پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته
سابقه و هدف: فاکتورهای زیادی از جمله شرایط آبوهوایی، تاریخ کاشت، آرایش کاشت، جمعیت گیاهی و تغذیه از طریق تاثیر بر روی گیاه میتوانند باعث تنوع عملکرد گردند. همچنین از آنجا که ایران در منطقه خشک و نیمه خشک قرار گرفتهاست، مقدار مواد آلی خاکهای آن پایین بوده و در نتیجه دارای سطوح پایین نیتروژن میب...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Gorgan University of Agricultural Sciences and Natural Resources
2018-08-01
|
| Series: | تولید گیاهان زراعی |
| Subjects: | |
| Online Access: | https://ejcp.gau.ac.ir/article_4273_bcaf1901525c872514f5399d0f35c98b.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850180421726240768 |
|---|---|
| author | محسن آزادبخت احسان قجرجزی |
| author_facet | محسن آزادبخت احسان قجرجزی |
| author_sort | محسن آزادبخت |
| collection | DOAJ |
| description | سابقه و هدف: فاکتورهای زیادی از جمله شرایط آبوهوایی، تاریخ کاشت، آرایش کاشت، جمعیت گیاهی و تغذیه از طریق تاثیر بر روی گیاه میتوانند باعث تنوع عملکرد گردند. همچنین از آنجا که ایران در منطقه خشک و نیمه خشک قرار گرفتهاست، مقدار مواد آلی خاکهای آن پایین بوده و در نتیجه دارای سطوح پایین نیتروژن میباشند. اغلب گیاهان دراین مناطق دچار کمبود نیتروژن بوده و تأمین نیتروژن از طریق کودهای شیمیایی و آلی ضروری است، در نتیجه بررسی میزان آن برای هر محصولی از اهمیت بسزایی برخورداراست. همچنین افزایش تقاضای محصولات کشاورزی و مشکلات دستیابی به دادههای میدانی، ضرورت استفاده از مدلهای مناسب برای پیشبینی عملکرد محصولات کشاورزی را نمایان میسازد. هدف از این تحقیق بررسی تاثیر مقادیر کود نیتروژن و تراکم برعملکرد و اجزای عملکرد سویا (رقم گرگان 3) و همچنین پیشبینی این پارامترها با استفاده از شبکه عصبی بودهاست. مواد و روش ها : این پژوهش روی سویا رقم گرگان 3 بود که دارای دو فاکتور اصلی بود و در قالب طرح بلوکهای کامل تصادفی در 3 تکرار در گرگان اجرا شد. فاکتور اول مقدار کود نیتروژن بود که در سه سطح (100، 200 و 300 کیلوگرم در هکتار) به خاک اضافه گردید و فاکتور دوم تراکم کاشت بود که در سه سطح (100000، 150000 و 200000 بوته بر هکتار) انجام شد. برای اندازهگیری صفات مورد نظر از قبیل: ارتفاعبوته، تعداد غلافهایبوته، وزن غلافهای بوته، وزنبوته، تعدادشاخه و قطرساقه تعداد ده بوته بهطور تصادفی در هر کرت از ردیف وسط انتخابشد. تجزیه و تحلیل دادهها با استفاده از نرم افزار SAS و آزمون LSD در آزمایش فاکتوریل در طرح بلوک کاملا تصادفی انجامشد. به منظور پیشبینی عملکرد و اجزای عملکرد در شبکه عصبی مصنوعی از الگوریتم لونبرگ–مارکوارت برای آموزش شبکه استفاده شد. برای توسعه مدلهای شبکه عصبی مصنوعی، تراکم کشت و مقدار کود مصرفی به عنوان ورودی و عملکرد و اجزای عملکرد سویا به عنوان خروجی در نظر گرفتهشد. یافتهها: با افزایش مقدار کود نیتروژن مصرفی و افزایش تراکم کشت ارتفاع ساقه افزایشیافت. با افزایش مصرف نیتروژن و کاهش تراکم کشت تعداد غلاف افزایش یافتهاست. با کاهش تراکم بوته وزن غلافهای بوته افزایش یافتهاست. با افزایش کود نیتروژن مصرفی و کاهش تراکم وزن بوته افزایشیافت. با افزایش کود نیتروژن مصرفی و کاهش تراکم تعداد شاخه افزایشیافت. با افزایش کود نیتروژن مصرفی و کاهش تراکم کشت سویا قطر ساقه افزایشیافت. شبکه عصبی با توپولوژی 7-20-2 قادر است پارامترهای مورد نظر را با ضریب تبیین 999987/0 و MSE 2497/0 پیشبینی کند. نتیجه گیری: در تراکم 150000 و 200000 بوته در هکتار، وزن غلاف از نظر آماری تفاوت نداشت، این در حالی است که در تراکم 100000 بوته در هکتار این مقدار به شکل قابل توجهی بالاتر بود. عملکرد سویا به مقدار زیادی تحت تاثیر وزن و تعداد غلاف است، هرچند که وزن غلاف در تراکم کم بسیار بیشتر بود، اما ممکن است در تراکم بالا به دلیل بیشتر بودن تعداد بوته، مشکل کم بودن وزن غلاف در تراکم پایین رفعشود. قطر ساقه در نیتروژن دو سطح 100 و 200 کیلوگرم در هکتار از نظر آماری تفاوت چندانینداشتند. از آنجایی که در تعداد غلاف و قطر ساقه مقدار کود 100 و 200 کیلوگرم در هکتار چندان تفاوتی ندارد، برای انتخاب بین این دو مقدار، 100 کیلوگرم در هکتار برای پایین آوردن هزینه و استفاده کمتر از کود مناسبتر است. شبکه عصبی با توپولوژی 7-20-2، بیشترین بازده را برای پیشبینی عملکرد سویا و کمترین بازده را برای پیشبینی تعداد شاخه داشت. |
| format | Article |
| id | doaj-art-e122411ce2ba49bdb046d4b41bf66b43 |
| institution | OA Journals |
| issn | 2008-739X 2008-7403 |
| language | fas |
| publishDate | 2018-08-01 |
| publisher | Gorgan University of Agricultural Sciences and Natural Resources |
| record_format | Article |
| series | تولید گیاهان زراعی |
| spelling | doaj-art-e122411ce2ba49bdb046d4b41bf66b432025-08-20T02:18:10ZfasGorgan University of Agricultural Sciences and Natural Resourcesتولید گیاهان زراعی2008-739X2008-74032018-08-01112637610.22069/ejcp.2018.12867.20024273پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوتهمحسن آزادبخت0احسان قجرجزی1دانشگاه علوم کشاورزی و منابع طبیعی گرگانباشگاه پژوهشگران جوان و نخبگان، واحد گرگان، دانشگاه آزاد اسلامی، گرگان، ایران.سابقه و هدف: فاکتورهای زیادی از جمله شرایط آبوهوایی، تاریخ کاشت، آرایش کاشت، جمعیت گیاهی و تغذیه از طریق تاثیر بر روی گیاه میتوانند باعث تنوع عملکرد گردند. همچنین از آنجا که ایران در منطقه خشک و نیمه خشک قرار گرفتهاست، مقدار مواد آلی خاکهای آن پایین بوده و در نتیجه دارای سطوح پایین نیتروژن میباشند. اغلب گیاهان دراین مناطق دچار کمبود نیتروژن بوده و تأمین نیتروژن از طریق کودهای شیمیایی و آلی ضروری است، در نتیجه بررسی میزان آن برای هر محصولی از اهمیت بسزایی برخورداراست. همچنین افزایش تقاضای محصولات کشاورزی و مشکلات دستیابی به دادههای میدانی، ضرورت استفاده از مدلهای مناسب برای پیشبینی عملکرد محصولات کشاورزی را نمایان میسازد. هدف از این تحقیق بررسی تاثیر مقادیر کود نیتروژن و تراکم برعملکرد و اجزای عملکرد سویا (رقم گرگان 3) و همچنین پیشبینی این پارامترها با استفاده از شبکه عصبی بودهاست. مواد و روش ها : این پژوهش روی سویا رقم گرگان 3 بود که دارای دو فاکتور اصلی بود و در قالب طرح بلوکهای کامل تصادفی در 3 تکرار در گرگان اجرا شد. فاکتور اول مقدار کود نیتروژن بود که در سه سطح (100، 200 و 300 کیلوگرم در هکتار) به خاک اضافه گردید و فاکتور دوم تراکم کاشت بود که در سه سطح (100000، 150000 و 200000 بوته بر هکتار) انجام شد. برای اندازهگیری صفات مورد نظر از قبیل: ارتفاعبوته، تعداد غلافهایبوته، وزن غلافهای بوته، وزنبوته، تعدادشاخه و قطرساقه تعداد ده بوته بهطور تصادفی در هر کرت از ردیف وسط انتخابشد. تجزیه و تحلیل دادهها با استفاده از نرم افزار SAS و آزمون LSD در آزمایش فاکتوریل در طرح بلوک کاملا تصادفی انجامشد. به منظور پیشبینی عملکرد و اجزای عملکرد در شبکه عصبی مصنوعی از الگوریتم لونبرگ–مارکوارت برای آموزش شبکه استفاده شد. برای توسعه مدلهای شبکه عصبی مصنوعی، تراکم کشت و مقدار کود مصرفی به عنوان ورودی و عملکرد و اجزای عملکرد سویا به عنوان خروجی در نظر گرفتهشد. یافتهها: با افزایش مقدار کود نیتروژن مصرفی و افزایش تراکم کشت ارتفاع ساقه افزایشیافت. با افزایش مصرف نیتروژن و کاهش تراکم کشت تعداد غلاف افزایش یافتهاست. با کاهش تراکم بوته وزن غلافهای بوته افزایش یافتهاست. با افزایش کود نیتروژن مصرفی و کاهش تراکم وزن بوته افزایشیافت. با افزایش کود نیتروژن مصرفی و کاهش تراکم تعداد شاخه افزایشیافت. با افزایش کود نیتروژن مصرفی و کاهش تراکم کشت سویا قطر ساقه افزایشیافت. شبکه عصبی با توپولوژی 7-20-2 قادر است پارامترهای مورد نظر را با ضریب تبیین 999987/0 و MSE 2497/0 پیشبینی کند. نتیجه گیری: در تراکم 150000 و 200000 بوته در هکتار، وزن غلاف از نظر آماری تفاوت نداشت، این در حالی است که در تراکم 100000 بوته در هکتار این مقدار به شکل قابل توجهی بالاتر بود. عملکرد سویا به مقدار زیادی تحت تاثیر وزن و تعداد غلاف است، هرچند که وزن غلاف در تراکم کم بسیار بیشتر بود، اما ممکن است در تراکم بالا به دلیل بیشتر بودن تعداد بوته، مشکل کم بودن وزن غلاف در تراکم پایین رفعشود. قطر ساقه در نیتروژن دو سطح 100 و 200 کیلوگرم در هکتار از نظر آماری تفاوت چندانینداشتند. از آنجایی که در تعداد غلاف و قطر ساقه مقدار کود 100 و 200 کیلوگرم در هکتار چندان تفاوتی ندارد، برای انتخاب بین این دو مقدار، 100 کیلوگرم در هکتار برای پایین آوردن هزینه و استفاده کمتر از کود مناسبتر است. شبکه عصبی با توپولوژی 7-20-2، بیشترین بازده را برای پیشبینی عملکرد سویا و کمترین بازده را برای پیشبینی تعداد شاخه داشت.https://ejcp.gau.ac.ir/article_4273_bcaf1901525c872514f5399d0f35c98b.pdfعملکرد سویااجزای عملکردالگوریتم لونبرگ–مارکوارتگرگان 3 |
| spellingShingle | محسن آزادبخت احسان قجرجزی پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته تولید گیاهان زراعی عملکرد سویا اجزای عملکرد الگوریتم لونبرگ–مارکوارت گرگان 3 |
| title | پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته |
| title_full | پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته |
| title_fullStr | پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته |
| title_full_unstemmed | پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته |
| title_short | پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته |
| title_sort | پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته |
| topic | عملکرد سویا اجزای عملکرد الگوریتم لونبرگ–مارکوارت گرگان 3 |
| url | https://ejcp.gau.ac.ir/article_4273_bcaf1901525c872514f5399d0f35c98b.pdf |
| work_keys_str_mv | AT mḥsnậzạdbkẖt pysẖbynyạjzạyʿmlḵrdswyạbạạstfạdhạzsẖbḵhʿṣbymṣnwʿytḥtạtẖrḵwdnytrwzẖnwtrạḵmbwth AT ạḥsạnqjrjzy pysẖbynyạjzạyʿmlḵrdswyạbạạstfạdhạzsẖbḵhʿṣbymṣnwʿytḥtạtẖrḵwdnytrwzẖnwtrạḵmbwth |