به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

multiple regression

در نشریات گروه اکولوژی
تکرار جستجوی کلیدواژه multiple regression در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه multiple regression در مقالات مجلات علمی
  • حسن حق شناس، افشین سلطانی *، عباس قنبری، حسین عجم نوروزی، سلمان دستان
    سابقه و هدف
    متخصصان اصلاح نباتات برای انتخاب اهداف اصلاحی خود از میان صفات متنوع مورفولوژیک و فیزیولوژیک نیاز به دسته بندی محدودیت ها و قابلیت های موجود در گیاهان دارند؛ این موضوع برای برآورد میزان افزایش عملکرد ناشی از تغییر در صفات گیاهی اهمیت بالایی دارد که رسیدن به آن مستلزم استفاده از روش های آماری مناسب است. از این رو، این پژوهش با هدف شناسایی و انتخاب صفات زراعی موثر بر عملکرد ارقام بومی برنج با استفاده از رگرسیون چندگانه در منطقه ساری انجام شد.
    مواد و روش ها
    برای اجرای آزمایش در قالب طرح پایه بلوک های کامل تصادفی با سه تکرار و 12 رقم بومی برنج، داده های مورد نیاز برای استفاده در مدل سازی رگرسیونی جمع آوری شدند. به منظور تعیین مهم ترین صفات و نشان دادن سهم صفات مختلف در تشکیل و تعیین عملکرد شلتوک از روش گزینش متغیر و رگرسیون چندگانه استفاده شد. با استفاده از رگرسیون چندگانه، ارتباط بین عملکرد شلتوک با تمامی صفات به صورت کمی تعیین شد. همچنین، با توجه به همبستگی منفی و یا مثبت موجود بین صفات تعداد خوشه چه پر در خوشه و شاخص برداشت، برای شناسایی تغییرات عملکرد ناشی از همبستگی این دو صفت، سه فرضیه مطرح و جوانب مختلف آن مورد بررسی قرار گرفت. نتایج و بحث: صفات تعداد روز تا سبز شدن بذر، تعداد روز تا گرده افشانی، تعداد روز تا رسیدگی فیزیولوژیک، طول برگ پرچم، تعداد خوشه چه پر در خوشه، وزن هزار دانه و شاخص برداشت که در افزایش عملکرد بیشترین نقش را داشتند، با استفاده از رگرسیون چندگانه، شناسایی و مقدار مطلوب هر یک از آن ها مشخص شدند. این هفت متغیر، 50 درصد از تغییرات عملکرد را توجیه کردند. نتایج نشان داد چنانچه ارتباط و همبستگی موجود بین صفات تعداد خوشه چه پر در خوشه و شاخص برداشت دستخوش تغییرات قرار گیرد، می توان از آن به نفع عملکرد بهره گرفت. با توجه به همبستگی منفی موجود بین دو صفت تعداد خوشه چه پر در خوشه و شاخص برداشت، برای تعیین تغییرات عملکرد سه فرضیه مطرح شد. اگر همبستگی موجود بین صفات شاخص برداشت و تعداد خوشه چه پر در خوشه قابل شکستن نباشد، عملکرد نسبت به متوسط عملکرد ارقام بومی برنچ 1722 (از 4581 به 6303) کیلوگرم در هکتار افزایش خواهد یافت. در صورتی که مقدار تعداد خوشه چه پر در خوشه و شاخص برداشت در حد متوسط بماند، عملکرد به میزان 1985 (از 4581 به 6566) کیلوگرم در هکتار افزایش خواهد یافت. اگر همبستگی بین تعداد خوشه چه پر در خوشه و شاخص برداشت شکسته شود، مقدار افزایش عملکرد 2747 (از 4581 به 7329) کیلوگرم در هکتار خواهد بود. نتایج روش مورد استفاده در این تحقیق به علت اینکه به اختلافات ژنتیکی بین ارقام توجه دارد، می تواند راهگشای متخصصان اصلاح نباتات برای انتخاب صفات موثر بر عملکرد برنج باشد.
    نتیجه گیری
    با انتخاب مقادیر بهینه صفات انتخاب شده در مدل، متوسط عملکرد از 4581 کیلوگرم در هکتار به 6303 تا 7329 کیلوگرم در هکتار قابل افزایش است. نتایج روش مورد استفاده در این پژوهش به علت اینکه به اختلافات ژنتیکی بین ارقام توجه دارد، می تواند در کنار سایر روش ها به متخصصان اصلاح نباتات برای انتخاب مهم ترین صفات موثر بر عملکرد ارقام برنج کمک کند.
