ارزيابي مدل شبكه عصبي مصنوعي LVQ4 در پيش‌بيني الگوي پراكندگي شب‌پره مينوز گوجه Tuta absolutea (Lep.: Gelechiidae) در شهرستان رامهرمز

Evaluation of LVQ4 artificial neural network model for Predicting spatial distribution pattern of Tuta absoluta in Ramhormoz, Iran

اين پژوهش به منظور پيش بيني الگوي پراكندگي جمعيت شب پره‌مينوز گوجه فرنگي با استفاده از شبكه عصبي LVQ4 در سطح مزرعه در شهرستان رامهرمز انجام شد. داده هاي مربوط به تراكم جمعيت شب پره مينوز گوجه فرنگي از طريق نمونه برداري بر روي يك شبكه علامت گذاري شده مربعي با ابعاد ۱۰×۱۰ متر و در مجموع از ۱۰۰ نقطه از سطح مزرعه به دست آمد. براي ارزيابي قابليت شبكه عصبي LVQ4‌ در پيش بيني پراكندگي اين آفت از مقايسه هاي آماري پارامترهايي مانند ميانگين، واريانس توزيع آماري و رگرسيون بين مقادير پيش بيني شده مكاني توسط شبكه عصبي و مقادير واقعي آنها به عنوان معيار استفاده شد. نتايج حاصل نشان داد كه در مرحله آموزش و آزمايش تفاوت معني داري در سطح اطمينان ۹۵ درصد بين ميانگين، واريانس و توزيع آماري مجموعه داده هاي پيش بيني شده مكاني آفت و مقادير واقعي آنها مشاهده نشد. بنابراين شبكه عصبي مصنوعي به خوبي توانست مدل داده هاي مكاني شب پره مينوز گوجه فرنگي را بياموزد. نتايج به دست آمده نشان داد، كه شبكه عصبي آموزش ديده داراي قابليت بالايي در پيش بيني مكاني اين آفت در نقاط نمونه برداري نشده با دقت تشخيص حدود ۸۸ درصد بود. شبكه عصبي توانست، نقشه توزيع مكاني شب پره مينوز گوجه فرنگي را در تمام نقاط سطح مزرعه ترسيم نمايد. نقشه حاصل نشان داد، كه اين آفت داراي توزيع تجمعي است و لذا امكان كنترل متناسب با مكان آن در سطح مزرعه مورد مطالعه وجود دارد.

In this research, a Learning Vector Quantization (LVQ) neural network model was developed to predict the spatial distribution of Tuta absoluta in tomato fields of the city of Ramhormoz, Iran. Pest density was assessed through 10 m × 10 m grid pattern on the field with a total of 100 sampling units. Some statistical tests, such as means comparison, variance and statistical distribution were performed between the sampling point data and the estimated pest values in order to evaluate the performance of prediction of pest distribution. In training and test phase, there was no significant difference in average, variance, statistical distribution and coefficient of determination at 95% confidence level. The results suggest that LVQ neural network can learn pest density model precisely and trained LVQ neural network high capability (88%) of predicting pest density for nonsampled points. The LVQNN successfully predicted and mapped the spatial distribution of Tuta absoluta whose aggregation distribution implied the possibility of using sitespecific pest control in the field.