پيش بيني الگوي توزيع مكاني جمعيت علف هرز تلخه (Acroptilon repens L.) با استفاده از

Prediction of Spatial Distribution Pattern of Acroptilon repens L. Population Using Learning Vector Quantization Neural Network Model

چكيده پيشرفت هاي اخير در كشاورزي دقيق سبب شده است تا مدل هاي قابل انعطاف مختلفي جهت پيش بيني، طبقه-بندي و تهيه نقشه هاي دقيق از جمعيت علف هاي هرز به منظور كنترل متناسب بامكان آنها ارايه شود. اين پژوهش به منظور پيش بيني الگوي پراكنش جمعيت علف هرز تلخه با استفاده از شبكه عصبي بردار چندي ساز يادگير (LVQNN) در سطح مزرعه انجام شد. داده هاي مربوط به تراكم جمعيت علف هرز تلخه از طريق نمونه برداري بر روي يك شبكه علامت گذاري شده مربعي به ابعاد 2×2 متر ودرمجموع از 550 نقطه از سطح مزرعه در حال آيش در شهرستان شاهرود واقع در استان سمنان در سال 1389 بدست آمد. براي ارزيابي قابليت شبكه عصبي LVQ در پيش بيني توزيع مكاني علف هرز از مقايسه آماري پارامترهايي مانند ميانگين، واريانس، توزيع آماري و رابطه رگرسيوني بين مقادير پيش بيني شده مكاني توسط شبكه عصبي و مقادير واقعي آنها و نيز معيار دقت كلاس بندي استفاده شد. نتايج نشان داد كه در فاز آموزش، آزمايش و كل، به ترتيب مقادير 7/0 ?p ، 8/0 ?p و 000/1 =p بدست آمد، كه نشان دهنده عدم وجود تفاوت معني داري در سطح 5 درصد بين مقادير ويژگي هاي آماري (ميانگين، واريانس و توزيع آماري) مجموعه داده هاي پيش بيني شده مكاني علف هرز و مقادير واقعي آنها بود. به عبارتي شبكه عصبي مصنوعي به خوبي توانست مدل داده هاي مكاني علف هرز را بياموزد. نتايج نشان داد كه شبكه عصبي آموزش ديده، داراي قابليت بالايي در پيش بيني مكاني علف هرز در نقاط نمونه برداري نشده با دقت تشخيص كمتر از 7/2 درصد بود. شبكه عصبي توانست پس از كلاس بندي، نقشه توزيع مكاني علف هرز تلخه را در تمام نقاط سطح مزرعه ترسيم نمايد. نقشه حاصل از كلاس بندي نشان داد كه علف هرز تلخه داراي توزيع لكه اي است و لذا امكان كنترل متناسب با مكان آن در مزرعه مورد مطالعه وجود دارد.

Abstract Recent advances in precision farming technologies have triggered the need for highly flexible modelling methods to estimate, classificate and map weed population patterns for using in site-specific weed management. In this research, a learning vector quantization neural network (LVQNN) model was used to predict and classify the spatial distribution of Acroptilon repens L. density. This method was evaluated on data of A. repens L. density in a fallow field in Shahrood, Semnan province in 2010. Weed density assessments were performed following a 2 m × 2 m grid pattern on the field and a total of 550 sampling units on field. At each node of grid pattern, the numbers of A. repens L. seedlings were counted in the field within a permanent 50 cm by 50 cm quadrat. 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 to evaluate the performance of the pattern recognition method. Results showed that in training LVQNN, test and total phase P-value was greater than 0.7, 0.8 and 1 percent respectively, indicating that there was no significant (p < 0.05) difference between statsitcal parameters such as average, variance, statistical distribution and also coefficient of determination in the observed and the estimated weed seedling density. This results suggest that LVQ neural network can learn weed density model very well. In addition, results indicated that trained LVQ neural network has a high capability in predicting weed density with recognition accuracy of 2.7 percent at unsampled points. The technique showed that the LVQNN could classify and map A. repens L. spatial variability on the field. Our map showed that patchy weed distribution offers large potential for using site-specific weed control on this field.