    کلید واژگان: اصلاح نباتات، تغییرات عملکرد، رگرسیون چندگانه، همبستگی صفات
    Hassan Haghshenas, Afshin Soltani *, Abbas Ghanbari, Hossein Ajam Norouzi, Salman Dastan
    Introduction
    Plant breeders to select their breeding objectives through the physiological and morphological characteristics variation (Khazaei et al., 2016); require classification of the limitations and capabilities which exists in plants (Soltani et al., 2000); this issue for plant characteristics associated for yield increasing is important in crop breeding programs (Rotter et al., 2015). Therefore, the aim of this research was determine to indentify the effective agronomic traits on yield of local rice cultivars using multiple regression models in Sari region.
    Materials and methods
    For experiment implementation based on randomized complete blocks design with three replications and 12 local rice cultivars, requirement data for using in regression modeling were collected. Using multiple regressions applied in order to determine the important traits and to show the contribution of each trait in formation of yield. The method identified the relation between yield and all variables. Also, according to the positive or negative correlation between the number of filled spikelet per panicle and harvest index, for indentifying yield variation of these traits, three hypotheses put forward and various aspects of them was examined
    Results and discussion
    Seven important traits including days to seed germination, days to pollination, days to physiological maturity, flag leaf length, number of filled spikelet per panicle, 1000-grain weight and harvest index which affected the most role on yield increasing were recognized their optimal values with multiple regression model. These seven variables explained 50% of yield. The results indicate that if the correlation between the number of filled spikelet per panicle and harvest index would be changed, it can be used for the benefit of yield. Regarding negative correlation between the number of filled spikelet per panicle and harvest index, three hypotheses were evaluated. If the negative correlation between the number of filled spikelet per panicle and harvest index is not breakable, the yield variation would have an increasing of 1722 (from 4581 to 6303) kg ha-1. If with increasing the number of filled spikelet per panicle, harvest index stay at moderate level, it would be an increasing of 1985 (from 4581 to 6566) kg ha-1, and if correlation between the number of filled spikelet per panicle and harvest index is breakable, it would be an increasing of 2747 (from 4581 to 7329) kg ha-1. The results of the method used in this study, due to the fact that the genetic differences between the cultivars are noticeable, can be a way for the breeders to move towards yield increasing in rice cultivars. Obviously, if the main goal is to determine the effective traits on yield of local rice cultivars in the Sari region, it is more appropriate to use more cultivars and years of experimentation.
    Conclusion
    With selecting optimum amount of traits in model, would increase grain yield from an average of 4581 kg ha-1 to 6303-7329 kg ha-1. It was concluded that the method used in this study, because of concerning the genetic differences between varieties, can be used in determining yield increasing in conjunction with other methods and it can guide plant breeders to select important traits effective on yield.
    Keywords: Correlation, multiple regression, plant breeding, yield variation.
  • سارا اسدی، محمد بنایان اول*، محسن جهان، علیرضا فرید حسینی
