دینامیسم جمعیت پسیل معمولی پسته و ارزیابی روش‎های شبکه‎ عصبی مصنوعی و عصبی- ژنتیک در پیش‎بینی انبوهی جمعیت آفت

پژوهش های حفاظت گیاهان ایران

مقاله 5، دوره 33، شماره 2 - شماره پیاپی 44، تیر 1398، صفحه 171-185   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jpp.v33i2.79972

نویسندگان

سمانه غلامی مقدم¹؛ ناصر معینی نقده^{* 2}؛ لیلا ندرلو¹

¹دانشگاه رازی، کرمانشاه

²رازی کرمانشاه

چکیده

در این بررسی، پویایی جمعیت پسیل معمولی پسته و پیش‎بینی تغییرات جمعیت آفت در شهرستان مه‎ولات استان خراسان رضوی بررسی شد. نمونه‎برداری‌های هفتگی در سال‌های 1394 و 1395 از جمعیت پوره و حشره‎ی کامل پسیل معمولی پسته در باغ پسته رقم اکبری انجام شد. روش‎‎ شبکه عصبی مصنوعی با پرسپترون چندلایه و روش ترکیبی شبکه عصبی- ژنتیک جهت پیش‎بینی جمعیت مورد استفاده قرار گرفت. میانگین دما، میانگین رطوبت نسبی، میانگین بارندگی، سرعت باد، جهت باد و جمعیت دشمنان طبیعی ورودی‎های مدل و جمعیت حشرات کامل و پوره‎ها خروجی مدل بودند. بررسی منحنی‎های تغییرات جمعیت حاکی از وجود پنج نسل از آفت بود. مقایسه‎ی میانگین جمعیت حشره کامل و پوره‎ی پسیل معمولی پسته بین دو سال نمونه‎برداری حاکی از بالاتر بودن جمعیت در سال 1395 نسبت به سال 1394 بود ولی این تفاوت تنها در مورد پوره معنادار بود. مقدار R2 (مرحله آزمون) برای جمعیت حشره کامل پسیل معمولی پسته به‎ترتیب در روش‎های شبکه عصبی مصنوعی، عصبی-ژنتیک و رگرسیون خطی برابر 61/0، 73/0 و 32/0 و مقدار RMSE (مرحله آزمون) به‎ترتیب 233/0، 083/0 و 79/31 حاصل شد. در مدل‎سازی تغییرات جمعیت پوره‎ی پسیل مقدار R2 84/0، 88/0 و 22/0و مقدار RMSE برابر 051/0، 051/0 و 03/48 به‎ترتیب در روش‎های شبکه عصبی مصنوعی، عصبی-ژنتیک و رگرسیون خطی به‎دست آمد. مقدار پایین RMSE در روش عصبی-ژنتیک پایین بودن خطا و دقت بالای مدل را نشان می‎دهد. با توجه به مقادیر پایین R2 مدل‎ رگرسیونی این روش نتوانست بخشی از تغییرپذیری تراکم جمیت پسیل معمولی پسته را به‎وسیله عوامل کمکی به کار گرفته شده توجیه کند.

کلیدواژه‌ها

الگوریتم ژنتیک؛ پسیل معمولی پسته؛ پویایی جمعیت؛ شبکه عصبی پرسپترون چندلایه؛ متغیرهای آب‎وهوایی

مراجع

1- Assar M. 2001. Biology of pistachio psylla Agonoscena pistaciae (Hom. : Psyllidae) in Dameghan and effect of Releasing Chrysoperla carnea (Stephens) (Neu.: Chrysopidae) egg integrated with using sticky yellow traps in reducing psylla populations in different generations. M. Sc. dissertation, Islamic Azad University, Science & Research Branch, Tehran, Iran. (In Persian)

2- Bianconi A., Von Zuben C.J., Serapião A.B.S., and 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- Chon T.S., Park Y.S., Kim J.M., Lee B.Y., Chung Y.J., and Kim Y. 2000. Use of an artificial neural network to predict population dynamics of the forest–pest pine needle gall midge (Diptera: Cecidomyiida), Environmental Entomolology 29: 1208-1215.

4- Dezianian A., and Sahragard A. 2004. Biology and natural enemies of pistachio psyllid, Agonoscena pistaciae in Dameghan region, Journal of Agricultural Science 1(5): 83-92. (In Persian)

5- Dustiy Z., Moeini Naghadae N., Zamani A.A., and Naderloo L. 2017. Modeling the population changes of sunn pest with environmental variables using artificial neural network and comparison with the linear regression model in Chadegan County. Iranian Journal of Plant Protection Science 47(2): 307-315. (In Persian with English abstract)

6- Food and Agriculture Organization. 2016. FAO statistical databases. From http://www.faostat.fao.org.

7- Freeman J., and Sakura D. 2005. Neural Networks: Algorithms, Applications, and Programming Techniques, Addison-Wesley, Berlin.

8- Han J., Pei J., and Kamber M. 2011. Data mining: concepts and techniques, Elsevier, Waltham, USA, 673p.

9- Hassani M.R., Nouri-Ghanbalani Gh., Eizadi H., and Shojaei M. 2010. Population fluctuations of pistachio psylla, Agonoscena pistaciae (Hemiptera: Psyllidae), in Rafsanjan region. Iranial Journal of Plant Protection Science 40(2): 93-98. (In Persian)

10- Heung B., Chak H., Zhang J., Knudby A., Bulmer C.E., and Schmidt, M.G. 2016. An overview and comparison of machine-learning techniques for classification purposes in digital soil mapping, Geoderma 265: 62-77.

11- Jalaeian M., and Karimi Malati A. 2013. Comparison of common pistachio psyllid (Agonoscena pistaciae) population on main native and non-native pistachio varieties in Khorasan Razavi Province, Plant Pest Research 2(4): 45-54. (In Persian with English abstract)

12- Karamouz M., and Araghinejad S. 2014. Advanced Hydrology. 3rd edition. Amirkabir University of Technology Press, Tehran. (In Persian)

13- Kouchakzadeh M., and Bahmani A. 2006. Assessment of artificial neural networks revenue in reducing required parameters for estimation of reference evapotranspiration. Journal of Agriculture Science 11(4): 87-97.

14- Lankin-Vega G., Worner S.P., and Teulon D.A.J. 2008. An ensemble model for predicting Rhopalosiphum padi abundance. Entomologia Experimentalis et Applicata 129: 308–315.

15- Mehrnejad M.R. 2008. Seasonal biology and abundance of Psyllaephagus pistaciae (Hymenoptera: Encyrtidae), a biocontrol agent of the common pistachio psylla Agonoscena pistaciae (Hemiptera: Psylloidea). Biocontrol Science and Technology 18: 409-417.

16- Mehrnejad M.R. 2010. Potential biological control agents of the common pistachio psylla, Agonoscena pistaciae, a review. Entomofauna 18: 249-272.

17- Mehrnejad M.R., and Emami S.Y. 2005. Parasitoids associated with the common pistachio psylla, Agonoscena pistaciae in Iran, Biological Control 32: 385-90.

18- MenhajM. 2005. Computational intelligence. Amirkabir University of Technology Press, Tehran. (In Persian)

19- Moeini- NaghadehN. 2007. Ecological approach on insect pest management. Razi University Press, Kermanshah. (In Persian)

20- Montgomer D.C., Peck E.A., and Vining, G.G. 2015. Introduction to Linear Regression Analysis, John Wiley & Sons.

21- Park Y.S., Cereghino R., Compin A., and Lek S. 2003. Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters, Ecological Modelling 160: 265-280.

22- Samih M.A., Alizadeh A., and Saberi Riseh R. 2005. Pistachio pests and diseases in Iran and their IPM, Organization of Jihad-e-University, Tehran.

23- Schaap M.G., Leij F.J., and van Genuchten M.T. 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Science of Society of America Journal 62: 847-855.

24- Souliotes C., Markoyiannaki-Printziou D., and Lefkaditis F. 2002. The problems and prospects of integrated control of Agonoscena pistaciae Burck. and Laut. (Hom., Sternorrhyncha) in Greece. Journal of Applied Entomology 126: 384-388.

25- Tonnang H.E.Z., Nedorezov L.V., Owino J.O., Ochanda H., and Lohr B. 2010. Host–parasitoid population density prediction using artificial neural networks: diamondback moth and its natural enemies. Agricultural and Forest Entomology 12: 233-242.

26- Worner S.P., and Gevrey M. 2006. Modelling global insect pest species assemblages to determine risk of invasion. Journal of Applied Ecology 43: 858-867.

27- Yang L.N., Peng L., Zhang L.M., Zhang L.L., and 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 and Electronics in Agriculture 68: 200–206.

28- Yanik E., and Unlu L. 2015. Initial study of rearing and release of Anthocoris minki Dohrn (Hemiptera: Anthocoridae) for biological control of Agonoscena pistaciae Burckhardt and Lauterer (Hemiptera: Psyllidae) in pistachio orchards. Agriculture & Forestry 61: 347-358.

29- Zhang W., Zhoung X.Q., and Liu G.H. 2008. Recognizing spatial distribution patterns of grassland insects: neural network approaches. Stochastic Environmental Research and Risk Assessment 22:207–216.