ارزیابی شبکه عصبی مصنوعی MLP بهینه شده با الگوریتم ژنتیک در تخمین و پیش بینی R0 و rm سفیدبالک گلخانه Trialeurodes vaporariorum (Hemiptera: Aleyrodoidae) با توجه به برخی ویژگی های گیاهان میزبان در شرایط گلخانه

با توجه به اهمیت تولید محصولات گلخانه ای و فعالیت بالای آفات از جمله سفید بالک Trialeurodes vaporariorum در گلخانه ها، مدیریت این آفت ایجاب می کند تا مطالعات  بوم شناختی با رویکردی جدید صورت گیرد. بنابراین، با توجه به تاثیرپذیری عملکرد زیستی سفیدبالک گلخانه از ویژگی های گیاه میزبان، پژوهش حاضر به منظور پیش بینی و تخمین مقادیر پراسنجه های رشد جمعیت شامل نرخ خالص تولید مثل  (R0)و نرخ ذاتی افزایش جمعیت (rm) آفت، با توجه به برخی ویژگی های گیاهان میزبان و با استفاده از شبکه عصبی مصنوعیMLP بهینه شده با الگوریتم ژنتیک انجام شد. مقادیر نرخ خالص تولید مثل و نرخ ذاتی افزایش جمعیت آفت روی دو میزبان خیار، Cucumis sativus و کیوانو، Cucumis metuliferus محاسبه شد. همچنین تراکم و طول تریکوم های برگ، تراکم و مساحت سلول های روزنه سطح زیرین برگ و مقدار سبزینه برگ هر یک از گیاهان میزبان اندازه گیری شد. شبکه عصبی مصنوعیMLP بهینه شده با الگوریتم ژنتیک طراحی شد و برای اطمینان از یادگیری شبکه عصبی آموزش دیده، آزمون های t، F و کولموگروف-اسمیرنوف به ترتیب برای مقایسه میانگین، واریانس و توزیع آماری مورد استفاده قرار گرفتند. مقادیر ضرایب تبیین 9621/0 = R2) و سطح احتمال معنی داری (773/0 P >) برای آزمون های آماری بیانگر دقت و توانمندی بالا و قدرت تعمیم پذیری شبکه عصبی مصنوعی MLP در تخمین R0 و rm مربوط به سفید بالک گلخانه بود.