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

Abstract

امروزه تشریح الگوهای پراکندگی حشرات با استفاده از روش­های 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 الگوریتم­های مختلف شبکۀ عصبی پرسپترون چندلایه‌ای (MLP) در درون‌یابی و برآورد جمعیت سفید­ بالک پنبه در نقاط نمونه­برداری نشده و نیز ترسیم نقشۀ پراکنش آن انجام شد. برای ارزیابی قابلیت الگوریتم­های 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 معنی­داری بین مقادیر ویژگی­های آماری (میانگین، واریانس) و توزیع آماری مجموعۀ داده‌های پیش­بینی‌شدۀ تراکم آفت و میزان واقعی آن بود. به عبارتی شبکۀ عصبی مصنوعی با الگوریتم لونبرگ- مارکوات به‌خوبی توانست مدل داده­های 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.