بررسی امکان استفاده از مدل انفیس و رگرسیون خطی چند متغیره در پیش بینی نوسانات جمعیت سن گندم puton (hemiptera, scutelleridae) eurygaster integriceps با استفاده از متغیرهای محیطی در شهرستان چادگان

سیستم‌های هوشمند به عنوان یکی از روش‌های نوین مدل سازی در سال‌های اخیر مورد توجه ویژه قرار گرفته‌اند. این مدل‌ها برای پیش‌بینی و طبقه‌بندی در مواردی که روش‌های کلاسیک آماری به خاطر محدودیت‌هایشان قابل استفاده نیستند، کاربرد دارند. هدف از این مطالعه، مقایسه ی‌ توانایی مدل‌های انفیس و رگرسیون خطی چند گانه جهت پیش بینی تراکم مراحل مختلف رشدی سن گندم eurygaster integriceps است. داده‌های مربوط به نوسانات جمعیت سن گندم در دو مزرعه به مساحت یک هکتار طی سال‌های 1394 و 1395 در شهرستان چادگان بدست آمد. در این مدل‌ها از متغیرهای تاریخ نمونه برداری، متوسط دما، میانگین رطوبت نسبی، سرعت باد، جهت باد، بارش، روز درجه و ارتفاع از سطح دریا به عنوان متغیرهای ورودی و تغییرات مجموع مراحل مختلف رشدی سن گندم به عنوان متغیر خروجی استفاده شد. در مدل انفیس 70 درصد داده‌ها به آموزش و 30 درصد آن‌ها به تعیین اعتبار مدل اختصاص یافت. سپس با آموزش شبکه و تعیین ساختار مطلوب بر اساس نوع، تعداد تابع عضویت و قوانین مربوطه به کمک نرم افزار matlab، مناسب‌ترین مدل بر اساس شاخص های آماری مجذور میانگین مربعات خطا (rmse) و ضریب تبیین (r2) بدست آمد. در نهایت پس از آنالیز حساسیت، نتایج نشان داد که روش انفیس (r2=0.97 , rmse=0.051 ) از صحت و دقت بالاتری نسبت به روش رگرسیون خطی چند متغیره (r2=0.47 , rmse=0.26 ) برخوردار است و عملکرد بهتری در پیش بینی نوسانات جمعیت سن گندم دارد.

Investigation for Application of Adaptive NeuroFuzzy Inference System (ANFIS) and Multi Linear Regression in Predicting Seasonal Total Development Stage Population Fluctuations of the Sunn Pest, Eurygaster integriceps Puton (Hemiptera, Scutelleridae) Using Environmental Variables in Chadegan

AbstractIntelligent systems have received considerable attention as a modern modeling methods in recent years. These models is used for prediction and classification in situations where the classic statistical models are not able due to their constraints. This study is aimed to compare the ability of ANFIS and multi factor linear regression models for predicting density of all growing stages of Sunn pest. The data population fluctuation of Sunn pest in the years 2015 and 2016 on a farm with an area of one hectar in chadegan city was obtained. Predictor variables including variables sampling date, average temperature, average relative humidity, wind speed, wind direction, rainfall, height from sea level and degree day were processed as input data to achive an output of number of developmental stages as response variable. In the ANFIS model, 70% of the data was assigned to training and 30% for validation. After network training and assessment of the best structure according to type, number of membership function and related rules with the use of MATLAB software, the appropriate model was selected based on statistical indices of, root mean square error (RMSE) and coefficient of determination (R2). After sensivity analysis the results showed that ANFIS method (RMSE= 0.051, R2= 0.97) had higher accuracy than multi linear regression (RMSE= 0.26, R2= 0.47) and better predicts the population fluctuation of Sunn pest Eurygaster integriceps.