آناليز حساسيت فرآسنجه هاي موثر بر نوسانات جمعيت سن زمستان گذران با استفاده از شبكه عصبي مصنوعي

Sensivity analysis of the effective input parameters upon the population flactuation of the sunn pest adult insect using Artificial Neural Network

سن گندم Hemiptera: Scutelleridae) Eurygaster integriceps Put) مهم‌ترين آفت گندم و جو در ايران مي‌باشد. بررسي‌هاي مختلف نشان داده‌اند كه عوامل مختلف زنده و غير­زنده‌ي محيطي جمعيت‌هاي اين آفت را تحت تاثير قرار مي‌دهند. در اين مطالعه رابطه موجود بين تغييرات جمعيت سن زمستان­گذران با عوامل مختلف محيطي شامل روز نمونه­برداري، ميانگين دماي روزانه، ميانگين رطوبت نسبي، سرعت باد، جهت باد، ارتفاع از سطح دريا، ميانگين بارش مورد بررسي قرار گرفت. داده‌هاي مزرعه‌اي طي دو سال از دو مزرعه آبي گندم به مساحت يك هكتار در شهرستان چادگان جمع­آوري شدند. در اين تحقيق شبكه عصبي مصنوعي از نوع پرسپترون چند لايه با الگوريتم پس انتشار خطا و تكنيك يادگيري ماركوارت لونبرگ براي در نظر گرفتن تاثير همزمان متغيرهاي محيطي بر نوسانات سن زمستان­گذران، مورد استفاده قرار گرفت. پس از آناليز حساسيت چهار ورودي شامل متوسط دماي روزانه و رطوبت نسبي، سرعت باد و روز نمونه­برداري به عنوان ورودي‌هاي تأثير­گذار انتخاب شدند. نتايج نشان داد شبكه عصبي با دو لايه مخفي، هفت نرون در لايه مخفي اول و سه نرون در لايه مخفي دوم، تابع فعال سازي از نوع سيگموئيد، درصد داده‌هاي 60، 30، 10 به ترتيب براي آموزش، آزمون و ارزيابي براي پيش بيني نوسانات جمعيت سن مادر به كار رود (0/94= R2).

The Sunn pest, Eurygaster integriceps Put. is the most important pest of wheat and barley in Iran. Many studies have shown that various biotic and abiotic environmental factors affect the population of this pest. In this study, the relationship between population density of the Sunn pest adult insect with different environmental factors including sampling date, average daily temperature, average relative humidity, wind speed, wind direction, height from sea level and degree-day was investigated. Field data were collected from two wheat farm of one-hectare in the city of Chadegan, Isfahan province. The used network type was multilayer perceptron with back propagation algorithm and the learning algorithm was Levenberg-Markvart. After sensitivity analysis due to the ease of the model and extraction of effectiveness of factors including four factors of sampling date, temperature, humidity and wind speed were selected. The results showed that a neural network with two hidden layer, 7 neuron in the first hidden layer and three neuron in the second hidden layer, as a sigmoid activation function, and a data percentage of 60, 30, 10 for training, testing and validation for prediction of population fluctuation of the Sunn pest adult insect is used (R2= 0.94).