دوره 11، شماره 2 - ( 6-1403 )                   جلد 11 شماره 2 صفحات 70-57 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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

استفاده از یادگیری ماشین برای مدل‌سازی سطوح مختلف تنش شوری و کوددهی سیلیس گیاه شنبلیله (Trigonella foenum-graecum L.)
ابراهیم فانی* ، مجتبی مکاری
دانشگاه صنعتی خاتم الانبیاء (ص) بهبهان ، fani@bkatu.ac.ir
چکیده:   (682 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
واژه‌های کلیدی: شنبلیله، صفات فیزیولوژیکی، صفات مورفولوژیکی، روش رگرسیون غیر خطی، یادگیری ماشین
متن کامل [PDF 946 kb]   (123 دریافت)    
نوع مطالعه: مقاله پژوهشی | موضوع مقاله: علوم گیاهی
دریافت: 1402/12/18 | ویرایش نهایی: 1403/7/16 | پذیرش: 1403/6/6 | انتشار: 1403/6/27 | انتشار الکترونیک: 1403/6/27
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

Creative Commons Licence
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.




کلیه حقوق این وب سایت متعلق به یافته های نوین در علوم زیستی است.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2015 All Rights Reserved | Nova Biologica Reperta

Designed & Developed by : Yektaweb