استفاده از یادگیری ماشین برای مدل سازی سطوح مختلف تنش شوری و کوددهی سیلیس گیاه شنبلیله (Trigonella foenum-graecum L.)
Publish place: Nova Biologica Reperta، Vol: 11، Issue: 2
Publish Year: 1403
Type: Journal paper
Language: Persian
View: 38
این Paper فقط به صورت چکیده توسط دبیرخانه ارسال شده است و فایل کامل قابل دریافت نیست. برای یافتن Papers دارای فایل کامل، از بخش [جستجوی مقالات فارسی] اقدام فرمایید.
نسخه کامل این Paper ارائه نشده است و در دسترس نمی باشد
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_NBR-11-2_005
Index date: 29 September 2024
استفاده از یادگیری ماشین برای مدل سازی سطوح مختلف تنش شوری و کوددهی سیلیس گیاه شنبلیله (Trigonella foenum-graecum L.) abstract
در سال های اخیر استفاده از روش های یادگیری ماشین در زمینه های مختلف کشاورزی در حال افزایش است که این روش ها، اطلاعات بسیار خوبی را برای پیش بینی و بررسی سطوح عملکرد مختلف در گیاهان به ما ارائه می دهد. در پژوهش حاضر، با توجه به نتایج حاصل از آزمایش اولیه با سطوح تنش شوری و کوددهی مشخص (سطوح تنش شوری صفر، ۷۵ و ۱۵۰ میلیمولار کلرید سدیم و سطوح کوددهی صفر و ۳ گرم در لیتر سیلیس) که از قبل انجام شده و با استفاده از مدل رگرسیون غیرخطی (NLR) و زبان برنامهنویسی پایتون، صفات مورفولوژیکی و فیزیولوژیکی گیاه دارویی شنبلیله در سطوح تنش شوری و کوددهی سیلیس تعریفشده جدید (شوری تا سطح ۳۰۰ میلیمولار و کوددهی سیلیس در دو سطح ۱ و ۲ گرم در لیتر) بدون انجام آزمایش عملی و براساس سطوح شوری و کوددهی اولیه پیشبینی گردید. مدل رگرسیون غیرخطی، یک الگوریتم پرکاربرد در تحلیل داده هایی است که رابطه بین متغیرها به صورت غیرخطی است و می تواند روابط معنی داری میان متغیرها با استفاده از توابع غیرخطی ایجاد کند. نتایج نشان داد که تاثیر مثبت سیلیس بر میزان کلروفیل فلورسانس (Fv/Fm) از صفر تا سطح شوری ۱۸۰ میلیمولار و میزان شاخص سبزینگی (SPAD) از صفر تا سطح حشوری ۱۰۰ میلیمولار نمایان می شود. به نظر میرسد با توجه به نتایج حاصل از پژوهش حاضر، میتوان با استفاده از یادگیری ماشین، صفات مورفولوژیکی و فیزیولوژیکی گیاه دارویی شنبلیله را در سطوح تنش شوری و کوددهی سیلیس تعریفشده دیگر بدون انجام آزمایش عملی، مورد بررسی و تجزیه و تحلیل قرار داد.
استفاده از یادگیری ماشین برای مدل سازی سطوح مختلف تنش شوری و کوددهی سیلیس گیاه شنبلیله (Trigonella foenum-graecum L.) Keywords:
Fenugreek , physiological characteristics , morphological characteristics , nonlinear regression method , machine learning , شنبلیله , صفات فیزیولوژیکی , صفات مورفولوژیکی , روش رگرسیون غیر خطی , یادگیری ماشین
استفاده از یادگیری ماشین برای مدل سازی سطوح مختلف تنش شوری و کوددهی سیلیس گیاه شنبلیله (Trigonella foenum-graecum L.) authors
Ebrahim Fani
Behbahan Khatam Alanbia University of Technology
Mojtaba Mokari
Behbahan Khatam Alanbia University of Technology
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :