زراعت و فناوری زعفران

چکیده زعفران گیاه ارزشمندی است که در سیکل زندگی خود، عموماً با تنش کم آبی روبرو است. از این رو، به منظور بررسی اثر پرایمینگ پیاز زعفران بر خصوصیات بنه و فیزیولوژیک این محصول تحت شرایط تنش خشکی، آزمایشی بصورت اسپلیت پلات در قالب طرح بلوک‌های کامل تصادفی در سه تکرار به اجرا در آمد. تیمارهای آزمایش شامل دو سطح آبیاری بر اساس 70 و 50 درصد ظرفیت زراعی به عنوان کرت اصلی و شش -تیمار پرایمینگ بنه شامل عدم پرایمینگ (شاهد)، نیترات پتاسیم، اکسین، جیبرلین، نانو ذره دی‌اکسید سیلیسم و هیدروپرایمینگ به عنوان کرت فرعی بودند. نتایج نشان داد که افزایش شدت تنش خشکی از 70 به 50 درصد ظرفیت مزرعه، به ترتیب باعث افزایش 5/38، 1/59 و 3/57 درصدی در مقدار کلروفیل a، کلروفیل b و کاروتنوئیدها و کاهش 6/32 و 20 درصدی به ترتیب در نسبت کلروفیل a/b و میزان پروتئین گردید. پرایمینگ پیاز مادری با دو هورمون اکسین و جیبرلین، بطور معنی‌داری میزان پروتئین را افزایش داد و بیشترین وزن بنه دختری در سطح تیماری هورمون جیبرلین، به میزان 72/3 ‌گرم در بوته مشاهده شد. دو سطح تیماری هورمون جیبرلین و اکسین، در شرایط تنش خشکی ملایم، بطور معنی‌داری بیشترین تعداد بنه دختری را از خود نشان دادند و هورمون جیبرلین، در شرایط تنش خشکی ملایم، بطور معنی-داری بیشترین قطر بنه دختری، به میزان 28 میلیمتر را به خود اختصاص داد. در مجموع پرایمینگ پیاز زعفران با دو هورمون جیبرلین و اکسین جهت بهبود صفات فیزیولوژیک و خصوصیات بنه خصوصاً در شرایط وقوع تنش خشکی توصیه می‌گردد.

چکیده با توجه به حساسیت عملکرد زعفران و تأثیرپذیری آن از پارامترهای اقلیمی و خاصیت غیرخطی توابع عملکرد گیاهی، در این تحقیق پیش­بینی و تحلیل عدم­ قطعیت مدل شبکه عصبی مصنوعی در تخمین عملکرد زعفران انجام شد. بردار ورودی مدل از بین 37 مؤلفه مختلف، بر اساس استراتژی همبستگی و تحلیل تورم واریانس بهینه‌سازی شد و مدل با معماری 1-2-4-11 با تابع فعال‌سازی سیگموئید در مراحل سه­گانه آموزش و آزمایش و ارزیابی عملکرد برتری را نشان داد. مقادیر پارامترهای MAE و RMSE مدل شبکه عصبی مصنوعی در مرحله یادگیری برابر 3/0 و 5/0 و در مرحله آزمایش به­ترتیب 7/0 و 1 حاصل شد. نتایج تحلیل عدم قطعیت مونت­کارلو بر مبنای 1000 نمونه­گیری بدون جایگذاری، بر اساس فاکتورهای d-factor, 95% PPU, R² بیانگر پهنای باند اطمینان مطلوب پیش­بینی­ها بود و الگو­های عمومی و کلی تغییرات عملکرد زعفران را به‌خوبی پیش­بینی نمود. متوسط ضریب R² مدل در مرحله آموزش و آزمایش بر اساس 1000 شبیه­سازی مونت‌کارلو به­ترتیب 92/0 و 58/0 بود که برای مدل­های عملکرد گیاهی مبتنی بر داده­های اقلیمی دارای معنی­داری در سطح 1% است. با این­حال در شرایط حدی و مرزی، احتمال بروز وقایعی خارج از باند پیش­بینی 95 درصد وجود داشته و لزوم توجه به شرایط مدیریت تغذیه، کود، خاک و آب مزارع در مدل­های هوشمند پیش­بینی عملکرد را نشان می­دهد. بر اساس نتایج پژوهش حاضر برنامه­ریزان به­جای مواجهه با یک رقم به‌عنوان پیش­بینی، ترکیب این رقم و باند اطمینان را در اختیار داشته و می­توانند تصمیمات واقع­بینانه­تری اتخاذ نمایند.