كليدواژه :
روابط آلومتريك , آناليز حساسيت , پرسپترون چند لايه , تراكم , رقم
چكيده فارسي :
با هدف برآورد ساده و دقيق سطح برگ بوته ذرت با شبكه عصبي پرسپترون چند لايه، آزمايشي در دانشكده علوم كشاورزي دانشگاه گيلان در سال زراعي 1393 - 1392 انجام شد. تيمارهاي اين آزمايش سه تراكم بوته (75، 85 و 95 هزار بوته در هكتار) و پنج رقم (پرشيا 454، پرشيا 484، پرشيا 565، پرشيا 626 و 647) بود و نمونهبرداري در چهار زمان متفاوت (35، 49، 63 و 77 روز پس از كاشت) انجام شد. در هر نمونهبرداري، تعداد برگهاي روي بوته، تعداد، طول و عرض برگهاي سبز، سطح برگ بوته، وزن خشك برگ و ساقه، ارتفاع بوته، قطر ساقه و عملكرد زيستتوده اندازهگيري شدند. يافتهها نشان داد كه متغيرهاي اندازهگيري شده همبستگي مثبت و معنيداري با سطح برگ داشته (**859/0 r ≥) و ميتوانند بهعنوان ورودي در مدلهاي برآورد سطح برگ استفاده شوند. در بين آنها بيشترين حساسيت بهترتيب مرتبط با عرض برگ، تعداد برگ سبز، طول برگ، تعداد برگهاي بوته و قطر ساقه بود. با اينحال، استفاده از مدلي با آماره‌هاي مناسب و با وروديهاي عرض، تعداد و طول برگهاي سبز، براي برآورد سريع سطح برگ مناسبتر تشخيص داده شد. هنگاميكه از تكورودي براي برآورد سطح برگ استفاده شد، وزن خشك برگ نسبت به ديگر متغيرها، سطح برگ را بهخوبي (67/15 = RMSE (%)) شبيهسازي و 69/95% از تغييرات آن را توجيه (9569/0 = r2) كرد. در هر دو روش برآورد سطح برگ (آناليز حساسيت و تكورودي)، بهترين مدل برآورد شده تحت تأثير رقم، تراكم و برهمكنش آنها قرار نگرفت. بنابراين، ميتوان از يك مدل كلي براي برآورد سطح برگ همه رقمها و تراكمهاي اين آزمايش استفاده كرد.
چكيده لاتين :
This experiment was designed for easy and accurate estimation of corn plant leaf area with multilayer perceptron (MLP) neural network and conducted at Faculty of Agricultural Sciences, University of Guilan, Rasht, Iran in 2013. Three plant densities (75, 85 and 95 thousand plants/ha) and five genotypes (Persia 454, 484, 565, 626 and 647) were considered as treatments. Samplings were conducted at various times (66, 80, 94 & 108 DAP). At each sampling, number of leaves per plant, number of green leaves, leaf length and width, plant leaf area, leaf and stem dry weight, plant height, stem diameter and biological yield were measured. Correlations analysis indicated that measured characteristics had positive significant correlation with plant leaf area (r≥0.859**) and they can be used as inputs for estimation of leaf area. Among these variables, the highest sensitivity was associated to leaf width, number of green leaves, leaf length, number of leaves per plant and stem diameter, respectively. However the model with a lower number of variable, i.e. including leaf width, number of green leaves and leaf length was more appropriate for quick estimation of leaf area. When a single input had been used for estimation of leaf area, leaf dry weight offered a better simulation than other variables (d = 0.989), so that 95.69% of leaf area changes was described through leaf dry weight (R2 = 0.9569) and it can estimate leaf area well (RMSE (%) = 15.67). In both methods of estimation for leaf area (by using single input and sensitivity analysis), the best fitted models were not affected by cultivar, plant density and interaction of these two factors. Therefore, a general model can be used for rapid and accurate leaf area estimation of genotypes and plant densities used in the experiment
