نوع مقاله : مقاله پژوهشی
نویسندگان
1 استادیار، گروه زراعت، علف¬های هرز، دانشکده کشاورزی، دانشگاه صنعتی شاهرود
2 استادیار، گروه مکانیزاسیون کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد
چکیده
کلیدواژه‌ها
عنوان مقاله [English]
نویسندگان [English]
Recent advances in precision farming technologies have triggered the need for highly flexible modelling methods to estimate, classificate and map weed population patterns for using in site-specific weed management. In this research, a learning vector quantization neural network(LVQNN) model was used to predict and classify the spatial distribution of Acroptilon repens L.density. This method was evaluated on data of A. repens L.densityin afallow field in Shahrood, Semnan province in 2010. Weed density assessments were performed following a 2 m × 2 m grid pattern on the field and a total of 550 sampling units on field. At each node of grid pattern, the numbers of A. repens L.seedlings were counted in the field within a permanent 50 cm by 50 cm quadrat. Some statistical tests, such as comparisions of the means, variance, statistical distribution as well as coefficient of determination in linear regression were used between the observed point sample data and the estimated weed seedling density surfaces to evaluate the performance of the pattern recognition method.Results showed that in training LVQNN, test and total phase P-value was greater than 0.7, 0.8 and 1 percent respectively, indicating that there was no significant (p<0.05) difference between statsitcal parameters such as average, variance, statistical distribution and also coefficient of determination in the observed and the estimated weed seedling density. This results suggest that LVQ neural network can learn weed density model very well. In addition, results indicated that trained LVQ neural network has a high capability in predicting weed density with recognition accuracy of 2.7 percent at unsampled points. The technique showed that the LVQNN could classify and map A. repens L.spatial variability on the field. Our map showed that patchy weed distribution offers large potential for using site-specific weed control on this field.
کلیدواژه‌ها [English]
مقدمه
امروزه توسعه روش دقیق تر در تولید محصولات کشاورزی یکی از راهکارها در جهت به حداقل رساندن فشار ناشی از عملیات کشاورزی بر کیفیت محیط زیست میباشد (گاتیریز و همکاران 2008). کاربرد متناسب با مکان نهاده های کشاورزی (مانند کودها، علفکش ها و...) بر اساس نقشه های صحیح و دقیق، عامل کلیدی در کاربرد موفق کشاورزی دقیق است که در نهایت منجر به کاهش کمیت نهاده های مصرفی و نیز آلودگی های زیست محیطی خواهد شد (کریمی و همکاران 2005). علفهای هرز در قسمت هایی از مزرعه که شرایط موضعی برای سبز شدن آنها فراهم است تجمع می یابند یا به عبارت دیگر علفهای هرز پراکنش یکنواخت و یا تصادفی ندارند بلکه در مقیاس های مختلف دارای توزیع لکه هستند (کلی و همکاران 2006 و گونزالز- آندوجار و سودرا 2003) که این امر به دلیل اثرات متقابل بیولوژی علف هرز، شرایط موضعی ریزاقلیم[1] و عملیات مدیریتی میباشد (بیگوود و اینوی 1988). توصیف، پیش بینی و مدیریت جوامع علف هرز نیازمند شناخت الگو های توزیع علفهای هرز و تاثیر الگوها بر پویایی جمعیت میباشد (ویلز 2005). شناخت الگوهای پراکنش علفهای هرز اثرات قابل توجهی بر پیش بینی کاهش عملکرد، مدلسازی و مدیریت پایدار آنها داشته و می تواند سبب کاهش هزینه ها و نیز کاهش ورود مواد شیمیایی به محیط زیست شده و از طرفی سبب کنترل بهتر جمعیت علفهای هرز در لکه ها شود (ویلیامز و همکاران 1999). به همین خاطر امروزه تحقیقات زیادی در مورد تهیه و استفاده از نقشه های توزیع علفهای هرز با استفاده از مدلسازی پویایی جمعیت علفهای هرز به منظور بکارگیری در مدیریت متناسب با مکان در حال انجام است (دیل و همکاران 2003). اما آنچه رسیدن به این اهداف را محقق می سازد افزایش صحت و دقت روش های درون یابی و تهیه نقشه های کاربردی از جمعیت علفهای هرز است. درونیابی مکانی شامل تخمین متغیرهایی مانند تراکم گیاهچه علف هرز، زیست توده[2] و عملکرد گیاه زراعی و غیره در نقاط نمونه برداری نشده با استفاده از داده های بدست آمده از نقاط نمونه برداری شده میباشد. به عبارتی یک روش درونیابی ایده ال قادر است تا با استفاده از اطلاعات مربوط به تراکم علفهای هرز در تعداد نقاط محدود نمونه برداری شده (دارای مشاهده)، تراکم علفهای هرز را در نقاط نمونه برداری نشده به درستی تخمین بزند(مکاریان 2008). دزیانت و کازانل (1994) از روش آنالیز روند سطحی[3] که یک روش درونیابی است جهت توصیف پراکنش جوامع علف هرز در یک مزرعه ذرت استفاده کردند. آنها با برازش یک تابع چندجمله ای، توزیع مکانی علفهای هرز را نشان دادند. از دیگر روش های درونیابی مورد استفاده در مطالعات علم علفهای هرز روش های مثلث بندی خطی[4] و کریجینگ[5] را می توان نام برد. در روش مثلث بندی خطی برای درونیابی، به مقادیر نزدیکترین سه نقطه نمونه برداری شده وزن یکسانی داده می شود (ایساک و اسریواستاوا 1989). کریجینگ نیز با استفاده از سمی واریوگرام ها با ترکیب وزن های داده شده به داده های نقاط مجاور، خطای مربوط به مقادیر پیش بینی شده را محاسبه می کند (گاتوی و همکاران 1996). به هرحال یکی از نارسایی های روش های متداول در آمار کلاسیک عدم توجه به سودمندی اطلاعات مربوط به موقعیت جغرافیایی مشاهدات بوده و متعاقب آن در تجزیه و تحلیل چنین داده هایی هیچگونه ارتباط ریاضی بین تغییرات مکانی نمونه ها بعنوان تابعی از فاصله بین آنها برقرار نمی شود (مکاریان و همکاران 2007). مطالعات متعددی نشان داده است که شبکههای عصبی توانایی بالایی در تشخیص الگوهای توزیع مکانی جمعیت های اکولوژیکی دارند (مکاریان و روحانی 1389، گوئل و همکاران 2003، دراموند و همکاران 2003، ایرماک و همکاران 2006). در پژوهشی مدل شبکه عصبی بردار چندی ساز یادگیر [6] (LVQNN) توسط زنگ و همکاران (2008) برای مطالعه توزیع مکانی حشرات در اراضی مرتعی استفاده شد و کارائی مطلوبی نشان داد.
شبکه عصبی مصنوعی دارای ساختاری شبیه سیستم عصبی بیولوژی مغز انسان است (تورسیلا و همکاران 2004). امروز شبکه های عصبی در بسیاری از زمینه ها از جمله طبقه بندی، تشخیص الگو، پیش بینی و مدلسازی فرآیند ها در علوم مختلف بکار گرفته می شوند. مزیت روش شبکه عصبی یادگیری مستقیم از روی داده ها، بدون نیاز به برآورد مشخصات آماری آنها است (وکیل باغمیشه 2002). شبکه عصبی بدون در نظر گرفتن هیچ فرضیه اولیه و همچنین دانش قبلی از روابط بین پارامترهای مورد مطالعه، قادر به پیدا کردن رابطه بین مجموعه ای از ورودی ها و خروجی ها برای پیش بینی هر خروجی متناظر با ورودی دلخواه می باشد (کائول و همکاران 2005 و تورسیلا و همکاران 2004). ویژگی دیگر شبکه عصبی، تحمل پذیری در مقابل خطا میباشد (آزاده و همکاران 2006). این مزایا دلایل بکارگیری شبکه عصبی در پیش بینی تراکم علفهای هرز را برای ما روشن می سازد. شبکه های عصبی شامل تعدادی نرون های متصل بهم هستند. مراحل اصلی حل هر مسئله توسط شبکه عصبی شامل آموزش و آزمایش میباشد. آموزش، فرآیند یادگیری مجموعه داده های ورودی بمنظور تشخیص الگوهای آن توسط شبکه میباشد. روش آموزش را قانون یادگیری گویند و اتصالات وزنی بین نرون ها از طریق قانون یادگیری در طول فاز آموزش اصلاح می شوند. آزمایش، ارزیابی قابلیت تعمیم پذیری و شایستگی شبکه آموزش دیده در شرایط کاملا جدید توسط مجموعه داده های غیر از داده های آموزش گویند (گوبتا و همکاران 2003 و ویلنترف 1995). امروزه شبکه های عصبی می توانند آموزش ببینند تا با دقت بالا جمعیت علف هرز را از گیاه زراعی در مزارع متمایز کنند (یانگ و همکاران 2003). شبکه های عصبی مصنوعی پتانسیل بالایی در تفکیک گیاهان زراعی مختلف در ماشین های بصری [7]دارند. بعنوان مثال این مدل ها توانسته اند سیب زمینی را بر اساس رنگ سبز برگ ها با 74 درصد دقت و براساس شکل برگ با 3/73 درصد دقت طبقه بندی کنند (دیک و همکاران 1995). علاوه براین شبکه های عصبی مصنوعی در تفکیک پوشش های گیاهی و نیز علفهای هرز در روش های سنجش از دور مورد استفاده قرارگرفته است (گوئل و همکاران 2003 و کریمی و همکاران 2005 و شنین و همکاران 2002). گرچه با استفاده از این مدل ها توانسته اند روابط غیر خطی پیچیده و مرکب را با استفاده از تصاویر تهیه شده از کانوپی برای چند گیاه زراعی تشریح نمایند، اما این تکنیک در پیشگویی متغییرهای پیوسته ای مانند رطوبت خاک (چنگ و اسلام 2000) ، ارزیابی کیفیت آب (زنگ و همکاران 2002)، تخمین بیوماس (جین و لیو 1997) و تخمین عملکرد (دراموندا و همکاران 2003) نیز پتانسیل بالایی نشان داده است. مدل های شبکه عصبی دارای مزایایی از قبیل افزایش ظرفیت اطلاعات و توانایی بیان اثرات متقابل قوی بین متغییرهای ورودی می باشند. آیتکنهد و همکاران (2003) با استفاده از مدل شبکه عصبی پرسپترون چند لایه[8] (MLP) برای تشخیص و تمایز بین گیاه زراعی هویج، علف هرز چچم و خاک مزرعه استفاده کردند. تمایز بین آفتابگردان، توق و پس زمینه خاک نیز با استفاده از یک شبکه عصبی MLP توسط کودیر(2004) انجام شد. ارماک و همکاران (2006)، با استفاده از شبکه عصبی مصنوعی الگوهای مکانی عملکرد سویا را در سطح مزرعه پیش بینی کرده و نقش عوامل ایجاد کننده تغییرات مکانی عملکرد از جمله پستی و بلندی و حاصلخیزی خاک را نیز مورد بررسی قرار دادند. درحال حاضر، مطالعات متعددی به منظور پیش بینی و تهیه نقشه های دقیق پوشش های گیاهی، تغییرات زیست توده و عملکرد و غیره با روش های مختلف درونیابی در حال انجام است و هدف اصلی در همه آنها تهیه نقشه های قابل اطمینان جهت مدیریت دقیق مزارع میباشد. بنابراین هدف ما نیز در این مطالعه، ارزیابی قابلیت شبکه عصبی بردار چندی ساز یادگیر (LVQNN) به عنوان یک روش نوین جایگزین در پیشبینی و طبقهبندی تراکم علف هرز مهاجم تلخه (Acroptilon repens L.) در نقاط نمونه برداری نشده بر اساس داده های حاصل از نقاط نمونه برداری شده در یک مزرعه در حال آیش بود.
مواد و روش ها
داده های مورد استفاده در این آزمایش در سال 1389 از یکی از مزارع در حال آیش دانشکده کشاورزی دانشگاه صنعتی شاهرود واقع در استان سمنان جمع آوری گردید. طول و عرض جغرافیایی محل به ترتیب´54 و 58 شمالی و ´36 و °25 شرقی و ارتفاع محل از سطح دریا 1/1349 متر میباشد. میانگین بارندگی سالیانه منطقه 150 میلیمتر، میانگین سالانه دما 4/14 درجه سانتیگراد میباشد. مزرعه انتخابی به ابعاد 2000 مترمربع بود. از بین گونه های علف هرز موجود در این مزرعه تلخه (علف هرز پهن برگ چندساله) دارای بالاترین تراکم در واحد سطح بود و از طرفی به گفته راشد محصل و همکاران (1380) تلخه یکی از مهمترین علفهای هرز مزارع و مراتع در ایران بشمار می رود. بنابراین در این پژوهش توزیع جمعیت این علف هرز مورد مطالعه قرار گرفت. نمونه برداری از جمعیت علف هرز تلخه در سطحی به ابعاد 100×20 متر( 2000 مترمربع) بر روی یک شبکه علامت گذاری شده مربعی[9] به ابعاد 2×2 متر انجام و در مجموع از 550 نقطه از کل سطح مزرعه نمونه برداری انجام شد. نمونه برداری از جمعیت علفهای هرز در مرداد ماه با استفاده از کادرهای مربعی به ابعاد 50×50 سانتی متر (مساحت 25/. مترمربع) در محل تقاطع خطوط شبکه مربعی انجام شد. بطوریکه در هرکوادرات جمعیت علف هرز تلخه شناسایی و شمارش شد. سپس داده ها در مدل مورد استفاده قرار گرفت.
شبکه عصبی LVQ
شبکه عصبی Lvq یکی از روش های طبقه بندی و خوشه بندی است. نحوه کار آن بر اساس تقسیم فضای ورودی nℛبه تعدادی منطقه های متمایز از هم با نام ناحیه های تصمیم گیری[10] و اختصاص یک بردار کد[11] به هر یک از آنها است. کلاس بندی بر حسب نزدیکی بردار ورودی x به بردارهای کد انجام می شود. بردار ورودی متعلق به کلاس نزدیکترین بردار کد خواهد شد. الگوریتم تا وقتی که ناحیههای تصمیم گیری و مرکز های آنها ثابت نشود ادامه خواهد یافت. از بین شش گونه الگوریتم آموزش با نام های LVQ1، LVQ2.1، LVQ3، OLVQ (کوهونن 1990 و 1995) و LVQ4 (وکیل باغمیشه 2002 و وکیل باغمیشه و پاوسیک 2003) از الگوریتم آموزش LVQ4 به جهت بالا بودن کارآیی آن استفاده شد.
الگوریتم آموزش LVQ4
فرض شود xq بردار ورودی از مجموعه آموزش باشد:
Q , ... , q=1 ,
و wm بردار کد باشد
m=1,…, M ,
1-پیدا کردن نزدیکترین بردار کد به xq :
[1]
2-تنظیم wc:
[2]
n))𝛼 آهنگ یادگیری در طول زمان آموزش از رابطه زیر بدست آمد.
[3]
اگر کلاس بندی صحیح باشد dc(n)=s(n) میباشد و در صورتی که کلاس بندی صحیح نباشد 1-= s(n) خواهد شد. dc (n) عامل متعادل کننده است و از رابطه زیر بدست می آید:
[4]
در این رابطه، به ترتیب Ec(n) و Pc(n) تعداد بردارهایی است که به درستی و اشتباه توسط بردار کد c کلاس بندی می شود. تا پایان تکرار اول مقدار dc(n) مشخص نخواهد شد. بنابراین از روش زیر برای محاسبه آن استفاده شد:
[5]
1>𝜀>0 و 1≤𝜆 میباشد. مقادیر توصیه شده 2/0= 𝜀 و 10= 𝜆 است (وکیل باغمیشه و پاوسیک 2003).
هدف در استفاده از شبکه Lvq کلاس بندی سطح مزرعه به دو کلاس است. کلاس اول نقاطی از مزرعه که دارای علف هرز هستند و نقاط دیگری که فاقد علف هرز می باشند. از بین 550 نقطه نمونه برداری شده، 295 نقطه فاقد علف هرز و 255 نقطه دارای علف هرز بودند. به طور کاملا تصادفی، 80 درصد از کل داده ها برای آموزش شبکه و 20 درصد باقی مانده برای آزمایش شبکه بمنظور کلاس بندی انتخاب شد. ساختار شبکه عصبی Lvq استفاده شده بمنظور کلاس بندی سطح مزرعه به دو منطقه دارای علف هرز و فاقد علف هرز یا کلاس بندی بر مبنی تراکم های مختلف در شکل 1 نشان داده شده است. ورودی های شبکه مختصات مکانی علفهای هرز می باشند و خروجی شبکه بردار کدی است که نزدیکترین فاصله اقلیدسی را با ورودی دارد. برچسب بردار کد تعیین کننده کلاس بردار ورودی است. برنامه نویسی این مدل در محیط نرم افزار Matlab نسخه 7 انجام شد.
|
X |
|
Y |
|
W |
|
Wwin |
|
شکل 1- ساختار شبکه LVQاستفاده شده برای پیش بینی مکانی وجود علف هرز. (X,Y) مختصات نقاط نمونه برداری شده، W ماتریس بردارهای کد و Wwin برچسب بردار کد برنده شده.
|
نتایج و بحث
تعداد بردارهای کد، خطای تشخیص در مرحله آموزش و آزمایش و تعداد تکرارهای مورد نیاز الگوریتم آموزش برای یادگیری در جدول 1 نشان داده شده است. بر اساس نتایج مندرج در جدول 1، درصد خطای تشخیص در دو مرحله آموزش و آزمایش شبکه عصبی با افزایش تعداد بردارهای تعیین کننده هر کلاس روند نزولی دارند. همچنین با افزایش تعداد بردارهای کد، تعداد تکرارهای مورد نیاز برای یادگیری شبکه کاهش می یابد و این موجب کم شدن مدت زمان آموزش خواهد شد. افزایش تعداد بردارهای کد از 10 به 100 درصد، به ترتیب، باعث کاهش تعداد تکرارهای الگوریتم آموزش، خطای آموزش و خطای آزمایش تا حدود 85، 96 و 85 درصد خواهد شد. بالا بودن درصد خطای تشخیص در فاز آزمایش نسبت به فاز آموزش شبکه عصبی به واسطه تازگی داده ها برای شبکه عصبی میباشد. براساس نتایج حاصل شده می توان توصیه کرد که حداقل تعداد بردارهای کد برای کلاس بندی علفهای هرز در سطح مزرعه توسط شبکه عصبی Lvq باید 80 درصد تعداد کل داده های هر کلاس باشد.
جدول 1- خطای تشخیص و تعداد تکرارهای الگوریتم در فاز آموزش و آزمایش بر حسب افزایش تعداد بردارهای کد.
|
Np(%) |
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
100 |
|
Retrain(%) |
25 |
21 |
18 |
14 |
16 |
8 |
7 |
5 |
3 |
4/0 |
|
Ntrain |
50 |
35 |
35 |
25 |
20 |
15 |
12 |
10 |
10 |
7 |
|
Retest(%) |
30 |
30 |
25 |
20 |
17 |
17 |
15 |
7 |
8 |
7/1 |
توضیحات: Np تعداد بردار های کد هر کلاس نسبت به تعداد نمونه های هر کلاس برحسب درصد،
:Retrain خطای تشخیص در فاز آموزش، Retest: خطای تشخیص در فاز آزمایش، Ntrain: تعداد تکرارهای الگوریتم
نمودار همگرایی شبکه عصبی Lvq در مدت زمان آموزش در شکل 2 نشان داده شده است. خطای تشخیص یا کلاس بندی از تعداد 26 نقطه (26=Re) برای کل مجموعه آموزش شروع و به تدریج کم تر می شود و بعد از 5 تکرار (5=q)، خطا ثابت باقی می ماند زیرا مرکزها و ناحیه های تشخیص هر بردار کد بدون تغییر می مانند.
افزایش تعداد تکرارهای الگوریتم نیز موجب حرکت بردارهای کد به موقعیت دیگری نخواهند شد. لذا ادامه آموزش بی فایده خواهد بود. بنابراین باید آموزش شبکه را متوقف کرد. معیار توقف الگوریتم بر اساس همین فرض بنا نهاده شد. می توان با توجه به این نمودار مقدار qo در رابطه 1 را پیدا کرد. نتایج نشان داد که 2 تکرار (2= qo) می تواند مقدار بهینه برای شروع کم شدن آهنگ یادگیری باشد.
شکل 2- نمودار همگرایی شبکه عصبی Lvq در طول مدت آموزش. q: تعداد تکرارهای آموزش شبکه
و :Re خطای کلاس بندی در مرحله آموزش.
برای اطمینان از قابلیت شبکه عصبی آموزش دیده در پیش بینی موقعیت علفهای هرز، داده های واقعی و داده های پیش بینی شده توسط شبکه، از نظر آماری با هم مقایسه شد. در اینجا فرضیه صفر بر تساوی میانگین، واریانس و توزیع آماری هر دو سری داده دلالت دارد. هر فرضیه در سطح احتمال 95 درصد به کمک پارامتر p آزمایش شد. به ترتیب برای مقایسه میانگین، واریانس و توزیع آماری از آزمون های t، F و کولموگرف- اسمیرنو استفاده شد. مقادیر p محاسبه شده برای هر سه مجموعه داده های آموزش، آزمایش و کل در جدول 2 نشان داده شده است. بطوریکه در فاز آموزش، آزمایش و کل، به ترتیب مقادیر 7/0≤p ، 8/0≤p و 000/1=p بدست آمد. نتایج نشان داد که میانگین، واریانس و توزیع آماری مقادیر واقعی و
پیشبینی شده سه مجموعه داده در سطح 5 درصد اختلاف معنی داری با هم ندارند. بنابراین شبکه عصبی Lvq آموزش دیده، دارای قابلیت بالایی برای پیش بینی موقعیت علف هرز در سطح مزرعه است. زنگ و همکاران (2010) با استفاده از شبکه عصبی بردار چندی ساز یادگیر (Lvq) میزان آلودگی پانیکول برنج به بیماری بلایت را به چند سطح سالم ، با آلودگی کم، متوسط و شدید طبقه بندی کردند، سپس بر اساس آستانه آلودگی مورد نظر اقدام به کنترل بیماری کردند. در پژوهش حاضر نیز جمعیت علف هرز تلخه با توجه به سطوح آستانه فرضی صفر ، 2، 4 و 6 بوته در هر کوادرات با شبکه عصبی پیش بینی و کلاس بندی شد (شکل 3). این کلاس بندی می تواند در مدیریت متناسب با مکان علف هرز نقش مهمی ایفا کند.
جدول 2- مقادیر p حاصل از مقایسات آماری بین مقادیر واقعی و پیش بینی شده موقعیت علف هرز تلخه
در مرحله های آموزش، آزمایش و همچنین کل داده ها.
|
|
نوع تحلیل آماری |
||
|
مقایسه میانگین |
مقایسه واریانس |
مقایسه توزیع |
|
|
فاز آموزش
|
945/0 |
984/0 |
000/1 |
|
فاز آزمایش
|
766/0 |
838/0 |
000/1 |
|
کل |
952/0 |
995/0 |
000/1 |
نقشه توزیع مکانی علف هرز تلخه
نقشه پراکنش مکانی علف هرز تلخه که توسط شبکه عصبی Lvq تفکیک و ترسیم شده در شکل 3 نشان داده شده است. در این شکل ابتدا جمعیت علف هرز تلخه به دو کلاس جمعیتی فاقد علف هرز(صفر بوته) و دارای علف هرز تقسیم شده و نقشه های آن ترسیم شد (شکل 3 a وb). اما در شکل 3 c وd جمعیت علف هرز به دو کلاس مساوی یا کمتر از 2 و بیشتر از دو بوته در متر مربع تقسیم شده است. در شکل های 3 e و f و 3 g وh جمعیت تلخه بترتیب به دو کلاس مساوی یا کمتر از 4 و بیشتر از 4 بوته در متر مربع و مساوی یا کمتر از 6 و بیشتر از 6 بوته در متر مربع تقسیم شده است. هر یک از سطوح صفر، 2، 4 و 6 بوته انتخاب شده می تواند حد آستانه فرضی برای علف هرز باشد تا به کمک آن قابلیت شبکه عصبی نشان داده شود. آستانه اقتصادی به صورت تراکمی از علفهرز تعریف شده که در آن هزینه کنترل علفهرز معادل سود حاصل از کنترل است (اودونووان 1991). آستانه
شکل3- نقشه توزیع جمعیت علف هرز تلخه در دو حالت واقعی (شکل های a ، c ، e و h ) و تفکیک شده توسط مدل شبکه عصبی Lvq (شکل هایb ،d ، f و g). : Class I در شکل های a وb نقاطی از مزرعه که فاقد علف هرز هستند و در شکل های c و d نقاطی از مزرعه که دارای کمتر از دو بوته علف هرز در متر مربع و در شکل های e و f نقاطی از مزرعه که دارای کمتر از چهار بوته علف هرز در متر مربع و در شکل های h و g نقاطی از مزرعه که دارای کمتر از شش بوته علف هرز در متر مربع هستند: Class II در شکل های a وb نقاطی از مزرعه که دارای علف هرز هستند و در شکل های c و d نقاطی از مزرعه که دارای تعداد بیشتر از دو بوته علف هرز در متر مربع و در شکل های e و f نقاطی از مزرعه که دارای تعداد بیشتر از چهار بوته علف هرز در متر مربع و در شکل های h و g نقاطی از مزرعه که دارای تعداد بیشتر از شش بوته علف هرز در متر مربع هستند.
خسارت اقتصادی به کشاورز در جهت تصمیمگیری صحیح در مورد کنترل علفهایهرز کمک میکند. بدین ترتیب که نقاط دارای تراکم بیشتر از حد آستانه در مدیریت متناسب با مکان مورد تیمار قرار می گیرد و سایر نقاط که زیر حد آستانه قرار دارند نیاز به کاربرد علفکش یا هر عملیات کنترلی ندارند یا به عبارتی قابل تحمل هستند. کلی و همکاران (2006) با استفاده از روش درونیابی میزان کاهش عملکرد ذرت دانه ای را در اثر رقابت با علفهای هرز باریک برگ یکساله بصورت مکانی در سطح مزرعه تخمین زدند و نشان دادند که بعضی از نقاط بدلیل اینکه کاهش عملکرد آنها از حد آستانه مورد نظر کمتر بود، نیاز به کاربرد علفکش نداشت. بنابراین چنانچه آستانه خسارت برای علف هرزی بر اساس تحقیقات تعریف شده باشد، برای کاربرد عملی آن، نقشه های تهیه شده با شبکه عصبی Lvq ابزارهای موثر و دقیقی خواهد بود که به مدیر مزرعه جهت کنترل متناسب با مکان (نقاط بالای حد آستانه) کمک خواهد کرد. در نقشه ترسیم شده لکه هایی از علف هرز با اشکال و اندازه های متفاوت به چشم می خورد. نقشه نشان می دهد که دامنه تغییرات لکه های آلوده درسطح مزرعه بالاست. توزیع نا همگون و تجمعی علف هرز تلخه در این شکل ها به خوبی مشهود است.
مکاریان و روحانی(1389) الگوی توزیع جمعیت علف هرز جوموشی را با استفاده از شبکه عصبی پرسپترون چند لایه (MLP ) مورد مطالعه قرار دادند و نتیجه گرفتند که شبکه عصبی پرسپترون چندلایه می تواند به خوبی لکه های علف هرز را پیش بینی کرده و نقاط با جمعیت کم یا زیاد را در سطح مزرعه مشخص نماید. تهیه نقشه هایی که بطور دقیق لکه های علف هرز را نشان دهند یکی از اهداف مهم در مدیریت لکهای علفهای هرز میباشد ( کلی و همکاران 2006). زنگ و همکاران (2008) در مقایسه سه مدل شبکه عصبی LVQ، MLP و روش تفکیک خطی[12] برای تعیین الگوهای پراکندگی حشرات در سطح یک چمن زار، بیان کردند که شبکه عصبی MLP الگوریتم قوی تری در تشخیص الگوهای پراکنش حشرات بود. آنها رفتارهای اکولوژیکی را در کارایی مدل های شبکه عصبی موثر دانستند. در آزمایش زنگ و همکاران (2008) شبکه LVQ، از نظر دقت تشخیص حدواسط دو شبکه دیگر قرار گرفت. اما در آزمایش ما نیز شبکه LVQ، در تعیین الگوهای پراکنش علفهای هرز کارایی بسیار خوبی داشت. بنابراین به نظر می رسد با توجه به ویژگی های اکولوژیکی متفاوت حشرات و علفهای هرز در سطح مزارع، تفاوت در عملکرد شبکه LVQ در دو آزمایش دور از ذهن نباشد.
نقشههای تهیه شده نشان داد که لکه ها در راستای ردیف های گیاه زراعی فصل قبل و یا جهت شخم کشیده تر میباشد. در اراضی کشاورزی بذور و اندام های رویشی تکثیر شونده علفهای هرز بوسیله عملیات مدیریتی مختلف از جمله شخم، آبیاری، برداشت، چرای حیوانات، فعالیت های زارعین و عوامل محیطی در سطح مزرعه جابجا می شوند (شوکت و صدیقی 2004). علف هرز تلخه گیاهی چندساله و مهاجم از خانواده کاسنی[13] است که قادر به تکثیر از طریق بذر میباشد ، اما این گیاه عمدتا از طریق پراکنش قطعات ریشه بوسیله عوامل گوناگون تکثیر می شود. تلخه در مکان هایی که رطوبت بیشتر است یا دارای بافت خاک سبک است، لکه های متراکمی ایجاد می کند (روبرت و همکاران 2004). آرایش ناهمگون علف هرز تلخه در این مطالعه نشان داد که استراتژیهای نمونه برداری مدل های اکولوژیک که توزیع تصادفی علفهای هرز را مبنای کار خود قرار داده اند قادر به توصیف صحیح این قبیل جوامع نمیباشند. این پژوهش نشان داد که شبکه عصبی Lvq توانست علاوه بر پیش بینی، نقشه پراکنش جمعیت علف هرز تلخه را به خوبی ترسیم نماید. شبکه عصبی می تواند بر اساس هر آستانه تعیین شده نقشههای مدیریتی برای اعمال تیمار نقاط بالای حدآستانه تهیه کند. نقشه حاصل از شبکه نیز نشان داد که تلخه دارای آرایش لکهای است. بنابراین راهکار مدیریت متناسب با مکان در کنترل موثرتر این علف هرز و نیز کاهش سموم و هزینههای مصرفی نقش موثری ایفا خواهد کرد
)