برآورد عملکرد بیومس گیاه مرزه تابستانه با استفاده از پارامترهای زودیافت خاک و شبکه عصبی مصنوعی

علوم باغبانی

مقاله 4، دوره 31، شماره 3، پاییز 1396، صفحه 448-456  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jhorts4.v31i3.33666

نویسندگان

حسین صبوری فرد ¹؛ عظیم قاسم نژاد¹؛ خدایار همتی¹؛ ابوطالب هزارجریبی²؛ محمودرضا بهرامی³؛ فهیمه نصرتی²

¹دانشگاه علوم کشاورزی و منابع طبیعی گرگان

²علوم کشاورزی و منابع طبیعی گرگان

³دانشگاه فردوسی مشهد

چکیده

یکی از نیازهای مهم در برنامه‌ریزی تولید و فرآوری گیاهان دارویی به منظور حصول عملکرد بالا و با کیفیت مطلوب، ارزیابی اولیه خصوصیات فیزیکی و شیمیایی خاک منطقه است که می‌توان با اجتناب از کاربرد غیرضروری آزمایشات متنوع خاکشناسی، هزینه تولید را به حداقل کاهش داد. مرزه تابستانه (.Satureja hortensis L) ازجمله گیاهان دارویی پرکاربرد است که میزان اسانس و ترکیبات آن شاخص کیفی گیاه محسوب می‌شود. هدف از این پژوهش برآورد عملکرد بیومس گیاه مرزه تابستانه با استفاده از پارامترهای زودیافت خاک شامل: بافت خاک، موادآلی، pH، Ec، فسفر، پتاسیم، نیتروژن و درصد کربن با بهره‌گیری از شبکه‌عصبی‌مصنوعی می‌باشد. بدین منظور 53 نمونه از خاک زراعی شهرستان نیشابور جمع‌آوری و پس از انجام آزمایشات ویژگی‌های زودیافت خاک نتایج اولیه بدست آمد. بر پایه نتایج تجزیه حساسیت، کربن آلی، نیتروژن، فسفر، ماده آلی، پتاسیم، اسیدیته، شوری، رس، سیلت و شن به ترتیب به عنوان پارامترهای حساس در برآورد عملکرد بیومس بودند. درنهایت به منظور تخمین سریع و کم هزینه عملکرد بیومس، با استفاده از پارامترهای حساس، مدل‌های گوناگون طراحی شدند. نتایج نهایی مقایسه مدل‌ها نشان داد که بهترین مدل از نظر دقت و سرعت تخمین‌عملکرد بیومس مدلی بود که از ورودی با پارامتر بافت خاک و کربن آلی استفاده شد.

کلیدواژه‌ها

بافت خاک؛ فرآوری گیاهان دارویی؛ خصوصیات خاک

مراجع

1- Alvarez, A. 2009. Predicting average regional yield and production of wheat in the Argentine Pampas by an artificial neural network approach. Eur J. Agron.30: 70-77.

2- Ayoubi S., Khormali F., and Sahrawat K. 2009. Relation of barley biomass and grain yields to soil properties within a field in the arid region: Use of factor analysis. Acta. Agr. Scand. 59(2):107-117.

3- Bremner J.S., and Mulvaney C.S. 1982. Nitrogen-total. In A. L. Page (Ed.), Methods of Soil Analysis, Part 2.American Society of Agronomy (pp. 595-624). Madison, Wisconsin.

4- Drummond S.T., Sudduth K.A., Joshi A., Birrell S.L., and Kitchen N.R. 2003, Statistical and Neural Methods for Site-specific Yield Prediction, Transactions of the American Society of Agricultural Engineering, 46(1):. 5-14.

5- Gee G.W., and Bauder J.W. 1986. Particle size analysis. P 383-411, In: Methods of soil analysis. Part 1. 2nd ed. Klute, A. (Ed). Agron. Monogr. 9.ASA. Madison. WI.

6- Hill M. 1998. Methods and guidelines for effective model calibration. U.S. Geological survey Water- Resources Investigations Rep. 98-4005.

7- Kaul M., Hill R.L., and Walthall C. 2005. Artificial neural networks for corn and soybean yield prediction. Agriculture Systems, 85:1-18.

8- Lobell D.B., Ortiz-Monasterio J.I., Addams C.L., and Asner G.P. 2002. Soil, climate, and management impacts on regional wheat productivity in Mexico from remote sensing. Agricultural and Forest Meteorology, 114: 31-43.

9- Menhaj M.B. 2001. Computational intelligence, fundamentals of neural networks. 2nd d., Amir Kabir University of Technology, Tehran: Iran. (in Persian (

10- Moazen zadeh R., Ghahraman B., Fathalian F., and Khoshnoodyazdi A.A.2009. Effect of type and number of input variables on moisture retention curve and saturated hydraulic conductivity prediction. J. Water and Soil. 23: 3. 57-70.(in Persian)

11- Norouzi M., 2009. Prediction of rainfed wheat yield using artificial neural network in Ardal district of Chaharmahal and Bakhtiari province. M.Sc. Thesis,Collage of iculture, Isfahan University of Technology, Isfahan, Iran, 112 p.(in Persian)

12- Omidbaigi R. 2005. Production and processing of medicinal plants Vol. 2 Astane Quds Publ. Tehran, 438p.(in Persian)

13- Rao V., and Rao H. 1996. C++ Neural networks and fuzzy logic, BPB, New Dehli, India, pp: 380-381.

14- Schaap M., and Leij F. 1998. Using neural networks to predict soil water retention and soil hydraulic conductivity. Soil and Till Res. 47: 37-42.

15- Schaap M.G., and Bouten W. 1996. Modelling water retention curves of sandy soils using neural networks. Water Resou. Res. 32:3033-3040.

16- Smith R.C.G., Adams J., Stephens D.J. and Hick P.T. 1995. Forecasting wheat yield in a Mediterranean-type environment from the NOAA satellite. Australian Journal of Agricultural Research, 46(1): 113-125.

17- Walkley A., and Black I.A. 1934. An examination of the Degtjareff method for determining soil organic matter and a proposed modification of the chromic acid titration method. Soil Sci. 37: 29-39.

18- Wu F.Y., and Yen K. K. 1992. Application of neural network in regression analysis. Computers and Industrial Engineering. 23: 93-95.