| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,133 |
| تعداد مقالات | 34,850 |
| تعداد مشاهده مقاله | 50,288,068 |
| تعداد دریافت فایل اصل مقاله | 89,434,203 |
Evaluation of metaheuristic algorithms in detecting the spatial distribution of the tomato fruitworm, Helicoverpa armigera (Lep., Noctuidae) | ||
| Journal of Entomological Society of Iran | ||
| مقاله 7، دوره 46، شماره 1، فروردین 2026، صفحه 71-83 اصل مقاله (841.78 K) | ||
| نوع مقاله: Paper, English | ||
| شناسه دیجیتال (DOI): 10.22034/jesi.46.1.7 | ||
| نویسندگان | ||
| Ronak Mohammadi؛ Maryam Aleosfoor* | ||
| Department of Plant Protection, School of Agriculture, Shiraz University, Shiraz, Iran | ||
| چکیده | ||
| This study aimed to predict the spatial distribution of the tomato fruitworm, Helicoverpa armigera (Lep., Noctuidae), using an artificial neural network optimized with ant and artificial honeybee colony algorithms. Data on the population density of this pest were collected in a 2000 m2 tomato field located at the following geographical coordinates: 38S, 693942E, and 3800263N. In these models, latitude and longitude variables were used as input variables, and population changes in the tomato fruitworm larvae of different ages were used as output variables. The network used was a multilayer perceptron optimized using two metaheuristic algorithms. To evaluate the accuracy of the neural networks used to predict the spatial distribution of this pest, an average comparison was made between the spatially predicted values by the optimized neural network and their actual values. A comparison of the means showed no significant difference between the actual and predicted spatial datasets in the training and testing phases. A coefficient of determination of 0.9987 indicated that the neural network optimized with the artificial honey bee colony algorithm achieved a higher accuracy than the ant colony algorithm, with a coefficient of determination of 0.9911 for predicting the density of H. armigera moths. In addition, neural network-generated maps, optimized using both metaheuristic algorithms, showed that the pest's spatial distribution was cumulative | ||
| کلیدواژهها | ||
| Ant colony algorithm؛ Artificial honeybee algorithm؛ Tomato fruitworm | ||
| عنوان مقاله [English] | ||
| ارزیابی الگوریتمهای فراابتکاری در تعیین توزیع فضایی کرم میوه گوجهفرنگی Helicoverpa armigera (Lep., Noctuidae) | ||
| نویسندگان [English] | ||
| روناک محمدی؛ مریم آل عصفور | ||
| گروه گیاهپزشکی، دانشکده کشاورزی، دانشگاه شیراز، شیراز | ||
| چکیده [English] | ||
| این مطالعه با هدف پیشبینی توزیع فضایی جمعیت کرم میوه گوجه فرنگی Helicoverpa armigera (Lep: Noctuidae)، با استفاده از شبکه عصبی مصنوعی بهینه شده با الگوریتم کلنی مورچه و کلنی زنبور عسل مصنوعی انجام شد. دادههای مربوط به تراکم جمعیت این آفت یک در مزرعهی گوجهفرنگی با مساحت 2000 مترمربع ثبت شد. در این مدلها از مختصات جغرافیایی نقاط نمونه برداری به عنوان متغیرهای ورودی و تغییرات جمعیت لاروهای سنین مختلف کرم میوه گوجهفرنگی به عنوان متغیر خروجی استفاده شد. شبکه مورد استفاده از نوع پرسپترون چندلایه بهینهشده با دو الگوریتم متاهیوریستیک بود. برای ارزیابی دقت شبکههای عصبی مورد استفاده در پیشبینی پراکنش فضایی این آفت، از مقایسه میانگین بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی بهینهشده و مقادیر واقعی آنها استفاده شد. مقایسه میانگین نشان داد که در فازهای آموزش و آزمایش بین مجموعه دادههای واقعی و پیشبینی شده مکانی این گونه تفاوت معنیداری وجود ندارد. وجود ضریب تبیین 9987/0 نشان از دقت بالاتر شبکه عصبی بهینهشده با الگوریتم کلنی زنبور عسل مصنوعی نسبت به الگوریتم کلنی مورچه با ضریب تبیین 9911/0 در پیشبینی تراکم شبپره H. armigera داشت. همچنین نقشههای ترسیم شده توسط شبکه عصبی بهینه شده با هر دو الگوریتم متاهیوریستیک نشان داد، توزیع فضایی این آفت تجمعی است | ||
| کلیدواژهها [English] | ||
| الگوریتم کلنی مورچه, الگوریتم زنبور عسل مصنوعی, کرم میوه گوجهفرنگی | ||
|
آمار تعداد مشاهده مقاله: 70 تعداد دریافت فایل اصل مقاله: 57 |
||