@article { author = {Tafaghodinia, Bahram and Shabaninejad, Alireza}, title = {Evaluation of LVQ4 artificial neural network model for Predicting spatial distribution pattern of Tuta absoluta in Ramhormoz, Iran}, journal = {Journal of Entomological Society of Iran}, volume = {36}, number = {3}, pages = {195-204}, year = {2016}, publisher = {Entomological Society of Iran}, issn = {0259-9996}, eissn = {2783-3968}, doi = {}, abstract = {In this research, a Learning Vector Quantization (LVQ) neural network model was developed to predict the spatial distribution of Tuta absoluta in tomato fields of the city of Ramhormoz, Iran. Pest density was assessed through 10 m × 10 m grid pattern on the field with a total of 100 sampling units. Some statistical tests, such as means comparison, variance and statistical distribution were performed between the sampling point data and the estimated pest values in order to evaluate the performance of prediction of pest distribution. In training and test phase, there was no significant difference in average, variance, statistical distribution and coefficient of determination at 95% confidence level. The results suggest that LVQ neural network can learn pest density model precisely and trained LVQ neural network high capability (88%) of predicting pest density for non-sampled points. The LVQNN successfully predicted and mapped the spatial distribution of Tuta absoluta whose aggregation distribution implied the possibility of using site-specific pest control in the field.  }, keywords = {Artificial Neural Network,spatial distribution,Tomato leaf miner moth}, title_fa = {ارزیابی مدل شبکه عصبی مصنوعی LVQ4 در پیش‌بینی الگوی پراکندگی شب‌پره مینوز گوجه Tuta absolutea (Lep.: Gelechiidae) در شهرستان رامهرمز}, abstract_fa = {       این پژوهش به منظور پیش­بینی الگوی پراکندگی جمعیت شب­پره‌مینوز گوجه فرنگی با استفاده از شبکه عصبی LVQ4 در سطح مزرعه در شهرستان رامهرمز انجام شد. داده های مربوط به تراکم جمعیت شب­پره مینوز گوجه فرنگی از طریق نمونه­برداری بر روی یک شبکه علامت گذاری شده مربعی با ابعاد ۱۰×۱۰ متر و در مجموع از ۱۰۰ نقطه از سطح مزرعه به دست آمد. برای ارزیابی قابلیت شبکه عصبی LVQ4‌ در پیش­بینی پراکندگی این آفت از مقایسه­های آماری پارامترهایی مانند میانگین، واریانس توزیع آماری و رگرسیون بین مقادیر پیش­بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آنها به عنوان معیار استفاده شد. نتایج حاصل نشان داد که در مرحله آموزش و آزمایش تفاوت معنی­داری در سطح اطمینان ۹۵ درصد بین میانگین، واریانس و توزیع آماری مجموعه داده­های پیش­بینی شده مکانی آفت و مقادیر واقعی آنها مشاهده نشد. بنابراین شبکه عصبی مصنوعی به خوبی توانست مدل داده­های مکانی شب­پره مینوز گوجه فرنگی را بیاموزد. نتایج به دست آمده نشان داد، که شبکه عصبی آموزش دیده دارای قابلیت بالایی در پیش­بینی مکانی این آفت در نقاط نمونه­برداری نشده با دقت تشخیص حدود ۸۸ درصد بود. شبکه عصبی توانست، نقشه توزیع مکانی شب­پره مینوز گوجه فرنگی را در تمام نقاط سطح مزرعه ترسیم نماید. نقشه حاصل نشان داد، که این آفت دارای توزیع تجمعی است و لذا امکان کنترل متناسب با مکان آن در سطح مزرعه مورد مطالعه وجود دارد.  }, keywords_fa = {توزیع مکانی,شب‌پره مینوز گوجه فرنگی,شبکه عصبی مصنوعی}, url = {https://jesi.areeo.ac.ir/article_108251.html}, eprint = {https://jesi.areeo.ac.ir/article_108251_6bcfec30595e447af8c78dd34944d2d7.pdf} }