انجمن علوم علف‌های هرز ایران دانش علف‌های هرز ایران 1735-3548 10 2 2014 11 22 Application of Artificial Neural Network (ANN) and Logistic Regression for Predicting Weeds Presence in Dryland Chickpea Fields of Kurdistan Province کاربرد شبکه عصبی مصنوعی و رگرسیون لجستیک در پیش‌بینی حضور علف‌های‌هرز در مزارع نخود دیم استان کردستان 201 222 14927 FA سحر منصوریان دانشگاه فردوسی مشهد ابراهیم ایزدی دربندی دانشگاه فردوسی مشهد محمدحسن راشد محصل دانشگاه فردوسی مشهد مهدی راستگو دانشگاه فردوسی مشهد همایون کانونی مرکز تحقیقات کردستان Journal Article 2015 11 11 A survey was conducted to compare the potential of ANN and logistic regression in predicting weed presence of 33 dryland chickpea fields in Kurdistan province. Climatic and edaphic factors as independent variable and presence or absence of weeds with highest abundance as dependent variables were entered in the logistic regression and ANN models. The developed ANN was a Multi Layer Perceptron with nine neurons in the input layer, one and two hidden layer(s) of various numbers of neurons and two neurons in the output layers. Catchweed (<em>Galium aparine</em> L.) and field bindweed (<em>Convolvulus arvensis</em> L.) with the highest abundance indices were the dominant weeds in the chickpea fields. The logistic regression did not fit a model for catchweed, however, the ANN could develop the best suited models for predicting the catchweed and field bindweed presence in dryland chickpea fields. Sensitivity analysis revealed that altitude and rainfall are the most significant parameters in modeling weed presence in dryland chickpea fields. For the optimal model, the values of the model’s outputs correlated well with actual outputs and its application for this purpose is recommended. به منظور مقایسه توانایی مدل‌های شبکه عصبی مصنوعی با رگرسیون لجستیک در پیش بینی حضور علف‌های‌هرز، آزمایشی در 33 مزرعه نخود دیم استان کردستان در سال زراعی 92-1391 انجام شد. برای این منظور، اطلاعات اقلیمی و خاکی به عنوان متغیرهای مستقل و حضور و عدم حضور علف‌های‌هرز غالب به عنوان متغیرهای وابسته در مدل‌های رگرسیون لجستیک و شبکه عصبی مصنوعی استفاده شدند. در این تحقیق از شبکه پرسپترون چندلایه با نه نرون در لایه ورودی، یک و دو لایه پنهان با تعداد نرون مختلف و دو نرون در لایه خروجی استفاه شد. علف‌هرز بی تی راخ (<em>Galium aparine</em> L.) و پیچک صحرایی (<em>Convolvulus arvensis</em> L.) با بیشترین شاخص فراوانی، علف‌های‌هرز غالب مزارع نخود بودند. نتایج نشاه داد که رگرسیون لجستیک نتوانست بین متغیرهای مستقل و حضور علف‌هرز بی تی راخ معادله ای را برازش دهد. در حالی که شبکه عصبی مصنوعی قادر بود برای هر دو علف‌هرز بی تی راخ و پیچک صحرایی در هر دو مرحله نمونه برداری، مدل مناسبی را برازش دهد. بطور کلی شبکه‌های عصبی مصنوعی با کارایی بالا در مقایسه با روش رگرسیون لجستیک، برای پیش‌بینی حضور علف‌های‌هرز در مزارع نخود دیم استان کردستان، مناسب تر بوده و کاربرد آن برای این منظور قابل توصیه می‌باشد. https://ijws.areeo.ac.ir/article_14927_4e86aba6c52bbbb64fb7eb73fd7459e4.pdf