ارزیابی قابلیت مدل شبکه عصبی مصنوعی Lvq4 در پیش‌بینی الگوی پراکندگی سرخرطومی‎های جنس Sitona Humeralis (Col: Curculionidae) در مزرعه یونجه شهرستان مرودشت

این پژوهش به منظور پیش‌بینی الگوی پراکندگی جمعیت sitona humeralis با استفاده از شبکه عصبی lvq4 در سطح مزرعه در شهرستان مرودشت انجام شد. داده های مربوط به تراکم جمعیت این آفت از طریق نمونه‌برداری بر روی یک شبکه علامت گذاری شده مربعی با ابعاد 10×10 متر و در مجموع از 100 نقطه از سطح مزرعه به دست آمد. برای ارزیابی قابلیت شبکه عصبی lvq4‌ در پیش‌بینی پراکندگی این آفت از مقایسه‌های آماری پارامترهایی مانند میانگین، واریانس توزیع آماری و رگرسیون بین مقادیر پیش‌بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آنها به عنوان معیار استفاده شد. نتایج حاصل نشان داد که در مرحله آموزش و آزمایش تفاوت معنی‌داری در سطح اطمینان 95 درصد بین میانگین، واریانس و توزیع آماری مجموعه داده‌های پیش‌بینی شده مکانی آفت و مقادیر واقعی آنها مشاهده نشد. بنابراین شبکه عصبی مصنوعی به خوبی توانست مدل داده‌های مکانی sitona humeralis را بیاموزد. نتایج به دست آمده نشان داد، که شبکه عصبی آموزش دیده دارای قابلیت بالایی در پیش‌بینی مکانی این آفت در نقاط نمونه‌برداری نشده با دقت تشخیص حدود 92 درصد بود. شبکه عصبی توانست، نقشه توزیع مکانی sitona humeralis را در تمام نقاط سطح مزرعه ترسیم نماید. نقشه حاصل نشان داد، که این آفت دارای توزیع تجمعی است و لذا امکان کنترل متناسب با مکان آن در سطح مزرعه مورد مطالعه وجود دارد.

Evaluation of the Ability of LVQ4 Artificial Neural Network Model to Predictthe Spatial Distribution Pattern of Sitona humeralis (Col: Curculionidae) in the alfalfa field in Marvdasht

In this research, a learning vector quantization neural network (LVQ) model was developed to predict the spatial distribution of Sitona humeralis in Marvdasht. This method was evaluated on data of pest density from alfalfa field. Pest density assessments were performed following a 10 m × 10 m grid pattern on the field and a total of 100 sampling units on field. Some statistical tests, such as means comparison, variance and statistical distribution were performed between the observed points samples data and the estimated pest values to evaluate the performance of prediction of pest distribution. The Results showed that in training and test phase, there were no significant differences, with the confidence level of 95%, between the statistical parameters such as average, variance, statistical distribution and also coefficient of determination in the observed and the estimated pest density. The results suggest that learning vector quantization (LVQ4) neural network can learn pest density model precisely. In addition the results also indicated that trained LVQ4 neural network had a high capability (88%) in predicting pest density for nonsampled points. The technique showed that the LVQNN could predict and map the spatial distribution of Sitona humeralis. The map showed that the pest has aggregation distribution so there is possibility potential for using sitespecific pest control on this field.