استفاده از یادگیری ماشین برای مدل سازی سطوح مختلف تنش شوری و کوددهی سیلیس گیاه شنبلیله (Trigonella foenum-graecum L.)

در سال های اخیر استفاده از روش های یادگیری ماشین در زمینه های مختلف کشاورزی در حال افزایش است که این روش ها، اطلاعات بسیار خوبی را برای پیش بینی و بررسی سطوح عملکرد مختلف در گیاهان به ما ارائه می دهد. در پژوهش حاضر، با توجه به نتایج حاصل از آزمایش اولیه با سطوح تنش شوری و کود دهی مشخص (سطوح تنش شوری صفر، 75 و 150 میلی مولار 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 برنامه نویسی پایتون، صفات مورفولوژیکی و فیزیولوژیکی گیاه دارویی شنبلیله در سطوح تنش شوری و کود دهی سیلیس تعریف شده جدید (شوری تا سطح 300 میلی مولار و کوددهی سیلیس در دو سطح 1 و 2 گرم در لیتر) بدون انجام آزمایش عملی و بر اساس سطوح شوری و کود دهی اولیه پیش بینی گردید. مدل رگرسیون غیرخطی، یک الگوریتم پرکاربرد در تحلیل داده هایی است که رابطه بین متغیرها به صورت غیرخطی است و می تواند 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 میلی مولار و میزان شاخص سبزینگی (SPAD) از صفر تا سطح حشوری 100 میلی مولار نمایان می شود. به نظر می رسد با توجه به نتایج حاصل از پژوهش حاضر، می توان با استفاده از یادگیری ماشین، صفات مورفولوژیکی و فیزیولوژیکی گیاه دارویی شنبلیله را در سطوح تنش شوری و کود دهی سیلیس تعریف شده دیگر بدون انجام آزمایش عملی، مورد بررسی و تجزیه و تحلیل قرار داد.