نیکروز باقری؛ حسنی محمدی منور
چکیده
بیماری آتشک یکی از مخرّب‌ترین بیماری باکتریایی درختان میوه دانه‌داردر سراسر جهان است. در سال‌های اخیر، طیف‌سنجی به‌عنوان یک روش دقیق و زمان واقعی برای تشخیص بیماری‌های گیاهی شناخته شده است. بنابراین، هدف اصلی این پژوهش تشخیص بیماری آتشک درختان گلابی در مراحل اولیه آلودگی با استفاده از طیف‌سنجی مرئی و مادون قرمز نزدیک است. برای ...
بیشتر
بیماری آتشک یکی از مخرّب‌ترین بیماری باکتریایی درختان میوه دانه‌داردر سراسر جهان است. در سال‌های اخیر، طیف‌سنجی به‌عنوان یک روش دقیق و زمان واقعی برای تشخیص بیماری‌های گیاهی شناخته شده است. بنابراین، هدف اصلی این پژوهش تشخیص بیماری آتشک درختان گلابی در مراحل اولیه آلودگی با استفاده از طیف‌سنجی مرئی و مادون قرمز نزدیک است. برای دستیابی به این هدف، طیف بازتابی برگهای سالم، برگهای شبهبیمار و برگهای بیمار در محدوده طیفی نور مرئی و مادون قرمز نزدیک اندازهگیری شد. به منظور حفظ اطلاعات مهم طیفی و همچنین کاهش ابعاد دادهها، روش‌های مختلف خطی و غیرخطی مانند تجزیه و تحلیل PCA، نقشهبرداری سامون و روش اتوکودر چندلایه (MAE) مورد استفاده قرار گرفت. خروجی روش‌های مذکور به‌عنوان ورودی برای روش طبقهبندی SIMCA با هدف تفکیک برگ سالم، بیمار و شبهبیمار بهکار رفت. بر اساس نتایج، بهترین طبقهبندی با استفاده از روش PCA در طیف مشتقی، با دقت 8/95، 3/89 و 6/91 درصد بهترتیب برای نمونههای سالم، شبهبیمار و بیمار بهدست آمد. این نتایج توانایی روش‌های یادگیری چندمنظوره را برای تشخیص زودهنگام بیماری آتشک با استفاده از طیف‌سنجی تأیید میکند.
عباس روحانی؛ حسن مکاریان
چکیده
با پدید آمدن تکنیک‌های آماری قوی و شبکه‌های عصبی، مدل‌های پیش بینی کننده پراکنش موجودات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع جمعیت علف هرز تلخه با استفاده از شبکه‌های عصبی چندی ساز بردار یادگیر (LVQ) و پرسپترون چندلایه (MLP) در سطح مزرعه انجام شد. داده‌های مربوط به جمعیت علف هرز از طریق ...
بیشتر
با پدید آمدن تکنیک‌های آماری قوی و شبکه‌های عصبی، مدل‌های پیش بینی کننده پراکنش موجودات به سرعت در اکولوژی توسعه پیدا کرده است. این پژوهش به منظور پیش بینی و ترسیم نقشه توزیع جمعیت علف هرز تلخه با استفاده از شبکه‌های عصبی چندی ساز بردار یادگیر (LVQ) و پرسپترون چندلایه (MLP) در سطح مزرعه انجام شد. داده‌های مربوط به جمعیت علف هرز از طریق نمونه برداری از 550 نقطه از سطح یک مزرعه در حال آیش واقع در مزرعه تحقیقاتی دانشکده کشاورزی دانشگاه صنعتی شاهرود در استان سمنان در سال 1389 بدست آمد. برای ارزیابی قابلیت شبکه‌های عصبی مورد استفاده در پیش بینی توزیع مکانی علف هرز از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری و ضریب تبیین رگرسیونی خطی بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آن‌ها و نیز معیار دقت طبقه بندی استفاده شد. نتایج نشان داد که در فازهای آموزش و آزمایش بین مقادیر ویژگی‌های آماری میانگین، واریانس و توزیع آماری مجموعه داده‌های واقعی و پیش بینی شده مکانی علف هرز توسط شبکه عصبی LVQ تفاوت معنی داری وجود نداشت، ولی برای شبکه عصبی MLP این مقایسات بجز توزیع آماری معنی دار شدند. همچنین نتایج نشان داد که شبکه عصبی آموزش دیده LVQ، دارای قابلیت بالایی در پیش بینی مکانی علف هرز در نقاط نمونه برداری نشده با خطای تشخیص کمتر از 64/0 درصد بود. درحالیکه شبکه عصبی مصنوعی MLP دارای خطای تشخیص کمتر از 6/14 درصد بود. نقشه‌های ترسیم شده نشان داد که توزیع لکه ای علف هرز امکان کنترل متناسب با مکان را در مزرعه مورد مطالعه امکان پذیر می‌سازد.
