Fani E, Mokari M. Using machine learning to model different levels of salinity stress and silica fertilization of fenugreek (Trigonella foenum-graecum L.). nbr 2024; 11 (2) : 5
URL:
http://nbr.khu.ac.ir/article-1-3671-fa.html
فانی ابراهیم، مکاری مجتبی. استفاده از یادگیری ماشین برای مدلسازی سطوح مختلف تنش شوری و کوددهی سیلیس گیاه شنبلیله (Trigonella foenum-graecum L.). یافته های نوین در علوم زیستی. 1403; 11 (2) :57-70
URL: http://nbr.khu.ac.ir/article-1-3671-fa.html
دانشگاه صنعتی خاتم الانبیاء (ص) بهبهان ، fani@bkatu.ac.ir
چکیده: (459 مشاهده)
در سالهای اخیر استفاده از روشهای یادگیری ماشین در زمینههای مختلف کشاورزی در حال افزایش است که این روشها، اطلاعات بسیار خوبی را برای پیشبینی و بررسی سطوح عملکرد مختلف در گیاهان به ما ارائه میدهد. در پژوهش حاضر، با توجه به نتایج حاصل از آزمایش اولیه با سطوح تنش شوری و کوددهی مشخص (سطوح تنش شوری صفر، 75 و 150 میلیمولار کلرید سدیم و سطوح کوددهی صفر و 3 گرم در لیتر سیلیس) که از قبل انجام شده و با استفاده از مدل رگرسیون غیرخطی (NLR) و زبان برنامهنویسی پایتون، صفات مورفولوژیکی و فیزیولوژیکی گیاه دارویی شنبلیله در سطوح تنش شوری و کوددهی سیلیس تعریفشدۀ جدید (شوری تا سطح 300 میلیمولار و کوددهی سیلیس در دو سطح 1 و 2 گرم در لیتر) بدون انجام آزمایش عملی و براساس سطوح شوری و کوددهی اولیه پیشبینی گردید. مدل رگرسیون غیرخطی، یک الگوریتم پرکاربرد در تحلیل دادههایی است که رابطه بین متغیرها به صورت غیرخطی است و میتواند روابط معنی داری میان متغیرها با استفاده از توابع غیرخطی ایجاد کند. نتایج نشان داد که تاثیر مثبت سیلیس بر میزان کلروفیل فلورسانس (Fv/Fm) از صفر تا سطح شوری 180 میلیمولار و میزان شاخص سبزینگی (SPAD) از صفر تا سطح حشوری 100 میلیمولار نمایان میشود. به نظر میرسد با توجه به نتایج حاصل از پژوهش حاضر، میتوان با استفاده از یادگیری ماشین، صفات مورفولوژیکی و فیزیولوژیکی گیاه دارویی شنبلیله را در سطوح تنش شوری و کوددهی سیلیس تعریفشدۀ دیگر بدون انجام آزمایش عملی، مورد بررسی و تجزیه و تحلیل قرار داد.
شمارهی مقاله: 5
نوع مطالعه:
مقاله پژوهشی |
موضوع مقاله:
علوم گیاهی دریافت: 1402/12/18 | ویرایش نهایی: 1403/3/28 | پذیرش: 1403/6/6 | انتشار: 1403/6/27 | انتشار الکترونیک: 1403/6/27