بهینه‌سازی کوددهی نیتروژن و تراکم کشت برای افزایش عملکرد برگ و دانه وسمه با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه زراعت و اصلاح نباتات، دانشکده کشاورزی دانشگاه صنعتی شاهرود، شاهرود، ایران

2 دانش‌آموخته کارشناسی‌ارشد، گروه زراعت و اصلاح نباتات، دانشکده کشاورزی دانشگاه صنعتی شاهرود، شاهرود، ایران

3 دانش‌آموخته کارشناسی‌ارشد، گروه زراعت و اصلاح نباتات دانشکده کشاورزی دانشگاه آزاد جیرفت، جیرفت، ایران

چکیده

به‌طور معمول اثرات 3 یا 4 سطح از متغیرهای مستقل (در اینجا کود نیتروژن و تراکم کشت) بر متغیرهای وابسته (در اینجا عملکرد برگ و دانه) موردبررسی قرارگرفته و با استفاده از مقایسه میانگین­ها، بهترین سطح متغیرهای مستقل پیدا می‌شود. چنین نتایجی شاید خیلی دقیق نباشند. هدف از این بررسی، یافتن میزان دقیق کود نیتروژن و تراکم کشت از طریق درون‌یابی (بهینه‌سازی) برای افزایش عملکرد برگ و دانه وسمه با استفاده از شبکه عصبی مصنوعی (به‌عنوان یک تجزیه تکمیلی) بود. در یک آزمایش زراعی به‌صورت اسپلیت پلات در مزرعه تحقیقاتی دانشگاه آزاد جیرفت، تأثیر 4 تراکم کشت (فاکتور اصلی؛ 10، 15، 25 و 35 بوته در مترمربع) و 4 سطح کود نیتروژن (فاکتور فرعی؛ 50، 100، 150 و 200 کیلوگرم در هکتار) بر وزن برگ و دانه وسمه بررسی گردید. نتایج حاصل از تجزیه داده­ها نشان داد که ساختار شبکه عصبی مبتنی بر 4 نرون مناسب بود. میزان بهینه‌شده تراکم کشت و کود نیتروژن به‌ترتیب برابر با 32 بوته در مترمربع و حدود 70 کیلوگرم کود نیتروژن در هکتار بود که توانست عملکرد برگ و دانه را به‌ترتیب 3/6 و 7/7 درصد افزایش دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Optimization of Nitrogen Fertilization and Planting Density for Enhancing the Leaf and Seed Performances of Woad Using Artificial Neural Network

نویسندگان [English]

  • Manouchehr Gholipoor 1
  • Hamideh Nikbakht-Raieni 2
  • Ali Ansori 3
1 Associate Professor, Department of Agronomy and Plant Breeding, Faculty of Agriculture, Shahrood University of Technology, Sharood, Iran
2 MSc Graduate, Department of Agronomy and Plant Breeding, Faculty of Agriculture, Shahrood University of Technology, Sharood, Iran
3 MSc Graduate, Department of Agronomy and Plant Breeding, Agriculture Faculty of Jiroft Azad University, Jiroft, Iran
چکیده [English]

Usually, effects of three or four levels of independent variables (here, nitrogen fertilizer and planting density) on the dependent variables (here, leaf and seed performances) are investigated and the best levels of the independent variables are found by comparing the resulting average values. However, such results may be inaccurate. The aim of the present investigation is to find accurate optimal values of nitrogen fertilizer and planting density via interpolation (optimization), so as to enhance leaf and seed performances of woad, using artificial neural network (as a complementary analysis). In a farming test with split plot design at the research farm of Jiroft Branch of Islamic Azad University (Jiroft, Iran), the effects of four planting densities (primary factor, 10, 15, 25, and 35 plants per sq. meter) and four levels of nitrogen fertilizer (secondary factor, 50, 100, 150, and 200 kg per hectare) on the weights of leaf and seed of woad were investigated. The obtained results from the analysis of the data indicated that the neural network structure based on 4 neurons was the most appropriate structure. Optimal levels of planting density and nitrogen fertilizer were found to be 32 plants per sq. meter and about 70 kg of nitrogen fertilizer per hectare, respectively, which could increase the leaf and seed performances by 6.3% and 7.7%, respectively.

کلیدواژه‌ها [English]

