Affiliation:
1. Ondokuz Mayıs Üniversitesi, Ziraat Fakültesi, Bitki Koruma Bölümü
2. ONDOKUZ MAYIS ÜNİVERSİTESİ, ZİRAAT FAKÜLTESİ, BİTKİ KORUMA BÖLÜMÜ
Abstract
Son yıllarda, entomoloji alanında yapay sinir ağları (YSA) önemli bir araç haline gelmiş ve kullanımı hızla artmıştır. Entomologlar, YSA'nın sunduğu olanaklardan pek çok alanda yararlanmaktadır. YSA'nın kullanımı; böcek türlerinin tahmininden başlayarak, böcek popülasyonlarının takibine, zararlı böceklerin belirlenmesine ve böcek davranışlarının modellemesine kadar çeşitli uygulamalara olanak tanımaktadır. Özellikle tarım alanlarında yapılan gözlemler ve ölçümler sonucunda elde edilen büyük veri kümelerinin hızlı ve hassas bir şekilde analiz edilmesi, böceklerle mücadele stratejilerinin geliştirilmesinde entomologlara önemli bir avantaj sağlamaktadır. Bu derleme, YSA'nın entomolojide kullanılabilir ve etkili bir araç olduğunu göstermekte ve YSA'nın gelecekteki uygulama potansiyeline genel bir bakış sunmaktadır. Ancak, YSA teknolojisinin geliştirilmesi ve uygulanması süreklilik arz eden bir çaba gerektirmektedir. YSA uygulamalarında eğitim sürecine özen gösterilmeli ve her yeni çalışmanın sinir ağı eğitimine katkı sağlayacağı unutulmamalıdır. Bu nedenle, entomologlar YSA'nın potansiyelini daha fazla keşfetmeye odaklanmalı ve bu yenilikçi yöntemi entomolojide daha geniş ölçekte kullanmaya yönelik çalışmalar yapmalıdır. Böylece; böceklerin doğası hakkında daha derin bilgilere ulaşmak, çevre dostu mücadele stratejileri geliştirmek, tarım alanlarında daha sürdürülebilir ve verimli üretim süreçleri geçirmek mümkün olacaktır. YSA'nın entomoloji alanında ilerlemesi, hem bilimsel araştırmalara hem de tarım sektörüne önemli katkılar sağlayacaktır.
Reference72 articles.
1. Alhady, S. S. N. ve Kai, X. Y. (2018). Butterfly species recognition using artificial neural network. In Hassan, M. (eds), Intelligent Manufacturing & Mechatronics. Lecture Notes in Mechanical Engineering (pp. 449-457). Springer. https://doi.org/10.1007/978-981-10-8788-2_40
2. Altay, O. ve Özgen, I. (2021). Predicting the LD50 values of two different vinegars whose insecticidal effect was determined by the spraying method against Tribolium confusum Jacquelin du val (Coleoptera: Tenebrionidae) using different artificial neural network models. Zoological and Entomological Letters, 1(2), 39-47. https://www.zoologicaljournal.com/article/16/1-2-4-122.pdf
3. Ayob, M. Z. ve Chesmore, E. D. (2013). Probabilistic Neural Network for the Automated Identification of the Harlequin Ladybird (Harmonia Axyridis). In Ramanna, S., Lingras, P., Sombattheera, C., Krishna, A. (eds), Multi-disciplinary Trends in Artificial Intelligence (pp. 25-35). Springer. https://doi.org/10.1007/978-3-642-44949-9_3
4. Bagnères, A. G., Rivière, G. ve Clément, J. L. (1998). Artificial neural network modeling of caste odor discrimination based on cuticular hydrocarbons in termites. Chemoecology, 8(4), 201-209. https://doi.org/10.1007/s000490050026
5. Bauch, C. ve Rath, T. (2004). Prototype of a vision based system for measurements of white fly infestation. In International Conference on Sustainable Greenhouse Systems-Greensys 2004 (pp. 773-780). ISHS Acta Horticulturae 691. https://doi.org/10.17660/ActaHortic.2005.691.95