جستجو در مقالات منتشر شده


1 نتیجه برای مکاری

دکتر ابراهیم فانی، دکتر مجتبی مکاری،
دوره 11، شماره 2 - ( 6-1403 )
چکیده

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.

صفحه 1 از 1     

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