fa برآورد سطح برگ بوته‌ ذرت با استفاده از شبکه‌ عصبی مصنوعی عمومى General پژوهشي Research <p dir="RTL" style="text-align: justify;"><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">با هدف برآورد ساده و دقیق سطح برگ بوته ذرت با شبکه عصبی پرسپترون چند لایه، آزمایشی در دانشکده علوم کشاورزی دانشگاه گیلان در سال زراعی 1393 - 1392 انجام شد. تیمار&shy;های این آزمایش سه تراکم بوته (75، 85 و 95 هزار بوته در هکتار) و پنج رقم (پرشیا 454، پرشیا 484، پرشیا 565، پرشیا</span></span></strong> <strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">626</span></span></strong> <strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">و 647) بود و نمونه&shy;برداری در چهار زمان متفاوت (35، 49، 63 و 77 روز پس از کاشت) انجام شد. در هر نمونه&shy;برداری، تعداد برگ&shy;های روی بوته، تعداد، طول و عرض برگ&shy;های سبز، سطح برگ بوته، وزن خشک برگ و ساقه، ارتفاع بوته، قطر ساقه و عملکرد زیست&rlm;توده اندازه&shy;گیری شدند. یافته&shy;ها نشان داد که متغیرهای اندازه&shy;گیری شده همبستگی مثبت و معنی&shy;داری با سطح برگ داشته (</span></span></strong><strong>^{<span style="font-size:9.0pt;">**</span>}</strong><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">859/0 </span></span></strong><strong><span dir="LTR"><span style="font-size:9.0pt;">r &ge;</span></span></strong><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">) و می&shy;توانند به&shy;عنوان ورودی&shy; در مدل&shy;های برآورد سطح برگ استفاده شوند. در بین آنها بیشترین حساسیت به&shy;ترتیب مرتبط با عرض برگ، تعداد برگ سبز، طول برگ، تعداد برگ&shy;های بوته و قطر ساقه بود. با این&shy;حال، استفاده از مدلی با آماره‌های مناسب و با ورودی&shy;های عرض، تعداد و طول برگ&shy;های سبز، برای برآورد سریع سطح برگ مناسب&shy;تر تشخیص داده شد. هنگامی&shy;که از تک‌ورودی برای برآورد سطح برگ استفاده شد، وزن خشک برگ نسبت به دیگر متغیر&shy;ها، سطح برگ را به&shy;خوبی (67/15 = </span></span></strong><strong><span dir="LTR"><span style="font-size:9.0pt;">RMSE (%)</span></span></strong><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">) شبیه&shy;سازی و 69/95% از تغییرات آن را توجیه (9569/0 = </span></span></strong><strong><span dir="LTR"><span style="font-size:9.0pt;">r²</span></span></strong><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">) کرد. در هر دو روش برآورد سطح برگ (آنالیز حساسیت و تک&shy;ورودی)، بهترین مدل برآورد شده تحت تأثیر رقم، تراکم و بر&shy;همکنش آنها قرار نگرفت. بنابراین، می&shy;توان از یک مدل کلی برای برآورد سطح برگ همه رقم&shy;ها و تراکم&shy;های این آزمایش استفاده کرد.</span></span></strong></p> <p style="text-align: justify;">This experiment was designed for easy and accurate estimation of corn plant leaf area with multilayer perceptron (MLP) neural network and conducted at Faculty of Agricultural Sciences, University of Guilan, Rasht, Iran in 2013. Three plant densities (75, 85 and 95 thousand plants/ha) and five genotypes (Persia 454, 484, 565, 626 and 647) were considered as treatments. Samplings were conducted at various times (66, 80, 94 & 108 DAP). At each sampling, number of leaves per plant, number of green leaves, leaf length and width, plant leaf area, leaf and stem dry weight, plant height, stem diameter and biological yield were measured. Correlations analysis indicated that measured characteristics had positive significant correlation with plant leaf area (r&ge;0.859^**) and they can be used as inputs for estimation of leaf area. Among these variables, the highest sensitivity was associated to leaf width, number of green leaves, leaf length, number of leaves per plant and stem diameter, respectively. However the model with a lower number of variable, i.e. including leaf width, number of green leaves and leaf length was more appropriate for quick estimation of leaf area. When a single input had been used for estimation of leaf area, leaf dry weight offered a better simulation than other variables (d = 0.989), so that 95.69% of leaf area changes was described through leaf dry weight (R² = 0.9569) and it can estimate leaf area well (RMSE (%) = 15.67). In both methods of estimation for leaf area (by using single input and sensitivity analysis), the best fitted models were not affected by cultivar, plant density and interaction of these two factors. Therefore, a general model can be used for rapid and accurate leaf area estimation of genotypes and plant densities used in the experiment.<br> &nbsp;</p> آنالیز حساسیت, پرسپترون چند لایه, تراکم, رقم, روابط آلومتریک Allometric relations, Cultivar, Density, Multi-layer perceptron (MLP), Sensitivity analysis 19 32 http://jcpp.iut.ac.ir/browse.php?a_code=A-10-2067-10&slc_lang=fa&sid=1 Kh Nazari خدیجه نظری k_nazari@rocketmail.com 100319475328460026449 100319475328460026449 No University of Guilan دانشگاه گیلان M Zavareh محسن زواره mzavareh@guilan.ac.ir 100319475328460026450 100319475328460026450 Yes University of Guilan دانشگاه گیلان A Ashrafzadeh افشین اشرف زاده ashrafzadeh@guilan.ac.ir 100319475328460026451 100319475328460026451 No University of Guilan دانشگاه گیلان