دکتر ابراهیم فانی، دکتر مجتبی مکاری،
دوره 11، شماره 2 - ( 6-1403 )
چکیده
در سال‌های اخیر استفاده از روش‌های یادگیری ماشین در زمینه‌های مختلف کشاورزی در حال افزایش است که این روش‌ها، اطلاعات بسیار خوبی را برای پیشبینی و بررسی سطوح عملکرد مختلف در گیاهان به ما ارائه می‌دهد. در پژوهش حاضر، با توجه به نتایج حاصل از آزمایش اولیه با سطوح تنش شوری و کوددهی مشخص (سطوح تنش شوری صفر، 75 و 150 میلیمولار کلرید سدیم و سطوح کوددهی صفر و 3 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 تعریفشدۀ جدید (شوری تا سطح 300 میلیمولار و کوددهی سیلیس در دو سطح 1 و 2 گرم در لیتر) بدون انجام آزمایش عملی و براساس سطوح شوری و کوددهی اولیه پیشبینی گردید. مدل رگرسیون غیرخطی، یک الگوریتم پرکاربرد در تحلیل داده‌هایی است که رابطه بین متغیرها به صورت غیرخطی است و می‌تواند 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 180 میلیمولار و میزان شاخص سبزینگی (SPAD) از صفر تا سطح حشوری 100 میلیمولار نمایان می‌شود. 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 تعریفشدۀ دیگر بدون انجام آزمایش عملی، مورد بررسی و تجزیه و تحلیل قرار داد.