    توانایی دقیق و سریع به دست آوردن شاخص سطح برگ (LAI) یک جزء ضروری در تحقیقات بوم شناختی است که به درک پدیده تولید زیست توده گیاهی کمک می کند. یکی از رایج ترین روش های تعیین تغییرات مکانی و زمانی این شاخص در مقیاس منطقه ای، استفاده از شاخص تفاضل نرمال شده بازتابش سطحی (NDVI) است. با توجه به حساسیت کم این شاخص به مقدار متوسط تا زیاد شاخص سطح برگ، این تحقیق با هدف بررسی ارتباط سایر شاخص های پوشش گیاهی با شاخص سطح برگ گندم (Triticum aestivum L.) و دقت آن ها در برآورد شاخص سطح برگ انجام شد. بدین منظور اندازه گیری شاخص سطح برگ در پنج تاریخ از 17 مزرعه واقع در مزارع آستان قدس رضوی مشهد در طول فصل رشد گندم در سال 1394-1393 صورت گرفت. با توجه به طول دوره رشد گندم از تصاویر سری زمانی سنجنده OLI ماهواره لندست 8 به منظور محاسبه شاخص های پوشش گیاهی (NDVI، DVI، EVI1، EVI2، G1، G2، IPVI، SAVI، TDVI و RVI) استفاده شد. برای انتخاب متغیر برآورد کننده مناسب و مدل سازی آماری از روش رگرسیون ساده (خطی، درجه دوم، نمایی) و رگرسیون خطی دوگانه و رگرسیون خطی چندگانه به روش پیش رونده و پس رونده استفاده شد. در نهایت برای اعتبارسنجی و درستی مدل های ارائه شده از سنجه های آماری جذر میانگین مربعات خطا (RMSE) ، میانگین قدر مطلق خطا (MAE) ، دقت نقطه ای نسبت به مقدار واقعی (E) و ضریب همبستگی (r) استفاده شد. نتایج حاکی از افزایش دقت برآورد شاخص سطح برگ گندم با استفاده از شاخص NDVI و SAVI و توابع نمایی (به ترتیب به 18/1 و 1) نسبت به مدل خطی (به ترتیب 46/1 و 26/1) است. این افزیش دقت به دلیل برآورد دقیق تر شاخص سطح برگ در بازه 0 تا 4 شاخص سطح برگ واقعی و مقدار ثابت شاخص سطح برگ شبیه سازی در بازه شاخص سطح برگ واقعی 6 تا 10 می باشد. لازم به ذکر است که، میزان دقت برآورد شاخص سطح برگ با استفاده از ترکیب این دو شاخص نسبت به مدل خطی هر کدام از این شاخص ها افزایش یافته است. هم چنین، بالاترین دقت در برآورد شاخص سطح برگ از ترکیب شاخص G2 با SAVI و EVI1 (به ترتیب 03/1، 03/1) به دلیل حساسیت بیشتر شاخص G2 به شاخص سطح برگ متوسط و بالا نسبت به NDVI مشاهده شد. علاوه بر این دقت مدل گزینش پیش رونده و پس رونده نسبت با سایر مدل ها در برآورد شاخص سطح برگ، به دلیل حساسیت بیشتر مدل به شاخص سطح برگ بالاتر از 6، بهبود یافته است (به ترتیب 87/0 و 95/0). اگرچه دقت برآورد شاخص سطح برگ گندم در روش گزینش پیش رونده نسبت به تمامی مدل ها بیشتر است، اما محاسبه آن نیاز به استفاده از پارامترهای زیادی است.
    کلید واژگان: رگرسیون چند متغیره، شاخص‎های تعدیل شده پوشش گیاهی، شاخص تفاضل نرمال‎شده، شاخص رشد گیاهی
    Sara Asadi, Mohammad Banayan *, Mohsen Jahan, Alireza Faridhosseini
    Introduction
    The role of leaf area index (LAI) in terrestrial ecosystems is undeniable. LAI affects the amount of carbon, water and energy metabolism. Also, many agronomic, environmental and meteorological applications require information on the status of LAI. The time series of the spectral indices obtained from the remote sensing indicates its usefulness in detecting regional-scale LAI changes. So, the desire for the development of models for estimating LAI was increased with using satellite images. Vegetation Indices (VIs), especially the Normalized Difference Vegetation Index (NDVI) and Ratio Vegetation Index (RVI), are most widely used. According to the different sensitivity of VIs to the value of LAI and vegetation characteristics, in this study, we tried to determine an algorithm with a higher accuracy to estimate the LAI of wheat using more variables (VIs).
    Material and Methods
    In this study, regarding the wheat growth period in Astan Quds Razavi (AQR) farms, the Landsat 8 satellite images were used from November 22, 2014 to June 20, 2015. LAI was measured simultaneously with passing of Landsat 8 (16-day intervals) from AQR Fields of Mashhad (in five dates from 17 farms) during wheat growing season in 2014-2015.
    After pre-processing of satellite images, VIs including the Difference Vegetation Index (DVI), NDVI, RVI, Transformed Difference Vegetation Index (TDVI), Soil Adjusted Vegetation Index (SAVI), Infrared Percentage Vegetation Index (IPVI), Greenness Index (G1 and G2) and Enhanced Vegetation Index (EVI1 and EVI2) were calculated. To select the best variables and the equation for estimating LAI, simple regression (linear, quadratic and exponential) and multiple linear regression (Backward and Forward) methods were used. Finally, to validate and assess the accuracy of the presented models, the mean square error (RMSE), Mean Absolute Error (MAE), Point accuracy based on a percentage of actual value (E%) and correlation coefficient (r) was used.
