این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
Journal of Agricultural Science and Technology، جلد ۲۰، شماره ۷، صفحات ۱۴۹۳-۱۵۰۴
عنوان فارسی پیش بینی توزیع مکانی علف هرز تاج خروس با استفاده از مدل شبکه عصبی مصنوعی تابع پایه شعاعی (RBF)
چکیده فارسی مقاله تخمین توزیع مکانی علف های هرز به منظور کنترل متناسب با مکان آنها امری ضروری است. بنابراین این پژوهش به منظور پیش بینی و درونیابی توزیع مکانی جمعیت علف هرز تاج خروس با استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی (RBF) در سطح دو مزرعه زیر کشت سیب زمینی انجام شد. داده های مربوط به جمعیت علف هرز از طریق نمونه برداری از 200 و 36 نقطه بترتیب از سطح دو مزرعه تجاری سیب زمینی در منطقه جلگه رخ تربت حیدریه و مجن شاهرود در سال 1391 بدست آمد. برای ارزیابی قابلیت شبکه عصبی در پیش بینی توزیع مکانی علف هرز از مقایسه آماری و ضریب تبیین رگرسیونی خطی بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آنها و نیز معیارهای خطا و بازده مدل استفاده شد. نتایج نشان داد که شبکه عصبی آموزش دیده RBF، دارای قابلیت بالایی در پیش بینی مکانی علف هرز در نقاط نمونه برداری نشده با بازده 100%، ضریب تبیین 999/0 و متوسط خطای کمتر از 04/0 و 07/0 به ترتیب برای منطقه مجن و جلگه رخ بود. همچنین، نتایج نشان داد که در مرحله آزمایش بین مقادیر ویژگی های آماری مجموعه داده های واقعی و پیش بینی شده مکانی علف هرز توسط شبکه عصبی RBF تفاوت معنی داری وجود نداشت. بر اساس نتایج آزمایش، شبکه عصبی RBF می تواند به عنوان یک روش جایگزین برای تخمین تابع تغییرات مکانی علف هرز یکساله ای با پراکنش تقریبا تصادفی مانند تاج خروس استفاده شود.
کلیدواژه‌های فارسی مقاله مدیریت دقیق،توزیع لکه ای،تخمین تراکم،تابع پایه شعاعی،
عنوان انگلیسی Predicting Spatial Distribution of Redroot Pigweed (Amaranthus retroflexus L.) using the RBF Neural Network Model
چکیده انگلیسی مقاله Estimating the spatial distribution of weeds for site-specific control is essential. Therefore, this research was conducted to predict and interpolate the spatial distribution of Amaranthus retroflexus L. populations using a Radial Basis Function Neural Network (RBF-NN) in two potato fields. Weed population data were collected from sampling 200 and 36 points, respectively, in two commercial potato fields in Jolge Rokh, of Torbat Heidarieh in Khorasan Razavi and Mojen of Shahroud in Semnan Provinces, Iran, in 2012. Some statistical tests, such as comparisons of the means, variance and statistical distribution, as well as linear regression, were used for the observed point sample data and the estimated weed seedling density surfaces to evaluate the neural network capability for predicting the spatial distribution of the weed. The results showed that the trained RBF-NN had high capability in the spatial prediction in points that were not sampled with 100% output, 0.999 coefficients, and an average error of less than 0.04 and 0.07 in the Mojen and Jolge Rokh Regions, respectively. Test results also showed that there was no significant difference between the statistical characteristics of actual data and the values predicted by the RBF-NN. According to the experimental results, the RBF-NN can be used as an alternative method to estimate the spatial changes function of annual weeds with random dispersion, such as Redroot Pigweed.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله | A. R. Fakoor Sharghi
Department of Agronomy and Plant Breeding, Faculty of Agriculture, Shahrood University of Technology, Shahrood, Islamic Republic of Iran.
MSc student, department of Agronomy and Plant Breeding, Shahrood University of Technology, Shahrood, Iran

| H. Makarian
Associate Prof., Dept. of Agronomy and Plant Breeding, Faculty of Agriculture, Shahrood University of Technology, Shahrood, Iran


| A. Derakhshan Shadmehri
Assistant Prof., Dept. of Plant Protection, Faculty of Agriculture, Shahrood University of Technology. Shahrood, Iran
Department of Agronomy and Plant Breeding, Faculty of Agriculture, Shahrood University of Technology, Shahrood, Islamic Republic of Iran.

| A. Rohani
Department of Biosystems Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Islamic Republic of Iran.
Department of Biosystems Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran,

| H. Abbasdokht
Associate Prof., Dept. of Agronomy and Plant Breeding, Faculty of Agriculture, Shahrood University of Technology, Shahrood, Iran
نشانی اینترنتی http://journals.modares.ac.ir/browse.php?a_code=A-23-14312-1&slc_lang=en&sid=23
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/476/article-476-1091952.pdf
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات