دوره 16، شماره 2 - ( نشریه روابط خاک و گیاه 1404 )
جلد 16 شماره 2 صفحات 78-61 |
برگشت به فهرست نسخه ها
1- بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، جیرفت، ایران ، s.heydary@areeo.ac.ir
2- موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
2- موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
چکیده: (564 مشاهده)
پیشینه پژوهش و هدف: فراهمی عناصر کم‌مصرف مانند مس (Cu) و منگنز (Mn) در خاک‌های آهکی با pH زیاد، یکی از چالش‌های کلیدی در تولید پایدار مرکبات در مناطق خشک و نیمه‌خشک است. این پژوهش با هدف پیش‌بینی غلظت این عناصر در برگ مرکبات جنوب کرمان و شناسایی مؤثرترین ویژگی‌های خاک بر فراهمی آن‌ها انجام شد.
روش‌ها: بدین منظور از ۴۰ باغ مرکبات نمونه‌های مرکب خاک همراه با برگ‌های رشد بهاره برداشت شد و با روش‌های استاندارد ویژگی‌های خاک و غلظت Cu و Mn برگ اندازه‌گیری شد.
نتایج: نتایج نشان داد که pH زیاد خاک به‌طور قابل‌توجهی مانع جذب عناصر غذایی می‌شود، به‌طوری‌که Cu و Mn برگ به‌ترتیب ضرایب همبستگی 0/41− و 0/33− با pH خاک نشان دادند. همچنین ضرایب همبستگی Cu برگ با مقدار رس 0/32 و با کربن آلی (OC) 0/39 بود، در حالی‌که Mn برگ همبستگی منفی با شوری خاک (EC) با ضریب 0/29 نشان داد. رگرسیون گام‌به‌گام متغیرهای pH، رس و فسفر خاک را به‌عنوان تخمین‌گرهای Cu برگ (R² = 0.36) و pH و EC را به‌عنوان تخمین‌گرهای Mn برگ (R² = 0.28) برگزید. برای غلبه بر محدودیت خطی‌بودن، شبکه عصبی مصنوعی (ANN) پرسپترون چندلایه با الگوریتم لونبرگ–مارکوارت و نسبت آموزش/آزمون 30/70 توسعه یافت. بهترین مدل ANN برای Cu برگ با ورودی‌های pH،وOC، رس و فسفر خاک و ۱۰ نورون پنهان در مرحله آزمون به R² = 0.78 و RMSE = 0.88 mg kg⁻¹ رسید؛ برای پیش‌بینی Mn برگ شبکه‌ای با ورودی‌های pH،وOC، رس، فسفر و EC خاک و ۱۱ نورون پنهان R² = 0.66 و RMSE = 5.68 mg kg⁻¹ را حاصل کرد.
نتیجه‌گیری کلی: کاهش 42 و 38 درصدی خطا به‌ترتیب در پیش‌بینی غلظت Cu و Mn توسط مدل‌های ANN نسبت به مدل رگرسیون نشان داد که مدل‌های هوش مصنوعی با لحاظ تعامل‌های غیرخطی می‌توانند ابزار کارآمدی برای برنامه‌ریزی کوددهی و ارتقای بهره‌وری باغ‌های مرکبات این مناطق باشند.
روش‌ها: بدین منظور از ۴۰ باغ مرکبات نمونه‌های مرکب خاک همراه با برگ‌های رشد بهاره برداشت شد و با روش‌های استاندارد ویژگی‌های خاک و غلظت Cu و Mn برگ اندازه‌گیری شد.
نتایج: نتایج نشان داد که pH زیاد خاک به‌طور قابل‌توجهی مانع جذب عناصر غذایی می‌شود، به‌طوری‌که Cu و Mn برگ به‌ترتیب ضرایب همبستگی 0/41− و 0/33− با pH خاک نشان دادند. همچنین ضرایب همبستگی Cu برگ با مقدار رس 0/32 و با کربن آلی (OC) 0/39 بود، در حالی‌که Mn برگ همبستگی منفی با شوری خاک (EC) با ضریب 0/29 نشان داد. رگرسیون گام‌به‌گام متغیرهای pH، رس و فسفر خاک را به‌عنوان تخمین‌گرهای Cu برگ (R² = 0.36) و pH و EC را به‌عنوان تخمین‌گرهای Mn برگ (R² = 0.28) برگزید. برای غلبه بر محدودیت خطی‌بودن، شبکه عصبی مصنوعی (ANN) پرسپترون چندلایه با الگوریتم لونبرگ–مارکوارت و نسبت آموزش/آزمون 30/70 توسعه یافت. بهترین مدل ANN برای Cu برگ با ورودی‌های pH،وOC، رس و فسفر خاک و ۱۰ نورون پنهان در مرحله آزمون به R² = 0.78 و RMSE = 0.88 mg kg⁻¹ رسید؛ برای پیش‌بینی Mn برگ شبکه‌ای با ورودی‌های pH،وOC، رس، فسفر و EC خاک و ۱۱ نورون پنهان R² = 0.66 و RMSE = 5.68 mg kg⁻¹ را حاصل کرد.
نتیجه‌گیری کلی: کاهش 42 و 38 درصدی خطا به‌ترتیب در پیش‌بینی غلظت Cu و Mn توسط مدل‌های ANN نسبت به مدل رگرسیون نشان داد که مدل‌های هوش مصنوعی با لحاظ تعامل‌های غیرخطی می‌توانند ابزار کارآمدی برای برنامه‌ریزی کوددهی و ارتقای بهره‌وری باغ‌های مرکبات این مناطق باشند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مدل‌سازی روابط آب-خاک-گیاه و جذب آب توسط ريشه
دریافت: 1404/2/7 | پذیرش: 1404/5/12 | انتشار: 1404/6/31
دریافت: 1404/2/7 | پذیرش: 1404/5/12 | انتشار: 1404/6/31
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
Journal of Soil and Plant Interactions by http://jspi.iut.ac.ir is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
استفاده از مطالب ارایه شده در این پایگاه با ذکر منبع آزاد می باشد.
