A Comparison of Artificial Neural Networks and Some Nonlinear Models of Leaf Area Estimation of Sugar Beet at Different Nitrogen Levels

Abstract

Leaf area is related to many physiological and agronomic studies including growth, photosynthesis, transpiration, and energy balance. The study aimed to determine the leaf area estimation of sugar beet (Beta vulgaris L.) at different nitrogen levels under field conditions. The study was conducted out in split plots in randomized complete blocks with three replications in 2012-2013, and measurements were taken from leaf parameters, such as length (L) and width (W), petiole length, and the total number of leaf per a sugar beet. The artificial neural networks and such non-linear methods as the Logistic, Richards, and Gompertz were compared to estimate the leaf area measurements. As a result, all models have shown the highest identification success in the level of third fertilization. While the ANN model in the first three fertilizer doses showed a higher definition of success compared to other models, the Richards model in the fourth fertilizer dose has been more successful. An increase in the nitrogen level has accelerated the plant growth. While the ANN model remained insufficient for very rapid growth identification, the Richards model is defined in more successful rapid growth.

Yaprak alanı, birçok büyüme, fotosentez, terleme ve enerji dengesini içeren agronomik ve fizyolojik çalışmalarla ilgilidir. Çalışma, tarla koşullarında farklı azot seviyelerindeki şeker pancarının (Beta vulgaris L.) yaprak alanı tahmininin belirlenmesini amaçlamıştır. Çalışma, tesadüf bloklarında bölünmüş parseller deneme deseninde 3 tekerrürlü olarak 2012-2013 yıllarında yürütülmüştür. Ölçümler yaprak boyu, yaprak eni, yaprak sapı uzunluğu ve bitki başına toplam yaprak sayısı gibi yaprak parametrelerinden alınmıştır. Yapay sinir ağları ve Lojistik, Richards ve Gompertz gibi doğrusal olmayan yöntemler yaprak alanı ölçümlerini tahmin etmek için karşılaştırıldı. Sonuç olarak, tüm modeller üçüncü gübreleme düzeyinde en yüksek tanımlama başarısını göstermiştir. İlk üç gübre dozunda yapay sinir ağları (YSA) modelinde diğer modellere göre daha yüksek bir başarı düzeyi gösterilirken, dördüncü gübre dozunda Richards modeli daha başarılı olmuştur. Azot seviyesinin artması ile bitkinin büyümesi hızlanmaktadır. YSA modeli hızlı büyüme tanımlamasında yetersiz kalırken, Richards modeli daha hızlı büyümede daha başarılı olarak tanımlanmıştır.