ارزيابي روش‌هاي زمين‌آمار و شبكه عصبي مصنوعي در تعيين پراكنش مكاني كنه تارتن دولكه‌اي (Acari: Tetranychidae) Tetranychus urticae در مزرعه خيار شهرستان رامهرمز

Evaluation of the Geostatistical and Artificial Neural Network Methods to estimate the Spatial Distribution of Tetranychus urticae (Acari: Tetranychidae) in Ramhormoz Cucumber fields

پژوهش حاضر با هدف پيش‌بيني تراكم كنه تارتن دولكه‌اي با روش‌هاي زمين‌آمار و شبكه‌ي عصبي مصنوعي در مرزعه خيار استان خوزستان شهرستان رامهرمز انجام شد. بدين منظور مختصات طول و عرض ??? نقطه با فاصله ??متر، در سطح مزرعه مشخص و به عنوان ورودي‌هاي هر دو روش تعريف شد. خروجي هر روش نيز تعداد اين آفت در آن نقاط بود. در بخش زمين‌آمار از روش كريجينگ معمولي و در بخش شبكه عصبي مصنوعي، ساختار پرسپترون سه لايه با الگوريتم پس انتشار خطا، مورد ارزيابي قرار گرفت. مقايسه نتايج زمين‌آمار و شبكه عصبي مصنوعي بيانگر توانايي بالاي شبكه عصبي در مقايسه با روش زمين‌آمار بود، به طوري كه به ترتيب شبكه عصبي مصنوعي و زمين آمار با ضريب تبيين 891/0، ???/0 و مجموع مربعات باقيمانده 14/0، 071/? نسبت به زمين آمار خطاي كمتري داشت. در مجموع مي توان چنين نتيجه گرفت كه روش شبكه عصبي مصنوعي با تلفيق دو عامل طول و عرض جغرافيايي، قادر به پيش بيني تراكم آفت با دقت مناسب بود.

In this study, the geostatistical and artificial neural network methods were used to estimate the spatial distribution of Tetranychus urticae in Ramhormoz Cucumber fields. For this purpose, latitude and longitude of 100 points with 10 meters distance of each point were defined as inputs and output of each method was number of these pests on those points. Ordinary kriging, and perceptron with propagation algorithm were evaluated in geostatistical and artificial neural network method, respectively. In neural network a hidden layer and three-layer were considered as input. Results of the aforementioned two methods showed that artificial neural network capability is more than kriging method. So that, the artificial neural network predicts distribution of this pest with 0.891 coefficient of determination and 0.14 residual sums of squares. While in the geostatistical methods coefficient of determination and residual sums of squares were 0.601 and 0.071, respectively. So it can be concluded that the Artificial Neural Network approach with combining latitude and longitude can forecast pest density with sufficient accuracy.