پیش بینی الگوی توزیع سوسک پوست خوار کاج، (Orthotomicus erosus (Coleoptera: Curculionidae: Scolytinae با استفاده از زمین‌آمار و شبکة عصبی مصنوعی

شیروانی فارسانی, نجمه; زمانی, عباسعلی; جمالی, صمد

doi:10.22117/jesi.2018.120190.1177

تعداد نشریات	273
تعداد نشریات سازمان	72
تعداد شماره‌ها	1,635
تعداد مقالات	18,804
تعداد مشاهده مقاله	10,408,293
تعداد دریافت فایل اصل مقاله	7,731,137

	پیش بینی الگوی توزیع سوسک پوست خوار کاج، (Orthotomicus erosus (Coleoptera: Curculionidae: Scolytinae با استفاده از زمین‌آمار و شبکة عصبی مصنوعی
نامه انجمن حشره شناسی ایران
مقاله 6، دوره 38، شماره 3 - شماره پیاپی 75، پاییز 1397، صفحه 331-343 اصل مقاله (1.1 MB)
نوع مقاله: مقاله کامل، فارسی
شناسه دیجیتال (DOI): 10.22117/jesi.2018.120190.1177
نویسندگان
نجمه شیروانی فارسانی؛ عباسعلی زمانی ؛ صمد جمالی
گروه گیاهپزشکی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران.
چکیده
سوسک پوستخوار کاج، (Orthotomicus erosus (Wollaston) (Coleoptera: Curculionidae: Scolytinae، یکی از مهمترین آفات درختان کاج می باشد. حمله و تغذیة این سوسکها بافتهای آوند آبکش را در زیر پوست درختان آلوده تخریب و عبور شیرة گیاهی را مختل نموده و باعث مرگ درختان آلوده میشود. این پژوهش به منظور پیش‌بینی الگوی توزیع و ترسیم نقشة پراکنش O. erosus با استفاده از شبکه‌های عصبی پرسپترون چند لایه (MLP)، شبکة عصبی MLP ترکیب شده با الگوریتم ژنتیک و شبکة عصبی MLP ترکیب شده با الگوریتم رقابت استعماری در سطح شهر کرمانشاه انجام شد. داده‌های مربوط به جمعیت این آفت از طریق نمونه برداری از درختان کاج در مناطق مختلف شهر کرمانشاه در سالهای 1393 و 1394 به دست آمد. برای ارزیابی قابلیت شبکه‌های عصبی مورد استفاده در پیش‌بینی توزیع آفت از مقایسة آماری پارامترهایی مانند واریانس، میانگین و توزیع آماری بین مقادیر پیش‌بینی شدة مکانی توسط شبکة عصبی MLP ترکیب شده با الگوریتم ژنتیک و الگوریتم رقابت استعماری و مقادیر واقعی آن‌ها استفاده شد. نتایج نشان داد که در فازهای آموزش و آزمایش، مقادیر پارامترهای مذکور بین داده‌های واقعی و پیش‌بینی شدة آفت تفاوت معنی‌داری را نشان نداد که نشان‌دهندة دقت بالا و نیز قابلیت شبکه‌های عصبی به منظور ترسیم نقشة پراکندگی این آفت در سطح شهر کرمانشاه میباشد. مقادیر ضریب تبیین (R²) نشان داد که الگوریتم رقابت استعماری، دقت بالاتری در تخمین تراکم O. erosus نسبت به دو روش دیگر داشته است. همچنین مقایسة مقادیر ضریب تبیین بین شبکههای عصبی مختلف و روش زمین‌آمار نشان داد که هر سه مدل شبکة عصبی الگوی توزیع سوسک پوست‌خوار را نسبت به روش زمین‌آمار بهتر پیش بینی کردند. روش زمین آمار و نقشه‌های ترسیم شده توسط شبکه های عصبی نشان داد که توزیع این آفت به صورت تجمعی است. نتایج حاصل از روش زمین‌آمار نیز نشان دهندة توزیع تجمعی آفت میباشد.
کلیدواژه‌ها
الگوریتم ژنتیک؛ الگوریتم رقابت استعماری؛ کریجینگ؛ توزیع مکانی
عنوان مقاله [English]
Predicting distribution pattern of the Mediterranean pine engraver, Orthotomicus erosus (Coleoptera: Curculionidae: Scolytinae), by geostatistics and artificial neural network
نویسندگان [English]
Najmeh Shirvani Farsani؛ Abbas Ali Zamani؛ Samad jamali
Dept. of Plant Protection, College of Agriculture, Razi University, Kermanshah, Iran.
چکیده [English]
The Mediterranean pine engraver, Orthotomicus erosus (Wollaston) (Coleoptera: Curculionidae: Scolytinae), is one of the most important pests of pine trees in Kermanshah. Attack and feeding of this pest destroy the floem tissues under the bark of the infected trees and disrupt the plant sap flow, causing the death of infected trees. The purpose of this study was to predict and mapping the distribution of O. erosus using multi-layer perceptron neural networks combined with genetic and imperialist competitive algorithms in Kermanshah. The sampling of pine trees was done in 2015-2016 in Kermanshah. To evaluate the ability of the used neural networks to predict the distribution was used statistical comparison the parameters such as mean, variance and statistical distribution between actual and predicted values by multi-layer perceptron neural networks combined with genetic and imperialist competitive algorithms. Results showed that in training and test phases, was no significant differences between average, variance and statistical distribution of actual and predicted data that indicates the high accuracy and the ability of neural networks to map the distribution of this pest in Kermanshah. The R² values revealed that imperialist competitive algorithm had a higher accuracy to estimate the density of O. erosus compared with the other two methods. In addition, the comparison of the coefficients of the R² between different neural networks and geostatistics method showed that all three neural network models predicted the distribution pattern of O. erosus better than the geostatistics method. The maps drawn by all three neural networks showed that the distribution of this pest was cumulative. The results obtained from the geostatistics method represented the cumulative distribution of the pest.
کلیدواژه‌ها [English]
Genetic algorithm, imperialist competitive algorithm, Kriging, spatial distribution


