پیش بینی مقدار گل و کلاله زعفران براساس خصوصیات فیزیکی و شیمیایی آب و خاک با استفاده از مدل های رگرسیونی چند متغیره خطی و درخت تصمیم M۵

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 121

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSRB-9-2_011

تاریخ نمایه سازی: 29 فروردین 1401

چکیده مقاله:

رشد مهیج علوم وفنون مختلف و پیچیده­تر شدن تصمیم­گیری­ها در دهه­های اخیر، سر فصل­های تازه­ای را برای بشریت رقم زده تا با استفاده از سیستم­های اطلاعاتی و هوش مصنوعی، با دقت و سرعت بیشتری کارهای خود را انجام داده و برای پیش بینی و محاسبات وقت گیر علمی و فنی خود راه کاری ارائه دهد. این تحقیق به منظور ارزیابی برآیند پیش بینی دو مدل رگرسیون گام به گام و مدل درخت تصمیم M۵ تحت تاثیر خصوصیات مختلف آب و خاک بر عملکرد گل و کلاله زعفران در سال۱۳۹۷ در مزارع زعفران­کاری سبزوار (واقع در طول جغرافیایی "۵۷.۴۳" عرض جغرافیایی "۳۶.۱۲") و در آزمایشگاه دانشکده تولیدگیاهی دانشگاه منابع طبیعی و کشاورزی گرگان انجام شد. در فروردین ماه پس از پایان فصل رشد زعفران از ۶۹ مزرعه زعفران­کاری شده نمونه خاک از عمق صفر تا ۳۰ سانتی­متری و ۱۲ نمونه آب آبیاری این مزارع تهیه و جمع آوری شده و جهت انجام آزمایشات خاک و اندازه گیری خصوصیات فیزیک و شیمیایی نمونه های خاک، ۱۳ پارامتر از جمله pH، اسیدیته، درصد اجزاء خاک، عناصر خاک و .... همچنین برخی از پارامترهای آب، ۴ پارامتر، مانند اسیدیته، بی کربنات و ....، به آزمایشگاه منتقل شد. گل ها در زمان ظهور گل از سطح مناطق مشخص شده مزارع جمع آوری شده و اندازه گیری های مورد نظر انجام شد. نتایج نشان داد با توجه به صرف وقت و هزینه­ های بالای آزمایشات آب و خاک، مدل درخت تصمیم M۵، از دقت و سرعت بیشتری و هزینه کمتری نسبت به مدل رگرسیون، برخوردار است. بطوری که در برآیند پیش بینی مدل رگرسیونی گام به گام، در ایده آل­ترین حالت و ورود تمامی پارامترهای اندازه گیری شده، وزن کلاله خشک و وزن گل به ترتیب با همبستگی­های ۷۰ و ۷۴ درصد و مقدار خطا برابر ۰.۲۳=RMSE و ۱۶.۳۸=RMSE پیش­بینی شد. در حالی که مدل درخت تصمیم M۵ با وارد کردن پارامترهای کمتری از توانمندی بالایی در جهت پیش­بینی وزن گل و وزن کلاله خشک برخوردار بود. به طوری که وزن کلاله خشک و وزن گل را با ۹۰ درصد همبستگی و مقدار خطای برابر با ۰.۱۲=RMSE و ۹.۴=RMSE در انتهای مدل­سازی، برای منطقه مورد مطالعه برآورد کرد. بنابراین، روش درخت تصمیم M۵ در ارزیابی و پیش بینی عوامل مختلف بر عملکرد زعفران توصیه می­شود.    

