مدل ‌های آماری برای پیش بینی غیر تخریبی سطح برگ پیاز (allium cepa l.)

سابقه و هدف: اهمیت اندازه‌گیری سریع، غیرمخرب و دقیق سطح برگ در مطالعات زراعی و فیزیولوژیکی به خوبی شناخته شده است و نیاز به برآوردهای سریع و غیرتخریبی سطح برگ منجر به مطالعاتی در رابطه با ابعاد و سطح برگ‌ها گردیده است. بعلاوه این مشکل در مورد گونه‌های که دارای برگ‌های با شکل نامتعارف بارزتر است. در حال حاضر اطلاعات محدودی در این مورد برای پیاز (allium cepa l.) در دسترس است‌. هدف از این مطالعه ایجاد مدل رگرسیونی با تعین اعتبار آماری برای پیش‌بینی اندازه سطح برگ پیاز به صورت غیرتخریبی در جنوب ایران می‌باشد.مواد و روش‌ها: به منظور تهیه نمونه‌های گیاهی مورد نیاز جهت اندازه گیری متغیرهای سطح برگ، آزمایشی در سال زراعی 1400-1399 در زمینی به مساحت 300 متر مربع در استان هرمزگان-دهستان رهداد اجرا شد. تعداد 40 برگ از بوته‌های پیاز کشت شده در مزرعه به طور تصادفی انتخاب شدند، نیمی از آنها برای واسنجی (کالیبراسیون) و نیم دیگر برای تعیین اعتبار مدل های ریگرسیون مورد استفاده قرار گرفت و از روش استاندارد (licor li-3000c) برای اندازه گیری سطح واقعی برگ‌ها استفاده شد. قبل از اندازه گیری سطح برگ، دو متغیر اصلی یعنی طول و عرض برای هر برگ به طور دقیق تعیین شد. برای انتخاب بهترین متغیرها و به‌دست آوردن معادله تخمین سطح برگ از رگرسیون ساده (خطی) و رگرسیون خطی چندگانه استفاده شد. در نهایت اعتبارسنجی و ارزیابی دقت مدل‌های ارائه شده بر اساس جذر میانگین مربعات خطا (rmse) و ضریب تعیین (r^2) صورت گرفت.یافته‌ها: تمام مدل‌های خطی برای توصیف سطح برگ (a)، با طول (l)، با عرض (w) و نیز معادلات با دو متغیر طول و عرض برگ در معرض تحلیل رگرسیون قرار گرفت. نتایج نشان داد که طول برگ متغیر بهتری برای توصیف سطح برگ پیاز است و عرض برگ توصیف خوبی از سطح برگ نشان نمی‌دهد. بر اساس یافته‌های این تحقیق مدل پیش بینی سطح برگ با حضور هر دو متغیر طول و عرض: a= 0.121 + 0.01537 l2 + 0.3225 l×wبا 8/64 rmse% = و 0/91 r^2 = بهترین برآورد را داشت.نتیجه‌گیری: اندازه گیری سطح برگ به ویژه برای گیاهانی با برگ‌های لوله‌ای نظیر پیاز دشوار و وقت گیر است، چنین مدل‌های ریاضی ابزار بسیار مفیدی برای پیش بینی سطح برگ در بسیاری از گیاهان بدون استفاده از دستگاه‌های گران قیمت خواهد بود. مدل‌های این مطالعه روش ساده، سریع، غیر تخریبی و کم هزینه‌ای برای تخمین سطح برگ پیاز ارائه می‌کند که می‌تواند مورد استفاده پژوهشگران قرار گیرد.

statistical models for non-destructive prediction of common onion (allium cepa l.) leaf area

background and objectives: the importance of rapid, non-destructive, and accurate estimation of leaf area (la) in agronomic and physiological studies is well known. the need for such estimates of leaf area in particularfor leaves with unusual shapes has led to studies relating leaf dimensionsand leaf area. however, a search of literature revealed that littleinformation is available for short day onion (allium cepa l.). the objectiveof this study was to develop a statistically validated regression model forleaf area prediction from simple non-destructive measurements for onioncultivated in the south of iran.materials and methods: in order to prepare the required plant samples tomeasure leaf area parameters, an experiment was conducted in the croppingyear 2020-2021 in a field of 300 square meters located in hormozganprovince-rahdad district. the short-day cultivar takii was used because ofits wide planting area in the province. 40 leaves were chosen at randomfrom plants growing in the farm, half were left for validation of the modeland the other 20 leaves were subjected to measurement and calibration.the standard method (licor li-3000c) was used for measuring theactual areas of the leaves. before measuring the leaf area, two mainparameters related to leaf length and width were accurately determined foreach leaf. to select the best variables and the regression model forestimating leaf area, the fitted simple and multiple linear regression weresubjected to the stepwise elimination method. finally, the accuracy of theselected models was validated using the root mean square error (rmse)and coefficient of determination (r2).results: all linear models for estimation of leaf area with width (w) andlength (l) as well as models including both variables were subjected toregression analysis. the results indicated that leaf length (l) ismore appropriate variable for estimating onion leaf area and leaf width(w) was not able to properly describe leaf area. based on the findingsof this research leaf area estimation model with both w and l had the best prediction, with rmse%=8.64, rmse=1.76 and r2=0.91. (area=0.121 + 0.01537 l2 + 0.3225 l×w). conclusion: as the understanding of plant growth and development hasbeen increasing, such mathematical models will be very useful tools for the prediction of leaf area for many plants without the use of expensivedevices. thus, the models from the present study will enable researchers ofplant growth modeling to predict leaf area non-destructively with the equations developed.