پیش بینی غلظت مس و منگنز در برگ مرکبات با استفاده از شبکه های عصبی مصنوعی و رگرسیون گام به گام (مطالعه موردی: باغ های جنوب استان کرمان)

پیشینه پژوهش و هدف: فراهمی عناصر کم مصرف مانند مس (Cu) و منگنز (Mn) در خاک های آهکی با pH زیاد، یکی از چالش های کلیدی در تولید پایدار مرکبات در مناطق خشک و نیمه خشک است. این پژوهش با هدف پیش بینی غلظت این عناصر در برگ مرکبات جنوب کرمان و شناسایی موثرترین ویژگی های خاک بر فراهمی آن ها انجام شد. روش ها: بدین منظور از ۴۰ باغ مرکبات نمونه های مرکب خاک همراه با برگ های رشد بهاره برداشت شد و با روش های استاندارد ویژگی های خاک و غلظت Cu و Mn برگ اندازه گیری شد. نتایج: نتایج نشان داد که pH زیاد خاک به طور قابل توجهی مانع جذب عناصر غذایی می شود، به طوری که Cu و Mn برگ به ترتیب ضرایب همبستگی ۰/۴۱− و ۰/۳۳− با pH خاک نشان دادند. همچنین ضرایب همبستگی Cu برگ با مقدار رس ۰/۳۲ و با کربن آلی (OC) ۰/۳۹ بود، در حالی که Mn برگ همبستگی منفی با شوری خاک (EC) با ضریب ۰/۲۹ نشان داد. رگرسیون گام به گام متغیرهای pH، رس و فسفر خاک را به عنوان تخمین گرهای Cu برگ (R² = ۰.۳۶) و pH و EC را به عنوان تخمین گرهای Mn برگ (R² = ۰.۲۸) برگزید. برای غلبه بر محدودیت خطی بودن، شبکه عصبی مصنوعی (ANN) پرسپترون چندلایه با الگوریتم لونبرگ–مارکوارت و نسبت آموزش/آزمون ۳۰/۷۰ توسعه یافت. بهترین مدل ANN برای Cu برگ با ورودی های pH،وOC، رس و فسفر خاک و ۱۰ نورون پنهان در مرحله آزمون به R² = ۰.۷۸ و RMSE = ۰.۸۸ mg kg⁻¹ رسید؛ برای پیش بینی Mn برگ شبکه ای با ورودی های pH،وOC، رس، فسفر و EC خاک و ۱۱ نورون پنهان R² = ۰.۶۶ و RMSE = ۵.۶۸ mg kg⁻¹ را حاصل کرد. نتیجه گیری کلی: کاهش ۴۲ و ۳۸ درصدی خطا به ترتیب در پیش بینی غلظت Cu و Mn توسط مدل های ANN نسبت به مدل رگرسیون نشان داد که مدل های هوش مصنوعی با لحاظ تعامل های غیرخطی می توانند ابزار کارآمدی برای برنامه ریزی کوددهی و ارتقای بهره وری باغ های مرکبات این مناطق باشند.

کلیدواژه ها:

Machine learning ، Soil properties ، Calcareous soils ، Nutrient management ، Soil organic carbon. ، یادگیری ماشین ، ویژگی های خاک ، خاک های آهکی ، مدیریت تغذیه ، کربن آلی خاک.