
تعداد نشریات | 13 |
تعداد شمارهها | 626 |
تعداد مقالات | 6,517 |
تعداد مشاهده مقاله | 8,746,555 |
تعداد دریافت فایل اصل مقاله | 8,317,338 |
پیشبینی اجزای عملکرد سویا با استفاده از شبکهعصبی مصنوعی تحت اثر کودنیتروژن و تراکمبوته | ||
مجله تولید گیاهان زراعی | ||
مقاله 5، دوره 11، شماره 2، شهریور 1397، صفحه 63-76 اصل مقاله (564.58 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/ejcp.2018.12867.2002 | ||
نویسندگان | ||
محسن آزادبخت* 1؛ احسان قجرجزی2 | ||
1دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
2باشگاه پژوهشگران جوان و نخبگان، واحد گرگان، دانشگاه آزاد اسلامی، گرگان، ایران. | ||
چکیده | ||
سابقه و هدف: فاکتورهای زیادی از جمله شرایط آبوهوایی، تاریخ کاشت، آرایش کاشت، جمعیت گیاهی و تغذیه از طریق تاثیر بر روی گیاه میتوانند باعث تنوع عملکرد گردند. همچنین از آنجا که ایران در منطقه خشک و نیمه خشک قرار گرفتهاست، مقدار مواد آلی خاکهای آن پایین بوده و در نتیجه دارای سطوح پایین نیتروژن میباشند. اغلب گیاهان دراین مناطق دچار کمبود نیتروژن بوده و تأمین نیتروژن از طریق کودهای شیمیایی و آلی ضروری است، در نتیجه بررسی میزان آن برای هر محصولی از اهمیت بسزایی برخورداراست. همچنین افزایش تقاضای محصولات کشاورزی و مشکلات دستیابی به دادههای میدانی، ضرورت استفاده از مدلهای مناسب برای پیشبینی عملکرد محصولات کشاورزی را نمایان میسازد. هدف از این تحقیق بررسی تاثیر مقادیر کود نیتروژن و تراکم برعملکرد و اجزای عملکرد سویا (رقم گرگان 3) و همچنین پیشبینی این پارامترها با استفاده از شبکه عصبی بودهاست. مواد و روش ها : این پژوهش روی سویا رقم گرگان 3 بود که دارای دو فاکتور اصلی بود و در قالب طرح بلوکهای کامل تصادفی در 3 تکرار در گرگان اجرا شد. فاکتور اول مقدار کود نیتروژن بود که در سه سطح (100، 200 و 300 کیلوگرم در هکتار) به خاک اضافه گردید و فاکتور دوم تراکم کاشت بود که در سه سطح (100000، 150000 و 200000 بوته بر هکتار) انجام شد. برای اندازهگیری صفات مورد نظر از قبیل: ارتفاعبوته، تعداد غلافهایبوته، وزن غلافهای بوته، وزنبوته، تعدادشاخه و قطرساقه تعداد ده بوته بهطور تصادفی در هر کرت از ردیف وسط انتخابشد. تجزیه و تحلیل دادهها با استفاده از نرم افزار SAS و آزمون LSD در آزمایش فاکتوریل در طرح بلوک کاملا تصادفی انجامشد. به منظور پیشبینی عملکرد و اجزای عملکرد در شبکه عصبی مصنوعی از الگوریتم لونبرگ–مارکوارت برای آموزش شبکه استفاده شد. برای توسعه مدلهای شبکه عصبی مصنوعی، تراکم کشت و مقدار کود مصرفی به عنوان ورودی و عملکرد و اجزای عملکرد سویا به عنوان خروجی در نظر گرفتهشد. یافتهها: با افزایش مقدار کود نیتروژن مصرفی و افزایش تراکم کشت ارتفاع ساقه افزایشیافت. با افزایش مصرف نیتروژن و کاهش تراکم کشت تعداد غلاف افزایش یافتهاست. با کاهش تراکم بوته وزن غلافهای بوته افزایش یافتهاست. با افزایش کود نیتروژن مصرفی و کاهش تراکم وزن بوته افزایشیافت. با افزایش کود نیتروژن مصرفی و کاهش تراکم تعداد شاخه افزایشیافت. با افزایش کود نیتروژن مصرفی و کاهش تراکم کشت سویا قطر ساقه افزایشیافت. شبکه عصبی با توپولوژی 7-20-2 قادر است پارامترهای مورد نظر را با ضریب تبیین 999987/0 و MSE 2497/0 پیشبینی کند. نتیجه گیری: در تراکم 150000 و 200000 بوته در هکتار، وزن غلاف از نظر آماری تفاوت نداشت، این در حالی است که در تراکم 100000 بوته در هکتار این مقدار به شکل قابل توجهی بالاتر بود. عملکرد سویا به مقدار زیادی تحت تاثیر وزن و تعداد غلاف است، هرچند که وزن غلاف در تراکم کم بسیار بیشتر بود، اما ممکن است در تراکم بالا به دلیل بیشتر بودن تعداد بوته، مشکل کم بودن وزن غلاف در تراکم پایین رفعشود. قطر ساقه در نیتروژن دو سطح 100 و 200 کیلوگرم در هکتار از نظر آماری تفاوت چندانینداشتند. از آنجایی که در تعداد غلاف و قطر ساقه مقدار کود 100 و 200 کیلوگرم در هکتار چندان تفاوتی ندارد، برای انتخاب بین این دو مقدار، 100 کیلوگرم در هکتار برای پایین آوردن هزینه و استفاده کمتر از کود مناسبتر است. شبکه عصبی با توپولوژی 7-20-2، بیشترین بازده را برای پیشبینی عملکرد سویا و کمترین بازده را برای پیشبینی تعداد شاخه داشت. | ||
کلیدواژهها | ||
عملکرد سویا؛ اجزای عملکرد؛ الگوریتم لونبرگ–مارکوارت؛ گرگان 3 | ||
مراجع | ||
