Ανάπτυξη στοχαστικών αλγορίθμων και μοντέλων μηχανικής μάθησης για την εξέλιξη πληθυσμών: εφαρμογή στον δάκο της ελιάς

Abstract

In the present dissertation, stochastic algorithms and machine learning models are developed for the prediction of population evolution and in particular for the evolution of the olive fruit fly population. The olive fruit fly is a parasitic insect that depends on the fruit of the olive tree for the perpetuation of its species, thus causing great damage, if its population remains unchecked, in the production of olive-based products, such as olive oil and table olives. The presence of the insect has been recorded in all olive-producing countries, and due to its dependence on climatic conditions (temperature, humidity) the total number of generations that arise varies from region to region. In this context, as far as stochastic algorithms are concerned, the software for simulating the temporal and spatial evolution of the population of the olive fruit fly based on real measurements in the field is initially presented. Then, the development and comparison of three models of dispersion of the olive fruit fly based on the fruiting of the olive grove is described and finally, the influence of the presence of microclimates, on the evolution of the population of the olive fruit fly, is studied, through simulation, using the aforementioned software, and how, in this context, the evolution of the olive fruit fly population is affected by the application of the usual practices of controlling the population. Continuing, in the use of machine learning methods, initially, the use of environmental conditions to predict the next olive fruit fly trap measurement, given the knowledge of the previous measurement, and a comparison of the performance of four characteristic vectors using various machine learning algorithms is examined. The development of a model for the automatic identification of the olive fruit, and therefore automatic counting, in images of the contents of the McPhail trap, which is commonly used as a method of control and an exacerbation indicator of the population of the olive fruit fly, is presented. Finally, the use of machine learning methods for the identification of microclimates, is examined, which would help to predict outbreaks of infestation of the olive fruit fly in the olive grove depending on the time of year and the climatic characteristics of each microclimate. In conclusion, conclusions are drawn about the performance of the aforementioned experiments and possible directions are pointed out that future research could focus on.

Στην παρούσα διατριβή γίνεται ανάπτυξη στοχαστικών αλγορίθμων και μοντέλων μηχανικής μάθησης για την πρόβλεψη εξέλιξης πληθυσμών και ειδικότερα για την εξέλιξη του πληθυσμού του δάκου της ελιάς. Ο δάκος της ελιάς είναι ένα παρασιτικό έντομο που εξαρτάται από τον καρπό της ελιάς για την διαιώνιση του είδους του, με αποτέλεσμα να προκαλεί μεγάλες ζημιές, αν ο πληθυσμός του μείνει ανεξέλεγκτος, στην παραγωγή προϊόντων με βάση τον καρπό της ελιάς, όπως ελαιόλαδο και επιτραπέζιες ελιές. Η παρουσία του εντόμου έχει καταγραφεί σε όλες τις ελαιοπαραγωγικές χώρες και λόγω της εξάρτησης του από τις κλιματικές συνθήκες (θερμοκρασία, υγρασία) ο συνολικός αριθμός γενεών που προκύπτουν ποικίλλει από περιοχή σε περιοχή. Σε αυτό το πλαίσιο, ως προς τους στοχαστικούς αλγορίθμους, αρχικά παρουσιάζεται το λογισμικό προσομοίωσης της χρονικής και χωρικής εξέλιξης του πληθυσμού του δάκου βάσει πραγματικών μετρήσεων στο πεδίο. Στην συνέχεια, περιγράφεται η ανάπτυξη και σύγκριση τριών μοντέλων διασποράς του δάκου με βάση την καρποφορία του ελαιώνα και τέλος, μελετάτε η επιρροή της παρουσίας μικροκλιμάτων στην εξέλιξη του πληθυσμού του δάκου μέσω προσομοίωσης, με χρήση του προαναφερθέντος λογισμικού, και πως, υπό αυτό το πρίσμα, επηρεάζεται η εξέλιξη του πληθυσμού δάκου με την εφαρμογή των συνήθων πρακτικών ελέγχου του πληθυσμού του. Συνεχίζοντας, ως προς την χρήση μεθόδων μηχανικής μάθησης, αρχικά, μελετάται η χρήση των περιβαλλοντολογικών συνθηκών για την πρόβλεψη της επόμενης μέτρησης δακοπαγίδας, δεδομένης της γνώσης της προηγούμενης μέτρησης και συγκρίνεται η απόδοση τεσσάρων χαρακτηριστικών διανυσμάτων με χρήση διαφόρων αλγορίθμων μηχανικής μάθησης. Στην συνέχεια, παρουσιάζεται η ανάπτυξη μοντέλου για την αυτόματη αναγνώριση του δάκου, και κατά συνέπεια αυτόματης καταμέτρησης, σε εικόνες του περιεχομένου της παγίδας McPhail που χρησιμοποιείται συνήθως ως μέθοδος ελέγχου και δείκτης έξαρσης του πληθυσμού του δάκου. Τέλος, μελετάται η χρήση μεθόδων μηχανικής μάθησης για την αναγνώριση μικροκλιμάτων, γεγονός που θα βοηθούσε στην πρόβλεψη εστίων προσβολής του ελαιώνα από τον δάκο ανάλογα την εποχή του χρόνου και τα κλιματολογικά χαρακτηριστικά του κάθε μικροκλίματος. Τέλος, εξάγονται τα συμπεράσματα για την απόδοση των προαναφερθέντων πειραμάτων και πιθανά σημεία που θα μπορούσε να εστιάσει τυχόν μελλοντική έρευνα.