مدل سازي تغييرات جمعيت سن گندم با متغيرهاي محيطي به كمك شبكۀ عصبي مصنوعي و مقايسۀ آن با مدل رگرسيون خطي در شهرستان چادگان

Modeling the population changes of sunn pest with environmental variables using artificial neural network and comparison with the linear regression model in Chadegan County

اين مطالعه به منظور پيش‌بيني تغييرات جمعيت سن گندم در مزرعه با استفاده از شبكه عصبي مصنوعي و رگرسيون خطي چند گانه انجام شد. داده‌هاي مربوط به نوسانات جمعيت سن گندم در مزرعه‌اي به مساحت يك هكتار در سال‌هاي 1394 و 1395 در شهرستان چادگان بدست آمد. در اين مدل‌ها از متغيرهاي تاريخ نمونه برداري، متوسط دما، ميانگين رطوبت نسبي، سرعت باد، جهت باد، بارش به عنوان متغيرهاي وروردي و تغييرات جمعيت سن مادر به عنوان متغير خروجي استفاده شد. شبكه مورد استفاده از نوع پرسپترون چند لايه با الگوريتم پس انتشار خطا و روش يادگيري ماركوارت- لونبرگ بود. نتايج نشان داد بين اين دو مدل، شبكه عصبي مصنوعي با ضريب تعيين 0/96 بهتر از رگرسيون با ضريب تعيين 0/40 تراكم جمعيت سن مادر را پيش بيني مي‌كند. پس از انجام آناليز حساسيت براي ساده تر شدن مدل و استخراج عوامل مؤثرتر، چهار عامل شماره روز سال، دما، رطوبت و سرعت باد انتخاب شدند. مدل شبكه عصبي بار ديگر با استفاده از اين چهار عامل آموزش داده شد و مدلي با 11 لايه مخفي بهترين نتيجه را داد كه ضريب تعيين مرحله آزمون مدل 0/97 بدست آمد كه باز هم حاكي از دقت بالاي آن نسبت به مدل رگرسيون خطي چند گانه با ضريب تعيين 0/43 بود.

This study aimed to predict population fluctuations of sunn pest in the field using the artificial neural network and multiple linear regressions. The data on population fluctuation of sunn pest was obtained in years 2015 and 2016 on a farm with an area of one hectare in the Chadegan County. In the artificial neural network model, sampling date, average temperature, average relative humidity, wind speed, wind direction, and rainfall were the input variables and population changes of mother sunn pest were used as the output variable. The used network type was multilayer perceptron with back propagation algorithm and the learning algorithm was Levenberg-Markvart. The artificial neural network model with coefficient of determination of 0.96 predicted the population density of the mother sunn pest better than the regression model with a coefficient of determination of 0.40. After sensitivity analysis due to the ease of the model and extraction of effectiveness of factors four factors of sampling date, temperature, humidity and wind speed were selected. Neural network model was trained again using the four factors and finally a model with 11 hidden layers gave the best result. The coefficient of determination in the testing step was 0.97 that showed high accuracy relative to the multiple linear regression models with the coefficient of determination 0.43 after sensitivity analysis.