1. Anajafi, M., and Farnia, A. 2008. Effect of plant densities on morphological characteristics and seed yield of soybean genotypes in markazi province. New Fin. In. Agri., 2(2): 107-115. (In Persian) 2. Babaei Aghdam, J., Abdi, M., Seyfzadeh, S., and Khiavi, M. 2009. The effect of nitrogen fertilizer and bush density on seed yield and yield components of azargol sunflower cultivar in Takestan region, Iran. Agro. J. (J. new. Agric. Sci.)., 4(14): 1-12. (In Persian) 3. Bagheri, S., Gheysari, M., Ayoubi, S., and Lavaee, N. 2012. Silage maize yield prediction using artificial neural networks. J. Pla. Prod. (J. Agric. Sci. Nat. Res.)., 19(4): 77-95. 4. Buttery, B.R. 1969. Effects of plant population and fertilizer on the growth and yield of soybeans. Can. J. Plant Sci., 49(6): 659-673. 5. Dai, X., Huo, Z., and Wang, H. 2011. Simulation for response of crop yield to soil moisture and salinity with artificial neural network. Fied. Crop. Res., 121: 441-449. 6. Danesh Shahraki, A.A.R., Kashani, A., Mesgarbashi, M., Nabipour, M., and Kouhi Dehkordi, M. 2008. The effect of plant densities and time of nitrogen application on some agronomic characteristic of rapeseed. Agron. J. Pajohesh and Sazandegi., 21(2): 10-17. (In Persian) 7. Daneshmand, A.R., Nickhah Kuchaksarayy, H., Goldoust Khorshidi, M., and Moradpoor, S. 2012. Study of the quantitative and qualitative yield of rapeseed (Brassica napus l. var hyola 401) in different rates of nitrogen and plant density conditions. J. Res. Crop. Sci., 4(16): 103-116. (In Persian) 8. Hosseini, S.M.T., Sioseh Mardeh, A., Fathi, P., and Sioseh Mardeh, M. 2007. Application of artificial neural network (ANN) and multiple regressions for estimating assessing the performance of dry farming wheat yield in ghorveh region, kurdistan province. Agric. Res., 7(1): 41-54. 9. Janbazi Roudsari, A., Ashouri, M., and Amiri, E. 2015. Effect of foliar application of methanol and nitrogen on yield and yield components of soybean in Guilan weather conditions. J. Plant Ecophysiol., 7(20): 1-14. (In Persian) 10. Kashfi, S.M.H., Majnoun Hosseini, N., and Zeinali Khaneghah, H. 2011. Effect of plant density and starter nitrogen fertilizer on yield and yield components of chickpea (Cicer arietinum L. cv. Kourosh) at Karaj conditions. Iran J. Pul. Res., 1(2): 11-20. (In Persian) 11. Kaul, M., Hill, R.L., and Walthall, C. 2005. Artificial neural networks for corn and soybean yield prediction. Agric. Syst., 85: 1-18. 12. Khademhamzeh, H.R., Karimie, M., Rezaie, A., and Ahmadie, M. 2004. Effect of plant density and planting date on agronomic characteristics, yield and yield components in soybean. Iran. J. Agric. Sci., 35(2): 357-367. (In Persian) 13. Khaje pour, M.R. 2004. Industrial Plants. University Jihad of Isfahan, Pp: 93-123. 14. Mazloom, P., Sam Daliri, M., and Khodabandeh, N. 2009. Effects of nitrogen and plant density on yield and yield components of different rape seed (Brassica napus) cultivars. Iran. J. Agr. Plant Breed., 5(1): 85-97. (In Persian) 15. Momeni Fili, P., Khoorgami, A., and Sayyah Far, M. 2014. Effect of vermicompost biofertilizer and plant density on the yield and yield components soybean in khorramabad. Crop Physiol. J., 6(23): 113-127. (In Persian) 16. Peyman, L., Mahmoudi, A., Abdollahpor, S., Moghaddam, M., and Ranabonab, B. 2012. Controlling spray particle size using artificial neural networks. J. Sust. Agric. Prod. Sci., 21(4): 75-84. 17. Rezvani Moghaddam, P., Mohammad Abadi, A.A., and Moradi, R. 2010. The effect of application of chemical and organic fertilizers on yield and yield components of sesame (Sesamum indicum l.) in different plant densities. J. Agr., 2(2): 256-262. (In Persian) 18. Sharifi, M., Rafiei, S., Keyhani, A., and Omid, M. 2010. Kinetic model simulation of thin-layer drying of orange fruit (var. thompson) using artificial neural network. Ira J. Food. Sci. Technol., 7(1): 39-49. 19. Soroush, M., Ashori, M., and Amiri, A. 2015. Effect of foliar application of nitrogen and zinc on the yield and yield components of soybeans. J. Plant Ecophysiol., 6(19): 18-29. (in Persian) 20. Tavakoli, A., Ansary, M.H., Khorshidi Benam, M.B., and Asadi Rahmani, H. 2012. Yield response of soybean (Glysin max .l) cultivars to plant population in Bilehsavar region. First National Conference Modern Topic in Agriculture. Saveh, Iran. (In Persian) | ||
آمار تعداد مشاهده مقاله: 505 تعداد دریافت فایل اصل مقاله: 356 |