مقایسۀ عملکرد الگوریتم‌های مختلف یادگیری شبکۀ عصبی در پیش‌بینی الگوی توزیع سفید‌ بالک پنبه bemisia tabaci در خیارکاری‌های بهبهان

امروزه تشریح الگوهای پراکندگی حشرات با استفاده از روش های درون‌یابی و برآورد تراکم به‌منظور بررسی امکان مدیریت و کنترل متناسب با مکان آن‌ها مورد توجه بسیاری از محققان قرار گرفته است. این پژوهش به‌منظور ارزیابی قابلیت الگوریتم های مختلف شبکۀ عصبی پرسپترون چندلایه‌ای (mlp) در درون‌یابی و برآورد جمعیت سفید بالک پنبه در نقاط نمونه برداری نشده و نیز ترسیم نقشۀ پراکنش آن انجام شد. برای ارزیابی قابلیت الگوریتم های مختلف شبکۀ عصبی mlp از میانگین مربعات خطا و ضریب تبیین استفاده شد و برای ارزیابی شبکه با الگوریتم مطلوب از مقایسۀ فراسنجه (پارامتر) هایی مانند میانگین، واریانس، توزیع آماری و نیز ضریب تبیین رابطۀ خطی رگرسیونی بین مقادیر پیش‌بینی‌شده توسط شبکۀ عصبی با الگوریتم یادگیری مطلوب و مقادیر واقعی آن‌ها استفاده شد. نتایج نشان از عملکرد مطلوب شبکۀ عصبی با الگوریتم لونبرگ مارکوات و نرخ یادگیری 26/0، عامل مومنتوم 75/0 و شمار یازده نرون در لایۀ میانی و همچنین نبود تفاوت معنی داری بین مقادیر ویژگی های آماری (میانگین، واریانس) و توزیع آماری مجموعۀ داده‌های پیش بینی‌شدۀ تراکم آفت و میزان واقعی آن بود. به عبارتی شبکۀ عصبی مصنوعی با الگوریتم لونبرگ مارکوات به‌خوبی توانست مدل داده های تراکم سفید بالک پنبه را بیاموزد. نقشۀ به‌دست‌آمده از درون‌یابی نشان داد، این آفت توزیع تجمعی داشته و لذا امکان کنترل مناسب با مکان آن در مزرعۀ مورد بررسی وجود دارد.