كليدواژه :
الگوريتم لونبرگ- ماركوارت , اجزاي عملكرد , عملكرد سويا , گرگان3
چكيده فارسي :
سابقه و هدف
فاكتورهاي زيادي از جمله شرايط آب و هوايي، تاريخ كاشت، آرايش كاشت، جمعيت گياهي و تغذيه از طريق تاثير بر روي گياه مي توانند باعث تنوع عملكرد گردند. همچنين از آنجا كه ايران در منطقه خشك و نيمه خشك قرار گرفته است، مقدار مواد آلي خاك هاي آن پايين بوده و در نتيجه داراي سطوح پايين نيتروژن مي باشند. اغلب گياهان دراين مناطق دچار كمبود نيتروژن بوده و تامين نيتروژن از طريق كودهاي شيميايي و آلي ضروري است، در نتيجه بررسي ميزان آن براي هر محصولي از اهميت بسزايي برخوردار است. همچنين افزايش تقاضاي محصولات كشاورزي و مشكلات دستيابي به داده هاي ميداني، ضرورت استفاده از مدل هاي مناسب براي پيش بيني عملكرد محصولات كشاورزي را نمايان مي سازد. هدف از اين تحقيق بررسي تاثير مقادير كود نيتروژن و تراكم برعملكرد و اجزاي عملكرد سويا (رقم گرگان 3) و همچنين پيش بيني اين پارامتر ها با استفاده از شبكه عصبي بوده است.
مواد و روش ها
اين پژوهش روي سويا رقم گرگان 3 بود كه داراي دو فاكتور اصلي بود و در قالب طرح بلوك هاي كامل تصادفي در 3 تكرار در گرگان اجرا شد. فاكتور اول مقدار كود نيتروژن بود كه در سه سطح (100، 200 و 300 كيلوگرم در هكتار) به خاك اضافه گرديد و فاكتور دوم تراكم كاشت بود كه در سه سطح (100000، 150000 و 200000 بوته بر هكتار) انجام شد. براي اندازه گيري صفات مورد نظر از قبيل: ارتفاع بوته، تعداد غلاف هاي بوته، وزن غلاف هاي بوته، وزن بوته، تعداد شاخه و قطر ساقه تعداد ده بوته به طور تصادفي در هر كرت از رديف وسط انتخاب شد. تجزيه و تحليل داده ها با استفاده از نرم افزار SAS و آزمون LSD در آزمايش فاكتوريل در طرح بلوك كاملا تصادفي انجام شد. به منظور پيش بيني عملكرد و اجزاي عملكرد در شبكه عصبي مصنوعي از الگوريتم لونبرگ–ماركوارت براي آموزش شبكه استفاده شد. براي توسعه مدل هاي شبكه عصبي مصنوعي، تراكم كشت و مقدار كود مصرفي به عنوان ورودي و عملكرد و اجزاي عملكرد سويا به عنوان خروجي در نظر گرفته شد.
يافته ها
با افزايش مقدار كود نيتروژن مصرفي و افزايش تراكم كشت ارتفاع ساقه افزايش يافت. با افزايش مصرف نيتروژن و كاهش تراكم كشت تعداد غلاف افزايش يافته است. با كاهش تراكم بوته وزن غلاف هاي بوته افزايش يافته است. با افزايش كود نيتروژن مصرفي و كاهش تراكم وزن بوته افزايش يافت. با افزايش كود نيتروژن مصرفي و كاهش تراكم تعداد شاخه افزايش يافت. با افزايش كود نيتروژن مصرفي و كاهش تراكم كشت سويا قطر ساقه افزايش يافت. شبكه عصبي با توپولوژي 7-20-2 قادر است پارامترهاي مورد نظر را با ضريب تبيين 0/999987 و MSE 0/2497 پيش بيني كند.
نتيجه گيري
در تراكم 150000 و 200000 بوته در هكتار، وزن غلاف از نظر آماري تفاوت نداشت، اين در حالي است كه در تراكم 100000 بوته در هكتار اين مقدار به شكل قابل توجهي بالاتر بود. عملكرد سويا به مقدار زيادي تحت تاثير وزن و تعداد غلاف است، هرچند كه وزن غلاف در تراكم كم بسيار بيشتر بود، اما ممكن است در تراكم بالا به دليل بيشتر بودن تعداد بوته، مشكل كم بودن وزن غلاف در تراكم پايين رفع شود. قطر ساقه در نيتروژن دو سطح 100 و 200 كيلوگرم در هكتار از نظر آماري تفاوت چنداني نداشتند. از آنجايي كه در تعداد غلاف و قطر ساقه مقدار كود 100 و 200 كيلو گرم در هكتار چندان تفاوتي ندارد، براي انتخاب بين اين دو مقدار، 100 كيلوگرم در هكتار براي پايين آوردن هزينه و استفاده كمتر از كود مناسب تر است. شبكه عصبي با توپولوژي 7-20-2، بيشترين بازده را براي پيش بيني عملكرد سويا و كمترين بازده را براي پيش بيني تعداد شاخه داشت.
چكيده لاتين :
Background and objectives: Many factors, including climatic conditions, planting date, planting pattern, plant populations, and nutrition can cause a variety of yield through the impacts on the plant. Also, since Iran is located in arid and semi-arid regions, the amount of organic matter in its soils is low, for this reason, it has low levels of nitrogen. Most plants are faced with a lack of nitrogen in these regions, which are compensated through organic and chemical fertilizers; in this regard, nitrogen fertilizers play an important role in plant production.
Also, the increasing demand for agricultural products and problems of access to field data, reveals the necessary of using the appropriate models to predict crop yield.
The aim of this research was to study the effect of nitrogen fertilizer and plant density on yield and yield components of soybean (Variety Gorgan 3) and also prediction this parameter by using the artificial neural network.
Materials and methods: Two major factors in randomized complete block design were investigated in this research in three replications on soybean (variety Gorgan 3); nitrogen fertilizer in three levels (100, 200 and 300 kg per hectare) and plant density in three levels (100,000, 150,000 and 200,000 plants per hectare). Ten plants were randomly selected from the middle row in each plot to measure traits such as plant height, pods number per plant, pods weight per plant, plant weight, the number of branches and shoot diameter. Data analysis was conducted using SAS software and LSD test as a factorial experiment. For prediction yield and yield components in the artificial neural network, the Levenberg-Marquardt algorithm was used to train the ANN. In order to develop ANN's models, plant density and nitrogen fertilizer were used as input vectors and yield and yield components were used as the output.
Results: Shoot height increased by increasing the amount of nitrogen fertilizer and plant density, but increased pod number, plant weight, the number of branches and shoot diameter were a result of increased nitrogen and reduced density. Pods weight increased by reducing the density. Network with 2-20-7 topology could predict the parameters with R2 of 0.99987 and MSE of 0.2497.
Conclusion:. Pod weight was significantly higher with the density of 100,000 plants per hectare, while these amounts were similar statistically in 150,000 to 200,000 plants per hectare. Soybean yield is greatly influenced by the weight and pod number, although the pod weight was much more of low density; but this problem may be resolved in a high density due to the larger number of plants. No significant difference was statistically observed in shoot diameter between 100 and 200 kg N per hectare. Accordingly, 100 kg N per ha is suitable for bring down the cost and using fewer fertilizers. Network with 2-20-7 topology had the most performance in soybean yield prediction and had the least performance in a number of branch prediction.
