پيش بيني الگوي توزيع سوسك پوست خوار كاج، (Orthotomicus erosus (Coleoptera: Curculionidae: Scolytinae با استفاده از زمين‌آمار و شبكة عصبي مصنوعي

Predicting distribution pattern of the Mediterranean pine engraver, Orthotomicus erosus (Coleoptera: Curculionidae: Scolytinae), by geostatistics and artificial neural network

سوسك­ پوست­ خوار كاج، (Orthotomicus erosus (Wollaston) (Coleoptera: Curculionidae: Scolytinae، يكي از مهم­ترين آفات درختان كاج مي­ باشد. حمله و تغذية اين سوسك­ها بافت­هاي آوند آبكش را در زير پوست درختان آلوده تخريب و عبور شيرة گياهي را مختل نموده و باعث مرگ درختان آلوده مي­شود. اين پژوهش به منظور پيش‌بيني الگوي توزيع و ترسيم نقشة پراكنش O. erosus با استفاده از شبكه‌هاي عصبي پرسپترون چند لايه (MLP)، شبكة عصبي MLP تركيب شده با الگوريتم ژنتيك و شبكة عصبي MLP تركيب شده با الگوريتم رقابت استعماري در سطح شهر كرمانشاه انجام شد. داده‌هاي مربوط به جمعيت اين آفت از طريق نمونه­ برداري از درختان كاج در مناطق مختلف شهر كرمانشاه در سال­هاي 1393 و 1394 به­ دست آمد. براي ارزيابي قابليت شبكه‌هاي عصبي مورد استفاده در پيش‌بيني توزيع آفت از مقايسة آماري پارامترهايي مانند واريانس، ميانگين و توزيع آماري بين مقادير پيش‌بيني شدة مكاني توسط شبكة عصبي MLP تركيب شده با الگوريتم ژنتيك و الگوريتم رقابت استعماري و مقادير واقعي آن‌ها استفاده شد. نتايج نشان داد كه در فازهاي آموزش و آزمايش، مقادير پارامترهاي مذكور بين داده‌هاي واقعي و پيش‌بيني شدة آفت تفاوت معني‌داري را نشان نداد كه نشان‌دهندة دقت بالا و نيز قابليت شبكه‌هاي عصبي به منظور ترسيم نقشة پراكندگي اين آفت در سطح شهر كرمانشاه مي­باشد. مقادير ضريب تبيين (R2) نشان داد كه الگوريتم رقابت استعماري، دقت بالاتري در تخمين تراكم O. erosus نسبت به دو روش ديگر داشته است. همچنين مقايسة مقادير ضريب تبيين بين شبكه­هاي عصبي مختلف و روش زمين‌آمار نشان داد كه هر سه مدل شبكة عصبي الگوي توزيع سوسك پوست‌خوار را نسبت به روش زمين‌آمار بهتر پيش ­بيني كردند. روش زمين آمار و نقشه‌هاي ترسيم شده توسط شبكه ­هاي عصبي نشان داد كه توزيع اين آفت به صورت تجمعي است. نتايج حاصل از روش زمين‌آمار نيز نشان­ دهندة توزيع تجمعي آفت مي­باشد.

The Mediterranean pine engraver, Orthotomicus erosus (Wollaston) (Coleoptera: Curculionidae: Scolytinae), is one of the most important pests of pine trees in Kermanshah. Attack and feeding of this pest destroy the floem tissues under the bark of the infected trees and disrupt the plant sap flow, causing the death of infected trees. The purpose of this study was to predict and mapping the distribution of O. erosus using multi-layer perceptron neural networks combined with genetic and imperialist competitive algorithms in Kermanshah. The sampling of pine trees was done in 2015-2016 in Kermanshah. To evaluate the ability of the used neural networks to predict the distribution was used statistical comparison the parameters such as mean, variance and statistical distribution between actual and predicted values by multi-layer perceptron neural networks combined with genetic and imperialist competitive algorithms. Results showed that in training and test phases, was no significant differences between average, variance and statistical distribution of actual and predicted data that indicates the high accuracy and the ability of neural networks to map the distribution of this pest in Kermanshah. The R2 values revealed that imperialist competitive algorithm had a higher accuracy to estimate the density of O. erosus compared with the other two methods. In addition, the comparison of the coefficients of the R2 between different neural networks and geostatistics method showed that all three neural network models predicted the distribution pattern of O. erosus better than the geostatistics method. The maps drawn by all three neural networks showed that the distribution of this pest was cumulative. The results obtained from the geostatistics method represented the cumulative distribution of the pest.