribution as well as coefficient of determination in linear regression were used between the observed point sample data and the estimated weed seedling density surfaces by two neural networks to evaluate the performance of the pattern recognition method. Results showed that in the training and test phases non significant different was observed between average, variance, statistical distribution in the observed and the estimated weed density by using LVQ neural network. While this comparisions was significant except statistical distribution by using MLP neural network. In addition, results indicated that trained LVQ neural network has a high capability in predicting weed density with recognition erorr less than 0.64 percent at unsampled points. While, MLP neural network recognition erorr was less than 14.6 percent at unsampled points. The maps showed that, patchy weed distribution offers large potential for using site-specific weed control on this field.