مقایسه مدل‌های شبکه عصبی مصنوعی و رگرسیونی در تخمین وزن خشک و جذب فسفرگیاه ذرت

نوع مقاله: مقاله پژوهشی

نویسندگان

1 1 دانشجوی سابق کارشناسی ارشد، گروه علوم خاک، دانشکده کشاورزی، دانشگاه تبریز

2 دانشیاران گروه علوم خاک، دانشکده کشاورزی، دانشگاه تبریز

چکیده

در این تحقیق مقایسه­ای بین شبکه عصبی مصنوعی (ANN) و مدل­های رگرسیونی خطی در تخمین وزن خشک و جذب فسفر گیاه ذرت از روی فسفر خاک استخراج‌شده توسط عصاره­گیرهای مختلف انجام یافت.  برای این منظور 25 نمونه مرکب خاک سطحی (cm30-0) از نقاط مختلف استان آذربایجان شرقی جمع‌آوری و در آن خاک­ها گیاه ذرت (سینگل کراس 704) در سه تکرار در گلخانه کشت شد. بعد از 60 روز گیاهان برداشت و وزن خشک بخش هوایی و غلظت فسفر در آن اندازه‌گیری شد.  نتایج نشان داد که ضریب تبیین مدل رگرسیون خطی بین فسفر استخراج‌شده با روش‌های کالول و اولسن با وزن خشک بخش هوایی ذرت به­ترتیب برابر  49/0 و 44/0 بودند. با توجه به نتایج مدل شبکه عصبی مصنوعی روش اولسن برای تخمین وزن خشک و روش آب مقطر برای تخمین غلظت فسفر بخش هوایی ذرت برتر از سایر روش‌ها بودند. در پیش­بینی شاخص­های مهم وزن خشک و فسفر جذب‌شده توسط گیاه ذرت بر مبنای غلظت فسفر استخراج‌شده توسط عصاره­گیرهای مختلف، ضرایب تبیین مدل­های شبکه عصبی مصنوعی بیشتر از مدل­های رگرسیونی خطی حاصل گردید، لذا چنین نتیجه­گیری شد که می­توان از شبکه عصبی مصنوعی در مطالعات آزمون خاک برای فسفر بهره گرفت.
 

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Artificial Neural Network and Regression Models for Estimating Dry Weight and P Uptake of Corn

نویسندگان [English]

  • M Maghsoodi 1
  • A Reyhanitabar 2
  • N Najafi 2
چکیده [English]

In this study, a comparison between the artificial neural network (ANN) and linear regression models for estimating the dry weight of corn and its P uptake, based on the extracted P from soil by different extractants was done. For this purpose, 25 surface soil composite samples (0-30 cm) were collected from different points of East Azerbaijan province, and then corn plants (single cross 704) were cultivated in these soils under the greenhouse condition with three replications. After 60 days, the plants were harvested and the shoot dry weight and its P concentration were measured. The results showed that the coefficient of determination (r2) values between the extracted soil P, obtained by Colwel and Olsen's tests and corn shoot dry weight were 0.49 and 0.44, respectivly. The results of ANN showed that the Olsen's test for estimating the corn shoot dry weight and distiled water for estimating the shoot P concentration were supreoir. For prediction of the important indices of the corn shoot dry weigh and P uptake, based on P concentration measured using different extractions, higher values for coefficient of determination were obtained by applying some conventional methods of ANN with respect to those obtained by applying linear regression methods, so it was concluded that ANN could be used in soil P testing.
 

کلیدواژه‌ها [English]

  • Keywords: Artificial neural network
  • Corn
  • Linear Regression
  • Absorbed Phosphorus