
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,489 |
تعداد مشاهده مقاله | 8,605,999 |
تعداد دریافت فایل اصل مقاله | 8,199,099 |
ارزیابی کارآیی مدل های شبکه عصبی مصنوعی در برآورد عملکرد اسانس گیاه مرزه تابستانه بر اساس ویژگی های زودیافت خاک | ||
پژوهشهای تولید گیاهی | ||
مقاله 4، دوره 26، شماره 2، شهریور 1398، صفحه 47-58 اصل مقاله (405.61 K) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jopp.2019.14351.2288 | ||
نویسندگان | ||
حسین صبوری فرد1؛ عظیم قاسم نژاد* 2؛ خدایار همتی3؛ ابوطالب هزارجریبی4؛ محمودرضا بهرامی5 | ||
1دانش آموخته کارشناسی ارشد گروه علوم باغبانی دانشگاه علوم کشاورزی ومنابع طبیعی گرگان | ||
2هیات علمی، دانشیار گروه علوم باغبانی دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
3رئیس دانشکده تولید گیاهی-دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
4دانشیار گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
5مدرس دپارتمان مهندسی تولیدات گیاهی، دانشکده کشاورزی، دانشگاه فنی و حرفهای خراسان رضوی | ||
چکیده | ||
سابقه و هدف: یکی از نیازهای مهم در برنامهریزی تولید و فرآوری گیاهان دارویی به منظور حصول عملکرد بالا و با کیفیت مطلوب، ارزیابی اولیه خصوصیات فیزیکی و شیمیایی خاک منطقه است که میتوان با اجتناب از کاربرد غیرضروری آزمایشات متنوع خاکشناسی، هزینه تولید را به حداقل کاهش داد. مرزه تابستانه (Satureja hortensis L) از جمله گیاهان دارویی پرکاربرد است که میزان اسانس و ترکیبات آن شاخص کیفی گیاه محسوب میشود. امروزه با ورود مدلهای رگرسیونی چند متغیره و مدلهای شبکه مصنوعی در تحقیقات، بسیاری از روابط پیچیده موجود در طبیعت قابل درک است. از این رو ضرورت برآورد عملکرد اسانس گیاه مرزه با استفاده از روشهای سریع، کم هزینه و با دقتی قابل قبول احساس میگردد. مواد و روشها: این پژوهش بصورت طرح کاملاً تصادفی، در سه تکرار و بصورت گلدانی انجام شد. از مناطق مختلف شهرستان نیشابور 53 نمونه خاک تهیه و پارامترهای زودیافت آن که شامل 1-درصد شن، 2-درصد سیلت، 3-درصد رس، 4-مواد آلی، 5-اسیدیته، 6-شوری، 7-فسفر، 8-پتاسیم، 9-نیتروژن، 10-درصد کربن میباشد، در آزمایشگاه اندازهگیری و نتایج اولیه بدست آمد. تقریباً 90 روز پس از کشت بذور در گلدانهای حاوی نمونههای مختلف خاکی، نمونهگیری از آنها صورت گرفت. سپس نمونهها به مدت 24 ساعت در آون 40 درجه سانتیگراد قرار گرفتند تا خشک شوند. در نهایت رابطههای بین عملکرد اسانس گیاه مرزه و پارامترهای زودیافت خاک با تجزیه شبکه عصبی مصنوعی و با استفاده از نرم افزار Matlab7.9 مشخص گردید. برای بدست آوردن حساسترین پارامترها، تجزیه حساسیت به روش ضریب بدون بعد حساسیت محاسبه گردید. بطوری که اگر مقدار ضریب حساسیت پارامتری از 1/0 بیشتر باشد، آن پارامتر جز پارامترهای حساس مدل محسوب شد. یافتهها: شبکه عصبی مصنوعی از الگوی شبکه عصبی مصنوعی انسان شبیهسازی شده است، به گونهای که میتواند پس از آموزش، پارامترهای خروجی مورد نظر را با اعمال پارامترهای ورودی برآورد نماید. در این پژوهش، از ساختار شبکه عصبی پرسپترون با الگوریتم آموزشی مارکوآت لونبرگ استفاده شد تا عملکرد اسانس از پارامترهای زودیافت خاک همچون بافت خاک، مواد آلی و عناصر پرمصرف برآورد شود. بالا بودن مقادیر R2 و پایین بودن مقادیر RMSE یاد شده بیانگر نزدیک بودن دادههای پیشبینی با دادههای اندازهگیری و دقت بالای مدل در برآورد عملکرد اسانس گیاه مرزه تابستانه است. بر این اساس پارامترهای بافت خاک(درصد شن، سیلت و رس) و کربن آلی، ماده آلی، شوری، پتاسیم و اسیدیته خاک به ترتیب به عنوان حساسترین پارامترها انتخاب گردید. نتیجهگیری: نتایج نشان داد که مدلهای عصبی ایجاد شده قادر نبودند عملکرد اسانس در گیاه مرزه تابستانه را با حداکثر دقت (R2= 0.50) برآورد نمایند. از بین 8 مدل برازش یافته یک مدل مبتنی بر متغیرهای مستقل EC + بافت + کربن + ماده آلی + پتاسیم + pH عملکرد بهتری داشت، با این وجود تعداد بالای عوامل ورودی این مدل محدودیت تلقی میشود. از آنجایی که این تحقیق جزء اولین بررسیها در مورد برآورد عملکرد اسانس گیاهان دارویی بود، لذا ادامه تحقیق و بررسی در این خصوص و همچنین پیشبینی عملکرد سایر گیاهان دارویی به این روش پیشنهاد میگردد. | ||
کلیدواژهها | ||
زیست توده؛ بافت خاک؛ گیاهان دارویی؛ عملکرد | ||
مراجع | ||
1.Akbarpour, A., Khorashadizadeh, O., Shahidi, A. and Ghochanian, E. 2013. Performance evaluation of artificial neural network models in estimate production of yield saffron based on climate parameters. J. Saff. Res. 1: 1. 27-35.
2.Bremner, J.S. and Mulvaney, C.S. 1982. Nitrogen-total. In: A.L. Page (Ed.), Methods of Soil Analysis, Part 2. American Society of Agronomy. Madison, Wisconsin, Pp: 595-624.
3.Hill, M. 1998. Methods and guidelinesfor effective model calibration. U.S. Geological survey Water- Resources Investigations Rep. 98-4005.
4.Menhaj, M.B. 2001. Computational intelligence, fundamentals of neural networks. 2nd d., Amir Kabir University of Technology, Tehran: Iran. (In Persian (
5.Moazenzadeh, R., Ghahraman, B., Fathalian, F. and Khoshnoodyazdi, A.A. 2009. Effect of type and number of input variables on moisture retention curve and saturated hydraulic conductivity prediction. J. Water. Soil. 23: 3. 57-70. (In Persian)
6.Movahedi Naiini, A. 2008. Soil physics (foundations and applications). Gorgan University of Agricultural Sciences and Natural Resources. Press, 304p. (In Persian)
7.Nakhaei, M. 2005. Estimating the saturated hydraulic conductivity of granular material, using Artificial Neural Network, based on grain size distribution curv. Sci. I. R. Iran. J. 16: 1. 55-62.
8.Omidbaigi, R. 2005. Production and processing of medicinal plants. Astane Quds Publ. Tehran, 438p.(In Persian)
9.Page, A., Miller, R. and Keeney, D. 1982. Methods of Soil Analysis. 2th ed. Part 2: Chemical and biological properties. Soil. Sci. Soc. Am. Inc. Publisher.
10.Rao, V. and Rao, H. 1996. C++ Neural networks and fuzzy logic. BPB, New Dehli, India, Pp: 380-381.
11.Schaap, M. and Leij, F. 1998. Using neural networks to predict soil water retention and soil hydraulic conductivity. Soil.Till. Res. 47: 37-42.
12.Schaap, M., Leij, F. and Van Genuchten, M. 1998. Neural network analysisfor hierarchical prediction of soil hydraulic properties. Soil Sci. Soc. Am. J. 62: 847-855. | ||
آمار تعداد مشاهده مقاله: 522 تعداد دریافت فایل اصل مقاله: 367 |