این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش کشاورزی و تولید پایدار، جلد ۲۳، شماره ۱، صفحات ۸۵-۹۸
عنوان فارسی پیش بینی الگوی توزیع مکانی جمعیت علف هرز تلخه (Acroptilon repens L.) با استفاده از مدل شبکه عصبی مصنوعی بردار چندی ساز یادگیر (LVQ)
چکیده فارسی مقاله پیشرفت­های اخیر در کشاورزی دقیق سبب شده است تا مدل های قابل انعطاف مختلفی جهت پیش بینی، طبقه­بندی و تهیه نقشه­های دقیق از جمعیت علف­های هرز به منظور کنترل متناسب بامکان آنها ارائه شود. این پژوهش به منظور پیش بینی الگوی پراکنش جمعیت علف هرز تلخه با استفاده از شبکه عصبی بردار چندی ساز یادگیر(LVQNN) در سطح مزرعه انجام شد. داده های مربوط به تراکم جمعیت علف هرز تلخه از طریق نمونه برداری بر روی یک شبکه علامت گذاری شده مربعی به ابعاد 2×2 متر ودرمجموع از 550 نقطه از سطح مزرعه در حال آیش در شهرستان شاهرود واقع در استان سمنان در سال 1389 بدست آمد. برای ارزیابی قابلیت شبکه عصبی LVQدر پیش بینی توزیع مکانی علف هرز از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری و رابطه رگرسیونی بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آنها و نیز معیار دقت کلاس بندی استفاده شد. نتایج نشان داد که در فاز آموزش، آزمایش و کل، به ترتیب مقادیر 7/0 ≤p ، 8/0 ≤p و 000/1 =p بدست آمد، که نشان دهنده عدم وجود تفاوت معنی داری در سطح 5 درصد بین مقادیر ویژگی های آماری (میانگین، واریانس و توزیع آماری) مجموعه داده های پیش بینی شده مکانی علف هرز و مقادیر واقعی آنها بود. به عبارتی شبکه عصبی مصنوعی به خوبی توانست مدل داده های مکانی علف هرز را بیاموزد. نتایج نشان داد که شبکه عصبی آموزش دیده، دارای قابلیت بالایی در پیش بینی مکانی علف هرز در نقاط نمونه برداری نشده با دقت تشخیص کمتر از 7/2 درصد بود. شبکه عصبی توانست پس از کلاس بندی، نقشه توزیع مکانی علف هرز تلخه را در تمام نقاط سطح مزرعه ترسیم نماید. نقشه حاصل از کلاس­بندی نشان داد که علف هرز تلخه دارای توزیع لکه ای است و لذا امکان کنترل متناسب با مکان آن در مزرعه مورد مطالعه وجود دارد. 
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of Spatial Distribution Pattern of Acroptilon repens L. Population Using Learning Vector Quantization Neural Network Model
چکیده انگلیسی مقاله Recent advances in precision farming technologies have triggered the need for highly flexible modelling methods to estimate, classificate and map weed population patterns for using in site-specific weed management. In this research, a learning vector quantization neural network(LVQNN) model was used to predict and classify the spatial distribution of Acroptilon repens L.density. This method was evaluated on data of A. repens L.densityin afallow field in Shahrood, Semnan province in 2010. Weed density assessments were performed following a 2 m × 2 m grid pattern on the field and a total of 550 sampling units on field. At each node of grid pattern, the numbers of A. repens L.seedlings were counted in the field within a permanent 50 cm by 50 cm quadrat. Some statistical tests, such as comparisions of the means, variance, statistical distribution as well as coefficient of determination in linear regression were used between the observed point sample data and the estimated weed seedling density surfaces to evaluate the performance of the pattern recognition method.Results showed that in training LVQNN, test and total phase P-value was greater than 0.7, 0.8 and 1 percent respectively, indicating that there was no significant (p< 0.05) difference between statsitcal parameters such as average, variance, statistical distribution and also coefficient of determination in the observed and the estimated weed seedling density. This results suggest that LVQ neural network can learn weed density model very well. In addition, results indicated that trained LVQ neural network has a high capability in predicting weed density with recognition accuracy of 2.7 percent at unsampled points. The technique showed that the LVQNN could classify and map A. repens L.spatial variability on the field. Our map showed that patchy weed distribution offers large potential for using site-specific weed control on this field. 
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسن مکاریان |
استادیار، گروه زراعت، علف¬های هرز، دانشکده کشاورزی، دانشگاه صنعتی شاهرود
سازمان اصلی تایید شده: دانشگاه صنعتی شاهرود (Shahrood university of technology)

عباس روحانی |
استادیار، گروه مکانیزاسیون کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

نشانی اینترنتی http://sustainagriculture.tabrizu.ac.ir/article_690_49.html
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات