سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,104,356
تعداد دریافت فایل اصل مقاله97,210,289
دوستی, زهرا, معینی نقده, ناصر, زمانی, عباسعلی, ندرلو, لیلا. (1396). مدل‌سازی تغییرات جمعیت سن گندم با متغیرهای محیطی به کمک شبکۀ عصبی مصنوعی و مقایسۀ آن با مدل رگرسیون خطی در شهرستان چادگان. , 48(2), 307-315. doi: 10.22059/ijpps.2017.230466.1006774
زهرا دوستی; ناصر معینی نقده; عباسعلی زمانی; لیلا ندرلو. "مدل‌سازی تغییرات جمعیت سن گندم با متغیرهای محیطی به کمک شبکۀ عصبی مصنوعی و مقایسۀ آن با مدل رگرسیون خطی در شهرستان چادگان". , 48, 2, 1396, 307-315. doi: 10.22059/ijpps.2017.230466.1006774
دوستی, زهرا, معینی نقده, ناصر, زمانی, عباسعلی, ندرلو, لیلا. (1396). 'مدل‌سازی تغییرات جمعیت سن گندم با متغیرهای محیطی به کمک شبکۀ عصبی مصنوعی و مقایسۀ آن با مدل رگرسیون خطی در شهرستان چادگان', , 48(2), pp. 307-315. doi: 10.22059/ijpps.2017.230466.1006774
دوستی, زهرا, معینی نقده, ناصر, زمانی, عباسعلی, ندرلو, لیلا. مدل‌سازی تغییرات جمعیت سن گندم با متغیرهای محیطی به کمک شبکۀ عصبی مصنوعی و مقایسۀ آن با مدل رگرسیون خطی در شهرستان چادگان. , 1396; 48(2): 307-315. doi: 10.22059/ijpps.2017.230466.1006774

مدل‌سازی تغییرات جمعیت سن گندم با متغیرهای محیطی به کمک شبکۀ عصبی مصنوعی و مقایسۀ آن با مدل رگرسیون خطی در شهرستان چادگان