نویسندگان

مرتضی ریوندی

گروه علوم باغبانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

عظیم قاسم نژاد

گروه باغبانی دانشگاه منابع طبیعی و کشاورزی گرگان

خلیل قربانی

گروه مهندسی آب، دانشگاه غلوم کشاورزی و منابع طبیعی گرگان

خدایار همتی

گروه علوم باغبانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

عباس ابهری

گروه کشاورزی دانشگاه پیام نور سبزوار

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Abrishami, M.H. ۲۰۰۴. Saffron from long ago to today. Amirkabir ...
  • Behdani, M. A., Koocheki, A., Nassiri Mahallati, M., and Rezvani ...
  • Beheshti, A., and Faravani, M. ۲۰۰۳. Investigation the effect of ...
  • Bremner, J. S., & Mulvaney, C. S. (۱۹۸۲). Nitrogen-total. In ...
  • Cichosz P. Data Mining Algorithms: Explained Using R. New York: ...
  • Dosti Irani, A. And Golzarian, M.R. ۲۰۱۶. A review of ...
  • Falahi, M., Varvani, H. And Golian, s. ۲۰۱۱. Prediction of ...
  • Ghorbani Khalil, Sohrabian Elahe, Jazi Meysam. ۲۰۱۶. Evaluation of hydrological ...
  • Geissen V., Kampichler C. ۲۰۰۷. Superficial and subterranean soil erosion ...
  • Gresta, F., Lombardo, G.M., Siracusa, L., and Ruberto, G. ۲۰۰۸. ...
  • Haynes, R.J. ۱۹۹۶. Labile organic matter fraction as central components ...
  • Hosseini, R., Sarmad, M., Jabbari Noghabi, M. ۲۰۱۳. Data Mining ...
  • Hoori,M.A., Naseri, A., Boroumandansab, S. A. and Kiani, A. ۲۰۱۵. ...
  • Kafi, M. ۲۰۰۲. Saffron, Production and Processing. Ferdowsi University of ...
  • Kalantari, Kh. ۲۰۰۸. Data Processing and Analysis in Socio-Economic Research, ...
  • Koocheki, A., Nassiri, M., Behdani, M.A., ۲۰۰۶. Agronomic attributes of ...
  • Luo, Z., Yaolin, L., Jian, W., and Jing, W. ۲۰۰۸. ...
  • Mahmoodabadi, M., and Mazaheri, M.R. ۲۰۱۲. Effect of some soil ...
  • Mahmoudabadi, E., and Karimi, A. ۲۰۱۵. Mapping of calcium carbonate ...
  • Maleki,F., Kazemi, H., Siahmarguee, A., and Kamkar, B., ۲۰۱۹. Evaluation ...
  • Marschner, H. ۱۹۹۵. Mineral nutrition of higher plants. Second edition, ...
  • Montgomery, D.C., Peck, E.A., and Vining, G.G. ۲۰۱۵. Introduction to ...
  • Munshi, A.M. ۱۹۹۴. Effect of N and K on the ...
  • Nelson, R. E. ۱۹۸۲. Carbonate and gypsum. In: Methods of ...
  • Olsen, S.R., Cole, C.V., Watanabe, F.S., and Dean, L.A. ۱۹۵۴. ...
  • Page, A., Miller, R., and Keeney, D. ۱۹۸۲. Methods of ...
  • Page. A.L., Miller, R.H. and Jeeney, D.R. ۱۹۹۲. Methods of ...
  • Quinlan, J .R. ۱۹۹۲ .Learning with continuous classes. In proceedings ...
  • Remesan R., Shamim M.A., and Han D. ۲۰۰۸. Model data ...
  • Rezvani Moghaddam, P., Khorramdel, S., and Mollafilabi, A., ۲۰۱۵. Evaluation ...
  • Richards L. A. ۱۹۵۴. Diagnosis and Improvement of Saline and ...
  • Rivandi, M., Ghasemnezhad, A., Hemmati, K.h.,Ghorbani, k.h., and Abhari, A., ...
  • Saadati, A., Ghare Yazi, B., and Mirmohammadi Meybodi, A.M. ۲۰۰۴. ...
  • Saeedi Rad M. and Mokhtarian A. ۲۰۱۰. Scientifitic principles of ...
  • Salehi Sadeghian, J. And. Ebrahimi, A. ۲۰۰۲. Advanced Statistical Analysis; ...
  • Sattari, M.T., Pal, M. Apaydin, H. Ozturk, F, ۲۰۱۳. M۵ ...
  • Shaykh, M.A. ۲۰۱۱. Evaluation of Cloud Fertility Projects Using Regression ...
  • Taghizadeh Mehrjerdi, R. Sarmadian, F. Omid, M. Tumanian, N. Rusta, ...
  • Terzi Ö. ۲۰۰۷. Data mining approach for estimation evaporation from ...
  • Waraich, E. A., Saifullah, R. A., Ehsanullah, M. Y. ۲۰۱۱. ...
  • نمایش کامل مراجع