    Results and Discussion
    The results of this study showed that simulation of LAI based on the existing equations in the references using the NDVI, EVI1 and EVI2 indices extracted from Landsat 8 satellite images has low accuracy (RMSE:2.71, 3.65 and 3.65). This confirms the necessity of examining and calibrating equations. The results indicate that the accuracy of the wheat LAI estimation by using the NDVI and SAVI index was increased by exponential functions (RMSE:1.18 and 1, respectively) compared to the linear model (RMSE:1.46 and 1.26, respectively). This increase was due to a more accurate estimation LAI lower than 4 and the fixed value of LAI simulated in a range of actual LAI higher than 6. The accuracy of LAI estimation was increased with combination of two VIs (NDVI and SAVI) compared to the linear model of each index separately. Also, the highest accuracy of LAI estimation from the combination of G2 with SAVI and EVI1 (RMSE: 1.03, 1.03, respectively) was observed due to the higher sensitivity of G2 to medium and high LAI compared to NDVI. In addition, the backward and forward regression model was improved the accuracy of wheat LAI estimation compared to other models, due to the greater sensitivity of this model to LAI higher than 6 (RMSE: 0.87 and 0.95, respectively). Although the accuracy of wheat LAI estimation by the forward regression model was higher than all models, but its calculation requires the use of many parameters.
    Conclusion
    Since LAI is an important biophysical parameter in ecological modeling. Accurate and fast estimation of this parameter in large scale for ecological models such as yield and evapotranspiration, and carbon exchange is very important. Considering the results of this research and the opinions of other researchers, it can be stated that the accuracy of the exponential functions and multiple linear regression (Forward regression model) for estimating LAI was higher than simple linear regression.
    Keywords: Adjustable vegetation indexes, Enhanced vegetation index, Multiple regression, Normalized difference vegetation Index
  • علی حقی زاده، محمد محمدلو، فاضل نوری
    مقدار دبی یا رواناب خروجی از یک حوضه آبخیز از اهمیت زیادی برخوردار است؛ زیرا کمبود آن ممکن است موجب خسارات مالی و مازاد آن به صورت سیلاب ممکن است موجب خسارات جانی و مالی شود. در این پژوهش با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل فازی عصبی تطبیقی (ANFIS) و روش رگرسیون چندمتغیره، فرایند بارش- رواناب به صورت روزانه در حوضه آبخیز خرم آباد شبیه سازی شد. برای ورودی ها از ترکیب های مختلف از ورودی های بارندگی همان روز، یک روز قبل و دو روز قبل استفاده شد. تابع عضویت ورودی های مدل ANFIS استفاده شده در این مطالعه، ذوزنقه ای، مثلثی، گوسی و گوسی نوع 2 است. مدل MLP به کار رفته با یک لایه پنهان و تعداد نورون های متغیر ارزیابی شد. نتایج نشان داد که مدل عصبی فازی تطبیقی (ANFIS) عملکرد بهتری از شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل رگرسیون چندمتغیره دارد. همچنین با افزایش تعداد ورودی ها و دخالت دادن بارندگی یک و دو روز قبل، عملکرد هر سه مدل بهتر می شود.
    کلید واژگان: پرسپترون چندلایه، حوضه آبخیز خرم آباد، سیستم فازی، عصبی تطبیقی، رگرسیون چندمتغیره، رواناب
    Ali Haghizadeh, Mohammad Mohammadlou, Fazel Noori
    The discharge or runoff which ousts from a watershed is important. Because its deficiency leads to financial losses and its excesses cause damage in lives and property as flood. In this research using Artificial Neural Network Multi-layer Perceptron (MLP (and Adaptive Neuro-fuzzy interface system (ANFIS) and multiple regression method simulated rainfall- runoff process on daily basis in the Khorramabad watershed. For inputs, different combinations of precipitation inputs including current rainfall, pervious day rainfall and two previous days were used. Inputs membership function for ANFIS model in this research is: the trapezoid, triangular, Gaussian and Gaussian type 2. MLP model that used in this research, was evaluated with one hidden layer and the number of variables neurons. The results showed that Adaptive Neuro-fuzzy interface system (ANFIS) compared to multi-layer perceptron model (MLP) and multiple regression model, has better performance. Also by increasing in the number of inputs, involvement pervious day rainfall and two previous days, all three models performance will be better.
    Keywords: Adaptive Neuro, fuzzy interface system, Multi, layer perceptron, Multiple regression, runoff, Khorramabd watershed
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال