Soil and Plant Interactions

fa پیش‌بینی غلظت مس و منگنز در برگ مرکبات با استفاده از شبکه‌های عصبی مصنوعی و رگرسیون گام‌به‌گام (مطالعه موردی: باغ‌های جنوب استان کرمان) Prediction of Copper and Manganese Concentration in Citrus Leaves Using Artificial Neural Networks and Stepwise Regression (Case Study: Orchards of Southern Kerman Province) مدل‌سازی روابط آب-خاک-گیاه و جذب آب توسط ريشه Modeling of soil-water-plant relations and root water uptake پژوهشي Research 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.   Background and Objective: The availability of micronutrients such as copper (Cu) and manganese (Mn) in high-pH calcareous soils is a key challenge for sustainable citrus production in arid and semi-arid regions. This research was conducted to predict the concentration of these elements in citrus leaves in southern Kerman and identifying the most influential soil properties affecting their availability. Methods: Samples were collected from 40 orchards, with a focus on both soil and leaf samples taken during the spring growth season. We used standard methods to analyze soil properties and measure Cu and Mn concentrations in the leaves. Results: High soil pH significantly hindered nutrient absorption, as the leaf Cu and Mn showed negative correlation coefficients of ‒0.41 and ‒0.33 with pH, respectively. However, the leaf Cu was positively correlated with both clay content (r = 0.32) and organic carbon (OC) content (r = 0.39), while the leaf Mn exhibited a negative correlation with soil salinity, EC (r = -0.29). Stepwise regression selected the soil pH, clay, and phosphorus as predictors for the leaf Cu (R2 = 0.36), and pH and EC as predictors for the leaf Mn (R2 = 0.28). To overcome the limitation of linearity, a multilayer perceptron artificial neural network (ANN) was developed using the Levenberg-Marquardt algorithm with a 70/30 training/testing ratio. The best ANN model for the leaf Cu, with inputs of soil pH, OC, clay, and phosphorus and 10 hidden neurons, achieved an R2 = 0.78 and RMSE = 0.88 mg kg−1 in the testing phase. For predicting leaf Mn, a network with inputs of soil pH, OC, clay, phosphorus, and EC and 11 hidden neurons achieved an R2 = 0.66 and RMSE = 5.68 mg kg−1. Conclusion: The ANN models reduced prediction error by 42 and 38% for the leaf Cu and Mn compared to the regression model, respectively. This significant improvement demonstrates that artificial intelligence can be an effective tool for creating precise fertilization plans and ultimately enhancing the productivity of citrus orchards in these challenging environments.   یادگیری ماشین, ویژگی‌های خاک, خاک‌های آهکی, مدیریت تغذیه, کربن آلی خاک. Machine learning, Soil properties, Calcareous soils, Nutrient management, Soil organic carbon. 61 78 http://jspi.iut.ac.ir/browse.php?a_code=A-10-2164-1&slc_lang=fa&sid=1 Saber Heidari صابر حیدری s.heydary@areeo.ac.ir 0000-0001-9396-202X Yes Soil and Water Research Department, South Kerman Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Jiroft بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، جیرفت، ایران Seyed Ali Ghaffari Nejad سید علی غفاری نژاد ma_ghaffari51@yahoo.com 0000-0002-0107-3792 No Soil and Water Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران