Agriculture, Vol. 32 No. 1, 2026.
Original scientific paper
https://doi.org/10.18047/poljo.32.1.1
Usporedba različitih metoda praćenja vodnoga stresa kod soje (Glycine max (L.) Merr.).
Stela Rotim
; Ilok High School, Matije Gupca 168, 32236, Ilok, Croatia
*
Monika Marković
; Josip Juraj Strossmayer University of Osijek, Faculty of Agrobiotechnical Sciences Osijek, Vladimira Preloga 1, 31 000, Osijek, Croatia
Marija Spišić
; Josip Juraj Strossmayer University of Osijek, Faculty of Agrobiotechnical Sciences Osijek, Vladimira Preloga 1, 31 000, Osijek, Croatia
Nina Cvenić
; Agricultural Institute Osijek, Južno predgrađe 17, 31000, Osijek, Croatia
Maja Matoša Kočar
; Agricultural Institute Osijek, Južno predgrađe 17, 31000, Osijek, Croatia
Tihana Marček
; Josip Juraj Strossmayer University of Osijek, Faculty of Food Technology Osijek, Franje Kuhača 18, 31 000 Osijek, Croatia
Josip Spišić
; Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, Kneza Trpimira 2B, 31 000 Osijek, Croatia
* Corresponding author.
Abstract
Istraživanje je provedeno u zaštićenome prostoru na Poljoprivrednome institutu Osijek 2022. godine. Cilj istraživanja bio je procijeniti i usporediti različite metode za otkrivanje deficita vode u tlu i odgovora biljaka na vodni stres kod soje (Glycine max (L.) Merr.). Proučavane su različite metode za praćenje vodnoga stresa kod soje, uključujući senzore za mjerenje sadržaja vode u tlu, fiziološke pokazatelje, statističke modele i strojno učenje. Dva tretmana navodnjavanja uključivala su optimalan sadržaj vode u tlu (kontrolni tretman, n1, 100 % retencijskoga kapaciteta tla za vodu, Rkv) i vodni stres (n2, 50 % Rkv) primijenjen u fazama cvatnje (f1) i nalijevanja zrna (f2). TDR300 i AT senzori imali su najbržu reakciju na promjene sadržaja vode u tlu (% vol.), što ukazuje na visoku osjetljivost na rani deficit vode. Među fiziološkim pokazateljima, LRCC i RC/CS bili su najosjetljiviji tijekom cvatnje, dok su PIABS i PITOTAL pokazali najveću osjetljivost tijekom nalijevanja zrna. Model kNN pokazao je najbolje performanse, s visokom točnošću klasifikacije (CA = 0,921) i AUC-a (0,976). Rezultati naglašavaju važnost odabira specifičnih pokazatelja za detekciju vodnoga stresa i pružaju osnovu za razvoj budućih integrativnih okvira praćenja u proizvodnji soje.
Keywords
soja; vodni stres; senzori za mjerenje vlažnosti tla; fiziološki pokazatelji; modeli strojnog učenja
Hrčak ID:
348725
URI
Publication date:
30.6.2026.
Visits: 0 *