Nova Biologica Reperta

fa استفاده از یادگیری ماشین برای مدل‌سازی سطوح مختلف تنش شوری و کوددهی سیلیس گیاه شنبلیله (Trigonella foenum-graecum L.) Using machine learning to model different levels of salinity stress and silica fertilization of fenugreek (Trigonella foenum-graecum L.) علوم گیاهی Plant Biology مقاله پژوهشی Original Article 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. In recent years, the use of machine learning methods in various fields of agriculture is increasing, and these methods provide us with very good information for predicting and checking different levels of performance in plants. In the current research, according to the results of the preliminary experiment carried out previously with specific levels of salinity stress and fertilization (salinity stress levels of zero, 75 and 150 mM sodium chloride and fertilization levels of zero and 3 grams per liter of silica) which were previously carried out and using the nonlinear regression model (NLR) and Python programming language, the morphological and physiological traits of the fenugreek medicinal plant at the newly defined levels of salinity stress and silica fertilization (salinity of up to 300 mM level and silica fertilization in two levels of 1 and 2 grams per liter) were predicted without conducting practical tests and based on the levels of salinity and initial fertilization. The non-linear regression model is a widely used algorithm in data analysis where the relationship between variables is non-linear and can create meaningful relationships between variables using non-linear functions. The results showed that the positive effect of silica on the amount of chlorophyll fluorescence (Fv/Fm) can be seen from zero to 180 mM salinity level and the amount of greenness index (SPAD) from zero to 100 mM salinity level. It seems that according to the results of the present research, it is possible to use machine learning to investigate and analyze the morphological and physiological characteristics of the fenugreek medicinal plant at other defined levels of salinity stress and other defined silica fertilization with no need conduct a practical experiment. شنبلیله, صفات فیزیولوژیکی, صفات مورفولوژیکی, روش رگرسیون غیر خطی, یادگیری ماشین Fenugreek, physiological characteristics, morphological characteristics, nonlinear regression method, machine learning 57 70 http://nbr.khu.ac.ir/browse.php?a_code=A-10-1596-1&slc_lang=fa&sid=1 Ebrahim Fani ابراهیم فانی fani@bkatu.ac.ir 100319475328460010855 100319475328460010855 Yes Behbahan Khatam Alanbia University of Technology دانشگاه صنعتی خاتم الانبیاء (ص) بهبهان Mojtaba Mokari مجتبی مکاری mokari@bkatu.ac.ir 100319475328460010856 100319475328460010856 No Behbahan Khatam Alanbia University of Technology دانشگاه صنعتی خاتم الانبیاء (ص) بهبهان