  • Productivity
  • Pharmaceutical
  • Industrial
  • Interpolation

مراجع

روحانی، ع.، رنجبر، 1.، عجب‌شیرچی، ی.، عباسپورفرد، م. و ولیزاده، م. 1388. پیش­بینی هزینه­های تعمیر و نگهداری تراکتور دو چرخ محرک با استفاده از شبکه عصبی مصنوعی و مقایسه آن با رگرسیون. مجله علوم کشاورزی و منابع طبیعی، 16: 1-12.
کاشی، ح.، امامقلیزاده، ص.، قربانی، ه. و هاشمی، ع. ا. 1392. برآورد نفوذپذیری خاک توسط شبکه عصبی مصنوعی و رگرسیون خطی در اراضی کشاورزی و بکر. مجله پژوهش‌­های فرسایش محیطی، 9: 19-34.
منهاج، م. ب. 1388. مبانی شبکه­های عصبی. انتشارات دانشگاه صنعتی امیر کبیر، 170 صفحه.
نیکبخت راینی، ح. 1391. اثر سطوح مختلف نیتروژن و تراکم بوته بر عملکرد پیکر رویشی گیاه صنعتی دارویی وسمه Indigofera tinctoria در منطقه جیرفت. مجموعه مقالات اولین کنفرانس ملی راهکارهای دستیابی به توسعه پایدار، وزارت کشور، تهران، ایران.
نیکبخت راینی، ح.، افشارمنش، غ. و سرحدی، ح.  1391. اثر سطوح مختلف نیتروژن و تراکم بوته بر عملکرد زایشی گیاه صنعتی و دارویی وسمه Indigofera tinctoria در منطقه جیرفت. مجموعه مقالات اولین کنفرانس ملی راهکارهای دستیابی به توسعه پایدار، وزارت کشور، تهران، ایران.
Azadeh, A., Ghaderi, S. F. and Sohrabkhani, S. 2006. Forecasting electrical consumption by integration of Neural Network, time series and ANOVA. Applied Mathematics and Computation, 186: 1753-1761.
Bangar, A.V. and Saralaya, M. G. 2011. Anti-hyperglycemic activity of ethanol extract and chloroform extract of Indigofera tinctoria leaves in streptozotocin induced diabetic mice. Research Journal of Pharmaceutical, Biological and Chemical Sciences, 2 (1): 445-455.
Bateni, S. A., Borghei, S. M. and Jeng, D. S. 2007. Neural network and neuro-fuzzy assessments for scour depth around bridge piers. Engineering Applications of Artificial Intelligence, 20: 401-414.
Chang, D. H. and Islam, S. 2000. Estimation of soil physical properties using remote sensing and artificial neural network. Remote Sensing of Environment, 74: 534-544.
Drummond, S.T., Sudduth, K. A., Joshi, A., Birrell, S. J. and Kitchen, N. R. 2003. Statistical and neural methods for site-specific yield prediction. Transactions of the American Society of Agricultural and Biological Engineers, 46: 5-14.
Eberhart, R. C. and Dobbins, R. W. 1990. Neural Network PS Tools: A Practical Guide. Academic Press, 440 pp.
Gholipoor, M., Emamgholizadeh, S., Hassanpour, H., Shahsavani, D., Shahoseini, H., Baghi, M. and Karimi, A. 2012. The optimization of root nutrient content for increased sugar beet productivity using an artificial neural network. International Journal of Plant Production, 6 (4): 429-442.
Gholipoor, M., Rohani, A. and Torani, S. 2013. Optimization of traits to increasing barley grain yield using an artificial neural network. International Journal of Plant Production, 7 (1): 1-18.
Green, T. R., Salas, J. D., Martinez, A. and Erskine, R. H. 2007. Relating crop yield to topographic attributes using spatial analysis neural networks and regression. Geoderma, 139: 23-37.
 Gupta, M. M., Jin, J. and Homma, N. 2003. Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory. John Wiley & Sons, Inc., 752 pp.
Huang, Y., Lan, Y., Thomson, S. J., Fang, A., Hoffmann, W. C. and Lacey, R. E. 2010. Development of soft computing and applications in agricultural and biological engineering. Computer, Electronic and Agriculture, 71: 107-127.
Irmak, A., Jones, J. W., Batchelor, W. D., Irmak, S., Boote, K. J. and Paz, J. O. 2006. Artificial neural network model as a data analysis tool in precision farming. Transactions of the American Society of Agricultural and Biological Engineers, 49: 2027-2037.
Jin, Y. Q. and Liu, C. 1997. Biomass retrieval from high-dimensional active/passive remote sensing data by using artificial neural networks. International Journal of Remote Sensing, 18: 971-979.
Kaul, M., Hill, R. L. and Walthall, C. 2005. Artificial neural networks for corn and soybean yield prediction. Agricultural Systems, 85: 1-18
Park, S. J., Hwang, C. S. and Vlek, P. L. G. 2005. Comparison of adaptive techniques to predict crop yield response under varying soil and land management conditions. Agricultural Systems, 85: 59-81.
Torrecilla, J. S., Otero, L. and Sanz, P. D. 2004. A neural network approach for thermal/pressure food processing. Food Engineering, 62: 89-95.
Vakil-Baghmisheh, M. T. 2002. Farsi Character Recognition Using Artificial Neural Networks. Dissertation, University of Ljubljana.
Veelenturf, L. P. J. 1995. Analysis and Applications of Artificial Neural Networks. Prentice Hall press, 235 pp.
Yang, C. C., Prasher, S. O., Landry, J. A. and Ramaswamy, H. S. 2003. Development of a herbicide application map using artificial neural networks and fuzzy logic. Agricultural Systems, 76: 561-574.
Zhang, W. J., Zhong, X. Q. and Liu, G. H. 2008. Recognizing spatial distribution patterns of grassland insects: neural network approaches. Stochastic Environmental Research and Risk Assessment, 22: 207-216.
Zhang, Y., Pulliainen, J., Koponen, S. and Hallikainen, M. 2002. Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data. Remote Sensing of Environment, 81: 327-336.
دوفصلنامه فنآوری تولیدات گیاهی
دوره 12، شماره 2
آذر 1399
صفحه 31-40

فایل ها

هم رسانی

ارجاع به این مقاله

آمار