حسن مکاریان - استادیار، گروه زراعت، علف های هرز، دانشکده کشاورزی، دانشگاه صنعتی شاهرود
عباس روحانی - استادیار، گروه مکانیزاسیون کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد

پیشرفت­های اخیر در کشاورزی دقیق سبب شده است تا  مدل های قابل انعطاف مختلفی جهت پیش بینی، طبقه­بندی و تهیه نقشه­های دقیق از جمعیت علف­های هرز به منظور کنترل متناسب بامکان آنها ارائه شود. این پژوهش به منظور پیش بینی الگوی پراکنش جمعیت علف هرز تلخه با استفاده از شبکه عصبی بردار چندی ساز یادگیر(LVQNN) در سطح مزرعه انجام شد. داده های مربوط به تراکم جمعیت علف هرز تلخه از طریق نمونه برداری بر روی یک شبکه علامت گذاری شده مربعی به ابعاد ۲×۲ متر ودرمجموع از ۵۵۰ نقطه از سطح مزرعه در حال آیش در شهرستان شاهرود  واقع در استان سمنان در سال ۱۳۸۹ بدست آمد. برای ارزیابی قابلیت شبکه عصبی LVQدر پیش بینی توزیع مکانی علف هرز از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری و رابطه رگرسیونی بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آنها  و نیز معیار دقت کلاس بندی استفاده شد.  نتایج نشان داد که در فاز آموزش، آزمایش  و کل،  به ترتیب  مقادیر  ۷/۰ ≤p  ،  ۸/۰  ≤p  و ۰۰۰/۱  =p  بدست آمد، که نشان دهنده عدم وجود تفاوت معنی داری در سطح ۵ درصد بین مقادیر ویژگی های آماری (میانگین، واریانس و توزیع آماری)  مجموعه داده های پیش بینی شده مکانی علف هرز و مقادیر واقعی آنها  بود.  به عبارتی شبکه عصبی مصنوعی به خوبی توانست مدل داده های مکانی علف هرز را بیاموزد.  نتایج نشان داد که شبکه عصبی آموزش دیده، دارای قابلیت بالایی در پیش بینی مکانی علف هرز در نقاط نمونه برداری نشده با دقت تشخیص کمتر از ۷/۲ درصد بود. شبکه عصبی توانست پس از کلاس بندی،  نقشه توزیع  مکانی علف هرز تلخه را در تمام نقاط سطح مزرعه ترسیم نماید. نقشه حاصل از کلاس­بندی نشان داد که علف هرز تلخه دارای توزیع لکه ای است و لذا  امکان کنترل متناسب با مکان آن در مزرعه مورد مطالعه وجود دارد.

تلخه, توزیع لکه, کلاس بندی, شبکه عصبی, مدیریت دقیق علف هرز, نقشه