با همکاری انجمن مهندسان مکانیک ایران
کلیدواژه‌ها = شبکه عصبی
سامانه‌های تولیدی در محیط های کنترل‌شده

پیش‌بینی متغیرهای داخلی یک گلخانه دوطرفه شیشه‌ای با ساختار ویژه با استفاده از مدل‌های شبکه عصبی (MLP و RBF)

دوره 10، شماره 2، 1399، صفحه 213-227

https://doi.org/10.22067/jam.v10i2.72346

مکیه حمدانی، مرتضی تاکی، مجید رهنما، عباس روحانی، مصطفی رحمتی جنیدآباد

چکیده یکی از مهم‌ترین اقدامات به‌منظور ایجاد محیطی مناسب برای رشد بهینه گیاه گلخانه‌ای، کنترل دقیق متغیرهای داخلی گلخانه به‌منظور بهینه‌سازی میزان تبادلات انرژی بین گلخانه با محیط بیرون است. در این راستا یکی از ایده‌های جدید، هوشمندسازی گلخانه است. اولین قدم در این مسیر، پیش‌بینی تمامی متغیرهای تاثیرگذار یک گلخانه به حساب می‌آید. از این رو در این تحقیق از دو مدل شبکه عصبی (MLP-RBF) برای تخمین چهار متغیر تأثیرگذار (شامل دمای هوا، گیاه، سقف و رطوبت هوای داخل گلخانه) یک گلخانه دوطرفه شیشه‌ای با ساختار ویژه واقع در شهر ملاثانی اهواز استفاده شد. بدین منظور از متغیرهای محیطی بیرونی شامل دما و رطوبت هوای بیرون و همچنین تابش روی سطح افق به‌عنوان فاکتورهای ورودی مدل‌ها، استفاده شد. داده‌برداری توسط حسگرهای مربوطه در گلخانه‌ای به مساحت (12 مترمربع) و حجم هوای (40 مترمکعب) انجام گرفت. نتایج نشان داد که مدل RBF از دقتی حدود 50% بیش‌تر نسبت به مدل MLP برخوردار است. در این تحقیق قابلیت تعمیم‌پذیری هر دو مدل با 80 و 40 درصد از کل داده‌های آموزشی مورد بررسی قرار گرفت. نتایج به‌دست آمده نشان داد که مدل RBF قادر است با مجموعه داده‌های کم‌تر نسبت به مدل MLP، نتایج را بهتر و دقیق‌تر برآورد کند. دقت بالاتر و قابلیت کار با مجموعه داده‌های کم‌تر از مزایای شناخته شده مدل RBF در این تحقیق بود که می‌تواند در هوشمند کردن گلخانه‌های نسل جدید و کنترل آن‌ها مورد استفاده قرار گیرد.

مهندسی پس‌ از برداشت، و فرآوری محصولات کشاورزی

بررسی اثر سرعت دورانی، دما، نوع پیچ فشاری و قطر دای بر میزان روغن استخراج‌شده از دانه روغنی کنجد

دوره 10، شماره 2، 1399، صفحه 325-336

https://doi.org/10.22067/jam.v10i2.78223

منصور عسافی، رسول معمار دستجردی، محمد نوشاد

چکیده در سال‌های اخیر همگام با رشد جمعیت و بهبود سطح زندگی، مصرف روغن‌های گیاهی رو به افزایش نهاده و موجب افزایش سطح زیر کشت دانه‌های روغنی شده است. اخیراً کنجد به‌عنوان یک گیاه مناسب روغنی برای کشت در شرایط آب و هوایی ایران مورد توجه قرار گرفته است. در این پژوهش یک دستگاه عصاره‌گیری از دانه‌ی روغنی کنجد، به روش پیچ پرسی طراحی و ساخته شد. آزمایش‌های مختلفی برای تعیین میزان روغن استخراج شده بر اساس پارامتر‌های قابل تغییر همچون شکل هندسی پیچ‌های پرسی، سرعت دورانی پیچ پرسی، دمای استخراج و قطر دای انجام شد. آزمایش‌ها در سه سطح دمایی (°C 30، 60 و 90)، سه سطح سرعت دورانی (20، 50 و 80 rpm)، سه مدل پیچ پرسی (سر راست با گام ثابت، سر راست با گام متغیر و مخروطی) و سه قطر دای (6، 8 و 10mm)، به‌صورت فاکتوریل در قالب طرح کاملاً تصادفی انجام گردید. نتایج تحقیق نشان داد که اثر نوع پیچ پرسی، سرعت دورانی، دمای استخراجی و اندازه دای بر میزان استخراج روغن در سطح یک درصد معنی‌دار است به‌گونه‌ای که پیچ پرسی مخروطی با سطح سرعت rpm 50 و سطح دمایی°C  60 و قطر دای mm6 بیشترین میزان استخراج روغن را داشت. برای پیش‌بینی میزان روغن کنجد استخراج شده از شبکه عصبی مصنوعی از نوع پرسپترون چندلایه و مقایسه آن با مدل‌های رگرسیونی استفاده شد. نتایج نشان داد که مدل شبکه عصبی مصنوعی با توپولوژی 1-8-3 با ضریب همبستگی 4۷/97 درصد و مجذور میانگین مربعات خطای، 65/0 در مقایسه با مدل‌های رگرسیون خطی و درجه دوم کارایی بالاتری در پیش‌بینی میزان روغن استخراجی دارد.

کشاورزی دیجیتال، هوشمند و دقیق

تعیین بهترین الگوریتم طبقه‌بندی به‌منظور تخمین سطح زیر کشت نخیلات با استفاده از تصاویر ماهواره لندست 8

دوره 9، شماره 2، 1398، صفحه 321-335

https://doi.org/10.22067/jam.v9i2.67310

سحر رهنما، محمد مهدی مهارلویی، محمدعلی رستمی، حسین مقصودی

چکیده محصول خرما یکی از ارزشمندترین محصولات باغبانی در ایران به‌شمار می‌آید که 16% کل صادرات جهانی را شامل می‌شود. استان کرمان دومین رتبه در سطح زیر کشت خرما در ایران را دارا است. به همین منظور تعیین سطح زیر کشت خرما اهمیت پیدا کرده است. برخی از سازمان‌ها برای تعیین سطح زیر کشت از سرشماری استفاده می‌کنند که معایب آن هزینه بالا و اتلاف وقت و نیاز به نیروی انسانی زیاد برای پوشش‌دهی کل کشور است. هدف از این تحقیق سنجش توانایی ماهواره لندست 8 با سنجده OLI  در شناسایی و تعیین سطح زیر کشت نخلستان‌ها است. برای پی بردن به بهترین روش برای شناسایی نخلستان‌ها چهار روش طبقه‌بندی نظارت‌شده Maximum Likelihood Classifier (MLC), Support Vector Machines (SVM), Neural Network (NN), Mahalanobis Distance Classifier (MDC) و یک روش طبقه‌بندی نظارت‌نشده (K-Means) مورد ارزیابی قرار گرفت. نتایج طبقه‌بندی‌ها نشان داد که دقت کلی طبقه‌بندی10/99 % (ضریب کاپا 98/0) با استفاده از NN، 77/98 % (ضریب کاپا 975/0) با استفاده از MLC، 66/98 % (ضریب کاپا 973/0) با استفاده از SVM، 52/98 % (ضریب کاپا 97/0) با استفاده از MDC و 52/66 % ( ضریب کاپا 31/0) با استفاده از K-Means است. خطای تخمین مساحت نخیلات با استفاده از ( RMSE) در روش NN (0)، در روش MLC (2/0)، در روش MDC (06/0)، در روش SVM (0) و در روش K-Means (0) محاسبه شد. پس از تحلیل‌داده‌ها بهترین روش طبقه‌بندی برای شناسایی نخلستان‌ها روش NN شناخته شد. در پژوهش حاضر، با بررسی انجام‌شده بر روی‌داده‌ها در ماتریس آشفتگی مشخص شد که SVM قدرت بالاتری برای شناسایی نخلستان با تشخیص 100% سامانه (تولیدکننده) نسبت به MLC را داشت و همچنین K-Means نیز می‌تواند نخلستان خرما را شناسایی کند اما مناطقی که به رنگ قهوه‌ای تیره هستند را نیز به‌عنوان نخلستان شناسایی کرده است. در مجموع می‌توان گفت هر چهار روش طبقه‌بندی نظارت‌شده با دقت قابل قبولی می‌توانند نخلستان را شناسایی کنند.

پایداری، زیست‌اقتصاد چرخشی و تاب‌آوری محیطی

پیش‌بینی عملکرد و میزان انتشار گازهای گلخانه‌ای برای تولید نیشکر در مزارع پلنت

دوره 8، شماره 2، 1397، صفحه 389-401

https://doi.org/10.22067/jam.v8i2.52870

سپیده هارونی، محمد جواد شیخ داودی، مصطفی کیانی ده کیانی

چکیده نیشکر یک گیاه مهم در جهان می‌باشد که با هدف تولید شکر و تولید انرژی کشت می‌شود به همین دلیل بررسی شرایط کشت این محصول ضرورت پیدا می‌کند. در این تحقیق مدل‌سازی انرژی مصرفی و میزان انتشار گازهای گلخانه‌ای تولید نیشکر در مزارع پلنت نیشکر انجام شد. اطلاعات لازم برای انجام این مطالعه در غالب پرسشنامه از شرکت کشت و صنعت دعبل خزایی واقع در استان خوزستان به‌دست آمد. ابتدا میزان انرژی مصرفی و میزان نشر گازهای گلخانه‌ای به‌عنوان اصلی‌ترین عامل آلایندگی برای نیشکر تولیدی در مزارع پلنت مورد تحلیل و بررسی قرار گرفت. در این پژوهش رابطه بین انرژی نهاده‌های ورودی با عملکرد تخمین زده شد. این منظور از تابع تولید کاب داگلاس و روش شبکه عصبی مصنوعی استفاده شد نتایج نشان داد که مدل به‌دست آمده از تابع کاب داگلاس قادر است عملکرد و میزان نشر گازهای گلخانه‌ای را با ضریب تبیین به‌ترتیب 89 و 92 درصد برآورد کند. روش بعدی مدل‌سازی به‌وسیله شبکه عصبی ضریب تبیین مدل به‌دست آمده برای عملکرد و گازهای گلخانه‌ای به‌ترتیب 96 و 99 درصد و مجموع مربعات خطا 0/0037 و 6-10×4/52 به‌دست آمدند؛ بنابراین شبکه عصبی مصنوعی در مقایسه با تابع تولید کاب داگلاس می‌تواند به‌خوبی عملکرد محصول نیشکر و میزان نشر گازهای گلخانه‌ای را در مزارع پلنت پیش‌بینی و مدل‌سازی کند.

کشاورزی دیجیتال، هوشمند و دقیق

تخمین کربن آلی خاک با استفاده از مدل‌های شبکه عصبی مصنوعی و رگرسیون خطی چندگانه بر اساس پردازش تصاویر رنگی

دوره 8، شماره 1، 1397، صفحه 137-148

https://doi.org/10.22067/jam.v8i1.59228

پریسا عطائیان، پرویز احمدی مقدم، ابراهیم سپهر

چکیده کربن آلی خاک منبع عظیمی از مواد مغذی برای گیاه بوده و به‌عنوان عاملی فعال در گسترش ساختمان خاک، نقش مهمی در بهبود حاصل‌خیزی خاک‌های کشاورزی دارد. هدف اصلی از این پژوهش، تخمین میزان کربن آلی خاک در زمین‌های کشاورزی با استفاده از یک روش ساده، سریع و کم هزینه می‌باشد. 80 نمونه خاک از مزارع کشاورزی شمال آذربایجان غربی تا جنوب استان به‌صورت انتخابی جمع‌آوری شد و پس از تعیین مقدار کربن آلی نمونه‌ها در آزمایشگاه، نمونه‌ها در شرایط کنترل شده مورد تصویربرداری قرار گرفتند. تصاویر رنگی در چندین فضای رنگی مختلف تحلیل شدند و در هر فضای رنگی، مدل‌های شبکه عصبی و رگرسیون چندگانه برای برآورد میزان کربن آلی خاک توسعه یافت. نتایج مدل‌سازی خطی نشان داد که بالاترین ضریب همبستگی در فضاهای رنگی LAB و LUV به‌ترتیب 0/91 و 0/92 برای مدل‌های استخراج شده از مؤلفه‌های این فضاها و کربن آلی خاک به‌دست آمد. نتایج حاصل از طبقه‌بندی به‌وسیله شبکه عصبی نشان داد که ضریب همبستگی در فضای RGB‌ بالاترین مقدار را داشته و برابر با 0/94 بوده است. نتایج نشان داد که در تمامی فضاها مدل‌سازی شبکه عصبی دقت مدل را افزایش داده است.

کشاورزی دیجیتال، هوشمند و دقیق

پیش‌بینی میزان تابش‌خورشیدی با استفاده از دمای روزانه و شبکه‌های عصبی‌مصنوعی در اقلیم‌های مختلف آب‌و‌هوایی

دوره 8، شماره 1، 1397، صفحه 197-211

https://doi.org/10.22067/jam.v8i1.62377

سید ایمان ساعدی، رضا علیمردانی، حسین موسی زاده

چکیده برآورد میزان تابش خورشیدی در هواشناسی، کشاورزی و سامانه‌های مبتنی بر این منبع انرژی پاک و تجدیدپذیر اهمیت دارد. در این پژوهش از دمای روزانه که در دسترس‌ترین داده هواشناسی است به‌عنوان تنها پارامتر مورد نیاز در اقلیم‌های مختلف، استفاده و با کمک شبکه‌های عصبی‌مصنوعی مدل‌های پیش‌بینی تابش خورشیدی توسعه داده شد. معیارهای ارزیابی مدل‌ها شامل R، RMSE و MAPE و نمودارهای پراکندگی مقادیر واقعی و پیش‌بینی شده بود. برای تأمین داده‌های طولانی‌مدت و معتبر، ایالت واشنگتن در شمال‌غربی امریکا با 19 ایستگاه هواشناسی در اقلیم‌های مختلف، انتخاب شد. ابتدا، یک ایستگاه با بیشترین داده معتبر برای توسعه شبکه‌های عصبی لحاظ شد. برای آن، مدل‌هایی با سه تابع آموزشی لونبرگ- مارکوارت (LM)، گرادیان توأم مقیاس‌شده (SCG) و تنظیم بیزین (BR) در حالات یک و دولایه پنهان با حداکثر 20 نرون در هرلایه (در مجموع 1260 مدل) توسعه داده شد و شش مدل برتر انتخاب گردید. این مدل‌ها سپس در سایر ایستگاه‌های این ایالت سنجیده شد و در نهایت، دقیق‌ترین و همه جانبه‌ترین آنها برای ارزیابی میزان تابش خورشیدی در اقلیم مشهد به‌عنوان نمونه‌ای از اقلیم داخل کشور انتخاب شد. نتایج نشان داد که شبکه‌های عصبی بیزین دقیق‌ترین پاسخ و الگوریتم SCG با بالاترین سرعت‌های پردازش، کمترین دقت را در ایالت واشنگتن دارد. بررسی کارایی دقیق‌ترین مدل‌ها (شبکه‌های عصبی بیزین) در ایستگاه هواشناسی مشهد نیز حاکی از توانایی آن بود که نشان داد به کمک این شبکه‌ها، با کمترین داده‌های هواشناسی می‌توان به برآورد مناسبی از تابش خورشیدی در اقلیم‌های متفاوت دست‌یافت.

مهندسی سامانه‌ها

انتخاب شبکه عصبی مطلوب بر پایه الگوریتم ژنتیک جهت تشخیص خرابی مکانیزم نگهدارنده کلاچ تراکتور مسی فرگوسن 285

دوره 6، شماره 2، 1395، صفحه 336-349

https://doi.org/10.22067/jam.v6i2.37726

سیدفرهاد موسوی، محمد حسین عباسپورفرد، محمدحسین آق خانی، ابراهیم ابراهیمی، احمد سهیلی مهدی زاده

چکیده تشخیص به موقع عیوب ماشین های کشاورزی برای انجام کارهای کشاورزی در زمان مناسب بسیار مهم است. تاکنون روش های تجربی و تئوری متعددی برای تشخیص خرابی قسمت های متحرک ماشین آلات ارائه شده است. در این مقاله، ساختار مطلوب شبکه های عصبی بر پایه الگوریتم ژنتیک با استفاده از نرم افزار متلب برای تشخیص عیب مکانیزم کلاچ تراکتور مسی فرگوسن 285 ارائه شده است. یک تابع ارزیاب با هدف دستیابی به ساختار مطلوب شبکه های عصبی با انتخاب مناسب تعداد لایه های پنهان، تعداد نرون ها در لایه های پنهان، تابع انتقال، توابع یادگیری، تابع کارایی و تعداد دوره‌ها مورد استفاده قرار گرفته است، به گونه ای که مقدار پارامتر خطای خروجی (MSE) محاسبه شده نیز به حداقل رسیده باشد. داده ها از سنسور شتاب سنج نصب شده بر روی مکانیزم کلاچ در سه حالت سالم، خرابی بلبرینگ و ساییدگی محور و سه سرعت 1000، 1500 و 2000 دور بر دقیقه جمع آوری شدند. تبدیل موجک بسته برای استخراج بردار خصوصیات و آنالیز مؤلفه های اصلی جهت کاهش ابعاد بردار خصوصیات اعمال شد. مناسب‌ترین پیکربندی شبکه عصبی وقتی به دست آمد که شبکه با توجه به داده های آموزش و آزمایش دارای حداقل خطا بود. بیشترین خطا مربوط به خصوصیات پایگاه اطلاعاتی Db20 بود که MSE آن برابر 0/011 به دست آمد. بهترین پایگاه داده به دست آمده از آزمایش ها و محاسبات مربوط به خانواده Db4 است که کمترین خطا را داشته و دارای یک لایه پنهان و 14 سلول عصبی می باشد، که MSE آن برابر با 7-10 × 4/09 و r آن برابر با 0/9 است که نشان می دهد، می تواند سالم بودن یا خرابی بلبرینگ و شفت کلاچ را با دقت بالا تشخیص دهد.

مهندسی سامانه‌های دامی و دامپروری

طراحی، ساخت و ارزیابی دستگاه توزین تخم‌مرغ به‌کمک سنسور خازنی و شبکه عصبی

دوره 5، شماره 2، 1394، صفحه 261-269

https://doi.org/10.22067/jam.v5i2.28513

سامان خلیلی، بهزاد محمدی الستی، مهدی عباسقلی پور

چکیده درجه‌بندی محصولات کشاورزی برای عرضه به بازارهای داخلی و خارجی همواره از اهمیت ویژه‌ای برخوردار بوده است. درجه‌بندی براساس پارامترهای مختلفی از جمله رنگ، رسیدگی، ابعاد و وزن انجام می‌گردد. وزن محصول در اکثر موارد از پارامترهای مؤثر در درجه‌بندی می‌باشد. در درجه‌بندی محصول تخم‌مرغ نیز، میزان درشتی در بازاریابی بسیار مهم می‌باشد. هدف از انجام این تحقیق، طراحی، ساخت و ارزیابی دستگاه توزین تخم‌مرغ براساس خواص دی‌الکتریک آن بوده است. یک نمونه از این دستگاه طراحی و ساخته شد. دستگاه طراحی شده از بدنه، منبع تغذیه، واحد تولید سیگنال سینوسی، واحد اندازه‌گیری ولتاژ، میکروکنترلر AVR، واحد ارتباط با کامپیوتر (PORT COM)، حسگر خازنی، نمایشگر و صفحه کلید تشکیل شده است و از شبکه عصبی برای پیش‌بینی وزن تخم‌مرغ استفاده شده است. شبکه عصبی ساخته شده 16 مقدار ولتاژ در بسامدهای مختلف را به‌عنوان ورودی دریافت نموده و مقدار وزن را به‌عنوان خروجی ارائه می‌دهد. برای واسنجی و ارزیابی دستگاه توزین، 150 عدد تخم‌مرغ مورد نیاز از یک واحد مرغداری به‌صورت تازه و در روز تخم‌گذاری تهیه گردید. آزمایش به سه دسته تقسیم شد. دسته اول در روز تخم‌گذاری، دسته دوم در روز دوم انبارداری و دسته سوم در روز چهارم انبارداری مورد آزمایش قرار گرفتند. بهترین نتایج با شبکه عصبی سه‌لایه دارای 10 نرون در لایه مخفی اول و 7 نرون در لایه مخفی دوم با بیشترین ضریب همبستگی 983/0 و کمترین خطا 502/0 به‌دست آمد و بنابراین از شبکه با مشخصات مذکور برای پیش‌بینی وزن تخم‌مرغ استفاده شد.

کشاورزی دیجیتال، هوشمند و دقیق

تشخیص آفلاتوکسین پسته با استفاده از تکنیک طیف‌سنجی رامان و شبکه عصبی

دوره 5، شماره 1، 1394، صفحه 1-9

https://doi.org/10.22067/jam.v5i1.28122

رضا محمدی گل، محمد هادی خوش تقاضا، رسول ملک فر، منصوره میرابوالفتحی، علی محمد نیکبخت

چکیده آلودگی ناشی از زهرابه قارچی آفلاتوکسین به‌عنوان یک معضل اساسی برای صادرات پسته محسوب می شود. با توجه به استقبال روزافزون استفاده از تکنیک طیف‌سنجی رامان در تشخیص و تفکیک مواد مختلف و همچنین مسائل پیشروی روش‌های آزمایشگاهی سنجش سم مذکور (مانند هزینه بالا و زمان بر بودن)، هدف از این پژوهش بررسی امکان تشخیص و سنجش آفلاتوکسین پسته با تکنیک طیف سنجی رامان و استفاده از شبکه‌های عصبی بوده است. نمونه‌های مورد تحقیق در 3 سطح بدون آلودگی (سالم)، آلودگی 20 و 100 نانوگرم در گرم (ppb) از مجموع آفلاتوکسین‌های (B1+B2+G1+G2) آماده شدند. بعد از طیف برداری، با توجه به نتایج، هنجارسازی ‌داده‌های طیفی به‌عنوان روش پیش پردازش مناسب، انتخاب شد و به‌دنبال آن برای کاهش ابعاد داده های طیفی استخراج مؤلفه‌های اصلی صورت پذیرفت. برای طبقه‌بندی نمونه‌ها، شبکه پرسپترون با قانون یادگیری پس انتشار خطا (با 4 مؤلفه اصلی مؤثر به‌عنوان ورودی و 3 نرون در لایه پنهان) مورد استفاده قرار گرفت. متوسط دقت طبقه ‌بندی شبکه 98 درصد به‌دست آمد و بنابراین، مدل‌سازی غیرخطی داده‌های طیف رامان توسط شبکه عصبی پرسپترون در طبقه بندی نمونه‌ها موفقیت‌آمیز ارزیابی شد.

کشاورزی دیجیتال، هوشمند و دقیق

تهیه نقشه‌های مدیریتی علف هرز با استفاده از شبکه‌های عصبی مصنوعی با هدف کاربرد در کشاورزی دقیق

دوره 1، شماره 2، 1390

https://doi.org/10.22067/jam.v1i2.11355

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 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.