رگرسیون لجستیک و ضرایب رگرسیون

دانلود پایان نامه

L = – 25.53 + 27.27 ln (X) (معادلهی 2-8)
که در آن X درصد شدت زنگ ساقه در مرحله ی سه چهارم دانه می باشد.
2-5-2- مدل های چندنقطه ای یا رگرسیونی چندگانه
مدل های چند نقطه ای، خسارت را به ارزیابی های بیماری انجام شده در چند مرحله طی یک فصل رویشی نسبت می دهند. این نوع مدل ها کاربردی تر از مدل های تک نقطه ای بوده، در حالت هایی که تجمع عملکرد طی یک دوره ی زمانی نسبتاً طولانی رخ می دهد یا نرخ پیشرفت بیماری بسیار متغیر است، مورد استفاده قرار می گیرد. ارزیابی ها را می توان در زمان های خاص یا در مراحل رویشی خاص میزبان انجام داد. سپس خسارت وارد به محصول، از طریق یک معادله ی رگرسیونی چندگانه به مقادیر بیماری یادداشت برداری شده در چند زمان نسبت داده می شود (Campbell and Madden, 1990; Nutter, 2001; Teng, 1990; Teng and Johnson, 1985).
طی یک بررسی، مدلی چندنقطه ای برای ارزیابی خسارت وارد به عملکرد غده سیب زمینی به واسطه ی بیماری بادزدگی توسعه یافته است که عبارت است از (James et al., 1972):
L = 1.876 X1 + 0.446 X2 + 1.44 X3 + … + 0.829 X9 (معادلهی 2-9)
که L درصد خسارت غده است و Xها، مقدار اندازه گیری شده بیماری طی هفته اول تا نهم بعد از ظهور بیماری بودند. این مدل از اعتبار بالایی برخوردار بود (R2 = 0.952) و تفاوت بین خسارت تخمین زده شده و واقعی، کمتر از 5 درصد بود. مثال دیگر این نوع مدل، درباره ی زنگ قهوه ای گندم بود که معادله ی آن عبارت است از (Burleigh et al., 1972):
L = 5.38 + 5.26 X2 – 0.33 X5 + 0.5 X7 (معادلهی 2-10)
که L درصد خسارت و X2، درصد زنگ در هر پنجه در مرحله ی رشدی غلاف سنبله، و X5 و X7 به ترتیب درصد زنگ روی برگ پرچم در مرحله اوایل دانه و اوایل خمیری هستند.
مدلهای رگرسیونی چندمتغیره را می توان به صورت متفاوتی از مدل های چندنقطهای توسعه داد که در آنها عملکرد (یا خسارت) به صورت تابعی از یک سری از خصوصیات اپیدمی ارایه گردد. این مدل ها در بعضی منابع به عنوان مدلهای سطح پاسخ نامیده می شوند و مثالی از آنها در مورد بیماری زنگ سیاه گندم وجود دارد که عملکرد به صورت تابعی از نرخ افزایش بیماری و مرحلهی رشدی میزبان در زمان آغاز اپیدمی، پیش بینی شده است (Calpouzos et al., 1976).
2-5-3- مدل های انتگرالی یا سطح زیر منحنی
ارزیابی خسارت از سطح زیر منحنی پیشرفت بیماری ( AUDPC) نخست به وسیله ی وان دِر پلنک (1963) برای بیماری زنگ ساقه ی گندم پیشنهاد شد. او فرض کرد که «تنش» ناشی از بیماری گیاهی به خوبی به وسیله ی AUDPC بیان می شود. مدل های انتگرالی، خسارت را به اندازه گیری بیماری مشتق از جمع مقادیر بیماری طی یک دوره ی خاص از رشد محصول ارتباط می دهند. AUDPC بر اساس معادله ی زیر محاسبه می گردد (Campbell and Madden, 1990؛ Cooke, 2006):
(معادلهی 2-11)
که در آن n تعداد دفعات یادداشت برداری و X مقدار بیماری ثبت شده در زمان t می باشد. به عنوان مثال
می توان به مدلی برای ارزیابی درصد خسارت بیماری لکه برگی سرکوسپورایی (L) در لوبیا چشم بلبلی اشاره نمود (Schneider et al., 1976):
L = 0.43 AUDPC – 14.95 (معادلهی 2-12)
که از ضریب تبیین نسبتاً بالایی (7/0) برخوردار بوده است. اکثر مدل های AUDPC به طور موفقیت آمیزی برای اپیدمیهایی که از دوره ی نسبتاً کوتاهی در اواخر چرخه ی رشد گیاه برخوردار بودند و عملکرد طی یک دورهی کوتاه تجمع حاصل می کرد، مورد استفاده قرار گرفته است (Campbell and Madden, 1990).
علاوه بر انواع مدل های یادشده، مدلهای غیرخطی و سینوپتیک نیز در ارزیابی خسارت بیماریهای گیاهی مورد استفاده قرار گرفته اند که در نوع اول، مدل به لحاظ شکل منحنی رابطه ی عملکرد با توصیف گر بیماری، دارای تنوع پذیری بالایی است و در نوع دوم نیز، بجای ارزیابی خسارت ناشی از یک بیماری، خسارت چند بیماری و یا حتی چند عامل خسارت زای دیگر (غیر از بیماری، نظیر آفات یا علف های هرز) نیز مورد بررسی قرار می گیرد (Campbell and Madden, 1990; Nutter, 2001).
تحقیقات بسیار متعددی در زمینه ی مدل های ارزیابی بیماریهای مهم گیاهی در دنیا انجام شده است که همگی آنها با استفاده از مدلهای توصیف شدهی فوق، تجزیه و تحلیل داده ها را انجام می دهند. کارسون (Carson, 1985) با بررسی مدل خسارت بیماری لکه برگی آلترناریایی آفتابگردان در قالب دو مدل تک نقطه ای و چند نقطه ای، با اعتبار بالایی (به ترتیب با ضریب تبیین 65 و70 درصد برای دو مدل) توانست خسارت وارد به عملکرد را از شدت بیماری پیش بینی نماید. علی و همکاران (Ali et al., 1987) نیز با مطالعه ی مدل خسارت بیماری آنتراکنوز سورگوم، یک رابطه ی خطی معنی دار (با ضریب تبیین 85 درصد) بین شاخص شدت بیماری و عملکرد لاین های مختلف سورگوم پیدا کردند. ژو و همکاران (Zhou et al., 1999) با بررسی چند مدل ارزیابی خسارت در رابطه با بیماری ساق سیاه کلزا به این نتیجه رسیدند که مدل های تک نقطه ای و انتگرالی، نتایج بهتری نسبت به مدل چندنقطه ای فراهم می نمایند.
مطلب مرتبط :   مقاله رایگان درباره نتایج آزمایش ها و اندازه گیری

جستجو در سایت ما :


2-6- بررسی احتمال وقوع اپیدمی بر اساس عوامل زراعی و اقلیمی
تجزیه و تحلیلهای تشخیص خطی (یعنی روشهای طبقهبندی یک مشاهده به یکی از چند جمعیت) برای شناسایی متغیرهای آب و هوایی که در پیشبینی اپیدمیها مفید هستند، مورد استفاده قرار گرفته است (Johnson et al., 1994). روش یادشده برای شناسایی ترکیبهایی از متغیرهای آب و هوایی با حساسیت (پیشبینی درست وقوع اپیدمی) و اختصاصی بودن (پیشبینی درست عدم وقوع اپیدمی) مناسب برای دادههای جمعآوری شده به کار رفته است. تجزیه و تحلیلهای رگرسیون لجستیک به عنوان یک روش جایگزین برای شناسایی متغیرهای آب و هوایی که میتوانند برای پیشبینی اپیدمیها به کار روند، مورد استفاده قرار گرفته است. رگرسیون لجستیک شامل برقراری ارتباط بین متغیرهای کیفی نظیر، وضعیت اپیدمی، با سایر متغیرها از طریق یک تابع توزیع تجمعی لجستیک است. فرضهای نرمال بودن چندمتغیره و همگن بودن ماتریسهای کوواریانس که برای تجزیه و تحلیلهای تشخیص خطی ضروری هستند، در رگرسیون لجستیک، نیازی به اعتبار آنها نمی باشد (Hosmer and Lemeshow, 1989).
در رگرسیون لجستیک، متغیر وابسته (Yi) شامل وجود (Yi = 1) یا عدم وجود (Yi = 0) بیماری (یا سطح خاصی از بیماری) در مزرعهی iام است و احتمال وجود بیماری (وقوع اپیدمی) با استفاده از فرمول زیر مدلسازی میشود:
(معادلهی 2-13)
که i = 1, …, n و j = 1, …, p. در اینجا، a و b1, …, bp پارامترهایی هستند که باید تخمین زده شوند و Xj ها کوواریاتها یا پیشگوها هستند. آنها شبیه به عرض از مبدأ و ضرایب رگرسیون در یک مدل رگرسیون چندمتغیرهی معمولی میباشند. هرچند که تفسیرهای آنها تا اندازهای با رگرسیون لجستیک متفاوت است (Hosmer and Lemeshow, 1989).