مراجع
Amani, M. (2004) Urban trees and around the urban. Magazine of Greenspace of parks organization and Greenspace of Tehran 6, 20-27 (in Persian). Asakereh, H. (2008) Application of Kriging method for rainfall interpolation, case study, rainfall interpolation 17.3.1998 in Iran. Geography and Development Magazine 42, 12-25 (in Persian). Atashpaz-Gargari, E. (2009) Imperialist Competitive Algorithm development and it is applications, M.S. Thesis, University of Tehran (in Persian). Azadeh, A., Ghaderi, S. F. & Sohrabkhani, S. (2006) Forecasting electrical consumption by integration of Neural Network, time series and ANOVA. Applied Mathematics and Computation 186, 1753-1761. Bevan, D. (1984) Orthotomicus erosus (Wollaston) in Usutupine plantations, Swaziland. Forest Research Report No. 64. Usutu Pulp Company Limited, Bhunya, Swaziland. Castera, I. & Boyd, M. (1996) Designing an Artificial Neural Network for forecasting financial and economic time series. Neurocomputing 12(5), 13-19. Choudhury, S. K. & Bartarya, G. (2003) Role of temperature and surface finish in predicting tool wear using neural network and design of experiments. International Journal of Machine Tools & Manufacture 10(2), 747-753. Dayhoff, J. E. (1990) Neural network principles. Prentice-Hall International, USA. Eglitis, A. (2000) Exotic forest pest information system for north america: Orthotomicus erosus. North American Forest Commission. Enayatifar, R., Sadaei, H. J., Abdullah, A. H. & Gangi, A. (2013) Imperialist competitive algorithm combined with refined high-order weighted fuzzy time series (RHWFTS–ICA) for short term load forecasting. Energy Conversion and Management 76(3), 1104-1116. Freeman, J. & Sakura, D. (2005) Neural networks: Algorithms, applications, and programming techniques. Addison-Wesley, Berlin. Gevery, M. & Worner, S. P. (2006) Prediction of global distribution of insect pest species in relation to climate by using an ecological informatics method. Journal of economicentomology 99(3), 979-986. Gonzalez, R., Grégoire, J. C., Drumont, A. & De Windt, N. (1996) A sampling technique to estimate within-tree populations of pre-emergent Ips typographus (Col., Scolytidae). Journal of Applied Entomology 120, 569-576. Goovaets, P. (1997) Geostatictics for natural resources evaluation. 1^th ed. 512 pp. Oxford University Press. Gotway, C. A., Ferguson, R. B, Hergert, G. W. & Peterson, T. A. (1996) Comparison of kriging and inverse distance methods for mapping soil parameters. Soil Science Society America Journal 60(13), 1237-1247. Gressie, N. (1993) Statistics for spatial data. 1^th ed. 550 pp. John Wiley, New York. Haack, R. A. (2004) Orthotomicus erosus: A new pine-infesting bark beetle in the United States. Newsletter of the Michigan Entomological Society 49, 3-4. Habashi, H., Hosseini, M., Mohammadi, J. & Rahmani, R. (2007) Geostatistic applied in forest soil studying process. Journal of Agricultural Science and natural Resources 14, 1–10. [In Persian with English summary] Hassani Pak, A. (2007) Geostatistics. 3^th ed. 538 pp. University of Tehran Press. [In Persian] Heykin, S. (1999)Neural networks; A comprehensive foundation. 2^th ed. pp 14-29. Journel, A. G. & Huijbregts, C. J. (1978) Mining geostatistics. 1^th ed. 599 pp. Academic Press. Katherine, A. R. (2001) Geostatistic using SAS software. Owen analytic inc. Deep. River, CT., 6 pp. Kaul, M., Hill, R. L. & Walthall, C. (2005)Artificial neural networks for corn and soybean yield prediction. Agriculture system 85, 1-18. Krige, D. G. & Magri, E. J. (1982) Studies of the effects of outliers and data transformation on variogram estimates for a base metal and a gold ore body. Mathematical Geology 14, 557–567. Lee, J. C., Smith, S. L. & Seybold, S. J. (2005)Mediterranean pine engraver. USDA-APHIS Pest Alert R5-PR-016. 4 pp. Mahhou, A. & Dennis, F. G. (1992) The almond trees in Morocco. HortTechnology 2, 488-492. MATLAB 8.0 AND Statistics Toolbox 8.1. (2013) The MathWorks, Inc., Natick, Massachusetts, United States. Mouton, M., Wingﬁeld, M. J., Van Wyk, P. S. & Van Wyk, P. W. J. (1994) Graphium pseudormiticum sp. nov.: a new hyphomycete with unusual conidiogenesis. Mycological Research 98, 1272-1276. Sarmadian, F., Keshavarzi, A., Odagiu, A., Zahedi, Gh. & Javadikia, H. (2014) Mapping of spatial variability of soil organic carbon based on radial basis functions method. ProEnvironment 7, 3-9. Shabaninejad, A., Tafaghodinia, B. & Zandi Sohani, N. (2017) Hybrid neural network with genetic algorithms for predicting distribution pattern of Tetranychus urticae (Acari: Tetranychidae) in cucumbers field of Ramhormoz, Iran. Persian Journal of Acarology 6(1), 53-62. Shoji, T. & Kitaura, H. (2006) Statistical and geostatistical analysis of rainfall in central Japan. Computers and Geosciences 32, 1007-1024. Shu-Heng, C. (2002) Genetic Algorithm and Genetic Programming in Computational Finance. Springer Kluwer Acadamic Publications, NewYork, USA. SPSS. (2014)SPSS base 16.0 user’s guide. SPSS Incorporation, Chicago, IL. Tonnang, Z. E. H., Nedorezov, L. V., Ochanda, H., Owino, J. O. & Lohr, B. (2010) Assessing the impact of biological control of Plutella xylostella through the application of Lotka–Volterra model. Ecological Modeling 220, 60–70. Torrecilla, J. S., Otero, L. & Sanz, P. D. (2004) A neural network approach for thermal/pressure food processing. Food Engineer 62, 89-95. Vakil-Baghmisheh, M. T. & Pavešic, N. (2003) Premature clustering phenomenon and new training algorithms for LVQ. Pattern recognition 36(5), 1901-1921. Vellido, A., Liboa, P. J. G. & Vaughan, J. (2010) Neural networks in business: a survey of applications. Expert Systems with Application 19(3), 12-24. Wang, Y. M. & Elhag, T. M. S. (2007) A comparison of neural network, evidential reasoning and multiple regression analysis in modeling bridge risks. Expert Systems with Applications 32, 336-348. Yang, L. N., Peng, L., Zhang, L. M., Zhang, L. L. & Yang, S. S. (2009) A prediction model for population occurrence of paddy stem borer (Scirpophaga incertulas), based on Back Propagation Artificial Neural Network and Principal Components Analysis. Computers andElectronics in Agriculture 200-206. Young-S, P., Ja-Myung, K., Buom-Young, L., Yeong, J. & YooShin, K. (2000) Use of an Artificial Neural Network to Predict Population Dynamics of the Forest–Pest Pine Needle Gall Midge (Diptera: Cecidomyiida). Environmental Entomology 29, 1208-1215. Yuxin, M., Mulla, D. J. & Pierre, C. R. (2006) Identifying important factors influencing corn yield and grain quality variability using artificial neural networks. Precision Agriculture 7(2), 117-135. Zhang, W. J., Zhong, X. Q. & Liu, G. H. (2008) Recognizing spatial distribution patterns of grassland insects: neural network approaches. Stochastic Environmental. Research and Risk Assessment 22, 207-216. Zhang, Y. F. & Fuh, J. Y. H. (1998) A neural network approach for early cost estimation of packaging products. Computers & Industrial Engineering 34(2), 433-50. Zhou, X. D., de Beer, Z. W., Wingﬁeld, B. D. & Wingﬁeld, M. J. (2001) Ophiostomatoid fungi associated with three pine-infesting bark beetles in South Africa. Sydowia 53, 290-300.
آمار تعداد مشاهده مقاله: 28 تعداد دریافت فایل اصل مقاله: 43

Journal Management System. Designed by sinaweb.