تعيين الگوي توزيع جمعيت علف‌هرز خارشتر Alhagi pseudalhagi (M.B) Desv. با استفاده از شبكه عصبي مصنوعي چندي ساز بردار يادگير (LVQ4 )

Determination of Spatial Distribution Pattern of Alhagi pseudalhagi (M.B) Desv. Population Using Learning Vector Quantization Neural Network Model (LVQ4)

تهيه نقشه‌هاي دقيق پراكنش علف‌هاي هرز به منظور كنترل متناسب با مكان آن‌ها مورد توجه بسياري از محققين مي‌باشد. اين پژوهش نيز به منظور بررسي توزيع علف‌هرز خارشتر و ترسيم نقشه پراكنش آن با استفاده از شبكه عصبي چندي‌ساز‌بردار‌يادگير (LVQ4) در سطح مزرعه انجام شد. داده‌هاي مربوط به جمعيت علف‌هرز خارشتر از طريق نمونه‌برداري از 550 نقطه از سطح يك مزرعه در حال آيش واقع در مزرعه تحقيقاتي دانشكده كشاورزي دانشگاه صنعتي شاهرود در استان سمنان در سال 1389 بدست آمد. ارزيابي قابليت شبكه عصبي در پيش‌بيني توزيع مكاني علف‌هرز با مقايسه آماري پارامترهايي مانند ميانگين، واريانس، توزيع آماري رگرسيوني بين مقادير پيش بيني شده مكاني توسط شبكه‌عصبي و مقادير واقعي آنها و نيز معيار دقت كلاس‌بندي انجام شد. نتايج نشان داد كه در فاز آموزش، آزمايش و كل، به ترتيب مقادير 7/0 ?p ، 2/0 ?p و 000/1 =p بدست آمد كه نشان دهنده عدم وجود تفاوت معني داري در سطح 5 درصد بين مقادير ويژگي‌هاي آماري (ميانگين، واريانس و توزيع آماري) مجموعه داده‌هاي پيش‌بيني‌شده مكاني علف‌ هرز و مقادير واقعي آنها بود. به عبارتي شبكه عصبي مصنوعي به خوبي توانست مدل داده‌هاي 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 خطاي تشخيص كمتر از 9/0 درصد بود. شبكه عصبي توانست پس از كلاس بندي، نقشه توزيع مكاني علف هرز خارشتر را در تمام نقاط سطح مزرعه ترسيم نمايد. نقشه حاصل از كلاس بندي نشان داد كه علف هرز خارشتر داراي توزيع لكه اي است و لذا امكان كنترل متناسب با مكان آن در مزرعه مورد مطالعه وجود دارد.

Mapping of weeds distribution patterns for using in site-specific weed management has been favored by researchers. In this study, a learning vector quantization neural network (LVQ4) model was developed to predict and classify the spatial distribution patterns of Alhagi pseudalhagi. This method was evaluated on data of weed density counted at 550 points of a fallow field located in Faculty of Agriculture, Shahrood University of Technology, Semnan, Iran, in 2010. 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 LVQ4, test and total phase P-value was greater than 0.7, 0.2 and 1.000 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 LVQ4 neural network can learn weed density model very well. In addition, results indicated that trained LVQ4 neural network has a high capability in predicting weed density with recognition accuracy less than 0.9 percent at unsampled points. The technique showed that the LVQ4 could classify and map A. pseudalhagi spatial variability on the field. Our map showed that patchy weed distribution offers large potential for using site-specific weed control on this field