دانش گیاهپزشکی ایران
مقاله 11، دوره 48، شماره 2، اسفند 1396، صفحه 307-315    اصل مقاله (689.63 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/ijpps.2017.230466.1006774
نویسندگان
زهرا دوستی1؛ ناصر معینی نقده* 2؛ عباسعلی زمانی3؛ لیلا ندرلو4
1دانشجوی دکتری، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران
2استادیار، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران
3دانشیار، دانشکدۀ کشاورزی، دانشگاه رازی، کرمانشاه، ایران
4استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران
چکیده
این مطالعه به منظور پیش‌بینی تغییرات جمعیت سن گندم در مزرعه با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی چند گانه انجام شد. داده‌های مربوط به نوسانات جمعیت سن گندم در مزرعه‌ای به مساحت یک هکتار در 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 به عنوان متغیرهای وروردی و تغییرات جمعیت سن مادر به عنوان متغیر خروجی استفاده شد. شبکه مورد استفاده از نوع پرسپترون چند لایه با الگوریتم پس انتشار خطا و روش یادگیری مارکوارت- لونبرگ بود. نتایج نشان داد بین این دو مدل، شبکه عصبی مصنوعی با ضریب تعیین 96/0 بهتر از رگرسیون با ضریب تعیین 40/0 تراکم جمعیت سن مادر را پیش بینی می‌کند. پس از انجام آنالیز حساسیت برای ساده تر شدن مدل و استخراج عوامل مؤثرتر، چهار عامل شماره روز سال، دما، رطوبت و سرعت باد انتخاب شدند. مدل شبکه عصبی بار دیگر با استفاده از این چهار عامل آموزش داده شد و مدلی با 11 لایه مخفی بهترین نتیجه را داد که ضریب تعیین مرحله آزمون مدل 97/0 بدست آمد که باز هم حاکی از دقت بالای آن نسبت به مدل رگرسیون خطی چند گانه با ضریب تعیین 43/0 بود.
کلیدواژه‌ها
رگرسیون خطی چندگانه؛ سن گندم؛ شبکۀ عصبی مصنوعی؛ عوامل اقلیمی
مراجع
  1. Balan, B., Mohaghegh, S. & Ameri, S. (1995). State-of-Art-in permeability determination from well log data:Part 1- A comparative study, model development. Society of Petroleum Engineers, 30978, 17-25.
  2. Bianconi, A., Von Zuben, C. J., Serapiao, A. B. S. & Govone, J. (2009). Artificial neural networks: A novel approach to analysing the nutritional ecology of a blowfly species Chrysomya megacephala. Journal of Insect Science, 10, 1-18.
  3. Brown, E. & Eralp, M. (1962). The distribution of the species of Eurygaster Lap. (Hemiptera, Scutelleridae) in Middle East countries. Journal of Natural History, 5(50), 65-81.
  4. Chelani, A. B., Chalapati, R. C. V., Phadke, K. M. & Hasan, M. Z. (2002). Prediction of sulphur dioxide concentration using artificial neural networks. Environmental Modeling and Sotfware, 17, 161-168.
  5. Craverner, T. L. & Roush, W. B. (1999). Improving neural network prediction of amino acid levels in feed ingredients. Journal of Applied Poultry Research, 78(7), 983-991.
  6. FAO. (2009). sunn pests and their control in the Near East. FAO Plant Production and Protection, 1-17.
  7. Gorgypour Afzali, M., Sadeghi, A., Nazemi Rafi, G. & Ghobari, H. (2014). Relationship between densities of sunn pest Eurygaster integriceps with temperature in a field after the complete fall of wintering areas. The First National Conference on E-Agriculture and Sustainable Agriculture and Natural Resources, http://www/civilica/com/Paper-NACONF01-NACONF01_0914/html. 5 pp. (In Farsi)
  8. Jurabian, M., Zare, T. & Ostovar, O. (2005). Artificial neural networks. Ahvaz. Shahid Chamran University Press Center. 746pp. (in Farsi)
  9. Karim Zadeh, R., Hejazi, M. J., Helali, H., Iranipour, S. & Mohammadi, S. A. G. (2012). Population dynamic relationship of sunn pest Eurygaster integriceps with environmental variables in East Azerbaijan province. Iranian Journal of Plant Protection, 43(1), 165-177. (in Farsi)
  10. Malinova, T. & Guo, Z. X. (2004). Artificial neural network modelling of hydrogen storage properties of Mg-based alloys. Journal of Materials Science and Engineering: A, 365(1-2), 219-227.‏
  11. Mittal, G. S. & Zhang, J. (2000). Prediction of temperature and moisture content of frankfurters during thermal processing using neural network. Journal of Applied Poultry Research, 78(7), 13-24.
  12. Mozafari, G. & Eghbali Babadi, F. (2014). Analysis of temperature and rainfall characteristics on the attacking date of sunn pest in Isfahan Township. Spatial Planning, 17(3), 27-44. (in Farsi)
  13. Pedigo, L. P. & Buntin, G. D. (1993). Handbook of sampling methods for arthropods in agriculture. CRC Press, 705 pp.
  14. Rajabi, G. R. (2000). Ecology of cereal sunn pests in Iran. Agricultural Research, Education, Extension, and Organization Publication, Tehran, Iran. 343 pp. (in Farsi)
  15. Rajabi, G. R. (2001). Investigation on the downward migration of hibernating sunn pest individuals from the altitudes to the cereal fields in Varamin region. Journal of Pests and Plant Diseases, 68(1), 107-122. (in Farsi)
  16. Rajabi, G. R. (2007). The basic control of wheat sunn pest. Tehran: Institute of Research and Education and Promotion of Agriculture. 324 pp.(in Farsi)
  17. Worner, S. P. & Gevrey, M. (2006). Global insect pest species assemblages to determine risk of invasion. Journal of Applied Ecology, 43, 858-867.
  18. Zheng, H., Jiang, B. & Lu, H. (2011). An adaptive neural-fuzzy inference system (ANFIS) for detection of bruises on Chinese bayberry (Myrica rubra) based on fractal dimension and RGB intensity color. Journal of Food Engineering, 104, 663-667.
آمار
تعداد مشاهده مقاله: 447
تعداد دریافت فایل اصل مقاله: 290


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب