Vermikomposta Potasyum Uygulamasının Marulda (Lactuca sativa L.) Verim ve Bitki Besin Elementleri Miktarı Üzerine Etkisi

Deneme, ülkemizde kullanımı ve üretimi artış gösteren vermikompostla birlikte potasyumlu gübreleme yapılmasının bitki verimi ve bitki besin elementlerinin miktarı üzerine etkisinin belirlenmesi amacı ile yürütülmüştür. Perlitte yetiştirilen marul (Lactuca sativa L.) bitkisine sabit miktarda vermikompost ve farklı dozlarda potasyum gübrelemesi yapılarak, bitki verimi ile bitkideki makro (K, P, Ca, Mg) ve mikro (Fe, Cu, Zn, Mn) besin elementlerinin miktarı irdelenmiştir. Araştırmada; bölgedeki bir solucan üretim tesisinden temin edilmiş olan vermikompost, ortam olarak perlit, bitki olarak marul bitkisi kullanılmıştır. Potasyum kaynağı olarak potasyum sülfat kaynaklı 0, 12.5, 25.0, 37.5 ve 50.0 kg K2O/da uygulanmıştır. Uygulanan potasyum dozlarından verim, demir, bakır, çinko istatistiksel olarak etkilenmezken, bitkideki fosfor, potasyum, kalsiyum, magnezyum ve mangan elementlerinin istatistiksel önemde etkilendiği saptanmıştır. Üretimi yapılan vermikompostların içeriklerinin aynı olmaması, standart bir ürün halinde bulunmamaları bu ürünün kullanımında göz önünde bulundurulmalıdır.

Anahtar Kelimeler:

Makro besin elementi, Mikro besin elementi, Marul, Verim, Vermikompost

Counting and Classification of Seed Using Machine Learning Methods

Deep learning, machine learning and image processing techniques have become important tools used in facilitating agricultural work and developing solutions to different problems in the production phase. In this study, a seed number and type detection algorithm was developed using YOLO deep learning architecture, a real-time object detection algorithm employing the CNN structure in AugeLab Studio sofware. With the developed model average loss factor of 0.417 was achieved after 3000 iterations. As a result of the analysis, it has been determined that the bean classification accuracy varies between 97% and 100%, while the chickpea classification accuracy varies between 91% and 100%. In addition, the total number of 11 beans and 10 chickpea seeds in a single image was determined with 100% accuracy. The results demonstrated that AugeLab, a software employing artificial inteligence based image processing techniques, can be used by seed production companies, agricultural biotechnology laboratories and seed certification institutions in counting and classification of seeds. It can also be used in variety and/or species separation, separating and detecting germinated seeds, or detecting and proportioning foreign mixtures in seed certification processes within shorter time and less costs.

Keywords:

Artificial intelligence Deep learning, Machine learning, Seed counting, Classification, AugeLab,

PDF

___

Ansari A.A. 2008. Effect of Vermicompost on the productivity of potato (Solanum tuberosum), spinach (Spinacia oleracea) and turnip (Brassica campestris). World J. of Agric. Sci., 4 (3): 333-336.
Arancon N., Edwards C.A. 2005. Effects of vermicomposts on plant growth. International Symposium Workshop on Vermitechnology. Philippines.
Atılgan A., Coşkan A., Saltuk B., Erkan M. 2007. Antalya yöresindeki seralarda kimyasal ve organik gübre kullanım düzeyleri ve olası çevre etkileri. Ekoloji, 15(2), 37-47.
Azarmi R., Giglou M.T., Talesmikail R.D. 2008. Influence of vermicompost on soil chemical and physical properties in tomato (Lycopersicum esculentum) field. African Journal of Biotechnology.7 (14), 2397-2401.
Barley K.P. 1961. Plant nutrition levels of vermicast. Advances in Agronomy. 13, pp. 251.
Bellitürk K., Görses J.H. 2012. Balancing vermicomposting benefits with conservation of soil and ecosystems at risk of earhworm invasions. VIII. International Soil Science Congress on Land Degradation and Challenges in Sustainable Soil Management, Çeşme, İzmir, 302-306.
Çıtak S., Sönmez S., Koçak F., Yaşin S. 2011. Vermikompost ve ahır gübresi uygulamalarının ıspanak (Spinacia oleracea var. L.) bitkisinin gelişimi ve toprak verimliliği üzerine etkileri. Batı Akdeniz Tarımsal Araştırma Enstitüsü Derim Dergisi, 2011, 28 (1): 56-69.
Hernandez A., Castillo H., Ojeda D., Arras A., Lopez J., Sanchez E. 2010. Chilean Journal of Agricultural Research, 70 (4): 583-589.
Hınıslı N. 2014. Vermikompost gübresinin kıvırcık bitkisinin gelişmesi üzerine etkisinin belirlenmesi ve diğer bazı organik kaynaklı gübrelerle karşılaştırılması. Namık Kemal Üniversitesi, Fen Bilimleri Enstitüsü, Toprak Bilimi ve Bitki Besleme Anabilim Dalı, Yüksek Lisans Tezi. 50 s.
Kacar B., İnal A. 2010. Bitki Analizleri (2. Baskı). Nobel Yayınları, (1241), 123-169.
Kacar, B. Katkat, A.V. 2007. Bitki Besleme (Genişletilmiş ve Güncellenmiş 3. Baskı). Nobel Yayınları ISBN: 978-975-591-834-1, 975 s., Ankara.
Kale R.D., Bano K. 1986. Field trials with vermicompost (vee comp. E. 8. UAS) on organic fertilizers. In: Proceedings of the national seminar on organic waste utilization (Eds.: M.C. Dass, B.K. Senapati and P.C. Mishra). Vermicompost, Part B, Verms and vermicomposts. Sri Artatrana Pont Burla. pp. 151-157.
Marschner, P. 1995. Mineral Nutrition of Higher Plants (Second Edition). Academic Press is an Imprint of Elsevier, 225 Wyman Street Waltham, MA 02451, USA.
Öcal, F. Çelik, H. Katkat, A.V. 2005. Bursa ovası topraklarının potasyum durumu ve bu topraklarda alınabilir potasyum miktarlarının tayininde kullanılacak yöntemler. Tarımda Potasyum Yeri ve Önemi Çalıştayı, 3-4 Ekim, 139-147, Eskişehir.
Özkan, N. Müftüoğlu, N.M. 2016. Farklı dozlardaki vermikompostun marul verimi ve bazı toprak özellikleri üzerine etkisi. BAHÇE, Yalova Atatürk Bahçe Kültürleri Araştırma Enstitüsü Dergisi, 45 (Özel sayı): 121-124.
Resmî Gazete, 2018. Resmî Gazete Tarihi: 23.02.2018 Resmî Gazete Sayısı: 30341. Tarımda Kullanılan Organik, Mineral ve Mikrobiyal Kaynaklı Gübrelere Dair Yönetmelik. Erişim 13 Mayıs 2019.
Yolcu H., Daşcı M. 2008. Ülkemizde organik yem bitkileri üretiminin mevcut durumu. Hasad Hayvancılık Dergisi, 24, 40-46.