ارزیابی شبکه عصبی مصنوعی MLP بهینه شده با الگوریتم ژنتیک در تخمین و پیش بینی R0 و rm سفیدبالک گلخانهTrialeurodes vaporariorum (Hemiptera: Aleyrodoidae) با توجه به برخی ویژگی های گیاهان میزبان در شرایط گلخانه

Abstract

با توجه به اهمیت تولید محصولات گلخانه ­ای و فعالیت بالای آفات از جمله سفید بالک Trialeurodes vaporariorum در گلخانه­ ها، مدیریت این آفت ایجاب می­ کند تا مطالعات بوم‌شناختی با رویکردی جدید صورت گیرد. بنابراین، با توجه به تأثیرپذیری عملکرد زیستی سفیدبالک گلخانه از ویژگی­ های گیاه میزبان، پژوهش حاضر به منظور پیش ­بینی و تخمین مقادیر پراسنجه­ های رشد جمعیت شامل نرخ خالص تولید مثل (R0)و نرخ ذاتی افزایش جمعیت (rm) آفت، با توجه به برخی ویژگی­ های گیاهان میزبان و با استفاده از شبکه عصبی مصنوعیMLP بهینه شده با الگوریتم ژنتیک انجام شد. مقادیر نرخ خالص تولید مثل و نرخ ذاتی افزایش جمعیت آفت روی دو میزبان خیار، Cucumis sativus و کیوانو، Cucumis metuliferus محاسبه شد. همچنین تراکم و طول تریکوم ­های برگ، تراکم و مساحت سلول­های روزنه سطح زیرین برگ و مقدار سبزینه برگ هر یک از گیاهان میزبان اندازه ­گیری شد. شبکه عصبی مصنوعیMLP بهینه شده با الگوریتم ژنتیک طراحی شد و برای اطمینان از یادگیری شبکه عصبی آموزش دیده، آزمون­ های t، F و کولموگروف–اسمیرنوف به ترتیب برای مقایسة میانگین، واریانس و توزیع آماری مورد استفاده قرار گرفتند. مقادیر ضرایب تبیین 9621/0 = R2) و سطح احتمال معنی‌داری (773/0 P >) برای آزمون­های آماری بیانگر دقت و توانمندی بالا و قدرت تعمیم پذیری شبکه عصبی مصنوعی MLP در تخمین R0 و rm مربوط به سفید­بالک­ گلخانه بود.

Keywords

• سفیدبالک گلخانه
• شبکه عصبی مصنوعی
• الگوریتم ژنتیک
• گیاه میزبان
• پراسنجه‌های رشد جمعیت