Rice is a salt-sensitive crop. The objective of this study was to evaluate the effect of salinity at flowering stage on physiological traits and yield of landrace rice. The experiment design was 4*10 Factorial in RCBD with 4 replications. Factor A was four salinity levels: control, 6, 12 and 16 dS/m; Factor B was 10 rice varieties. Data were collected on physiological traits and grain yield. The results showed that increasing salinity level decreased rice yield. The highest yield reduction was found when the rice received salt stress at 16 dS/m. In addition, rice varieties showed different yield performance when exposed to salt stress. In this found that Hom Yai variety had the lowest yield reduction when grown at 16 dS/m salinity level and did not differ from salt tolerant check variety.
การผลิตข้าวในประเทศไทยยังคงประสบปัญหาเกี่ยวกับสภาพพื้นที่ปลูกข้าวที่ไม่เหมาะสมต่อการเจริญเติบโต ซึ่งทำให้ผลผลิตของข้าวลดลง เช่น ปัญหาดินเค็ม โดยดินเค็มคือดินที่มีปริมาณเกลือที่ละลายน้ำได้ดีอยู่ในสารละลายดินสูงมากจนมีผลกระทบต่อการเจริญเติบโตและการสร้างผลผลิตของพืช อีกทั้งในปัจจุบัน สภาวะโลกร้อนมีความรุนแรงมากขึ้น และมีผลต่อเนื่องทำให้ความเครียดจากความเค็มมีความรุนแรงมากขึ้นด้วย การใช้ข้าวสายพันธุ์ที่มีความทนเค็มเป็นอีกวิธีที่จะช่วยแก้ปัญหาได้อย่างยั่งยืน ดังนั้นในการศึกษาครั้งนี้จึงสนใจศึกษาความเครียดเค็มในระยะออกดอกของข้าวที่ต่อเนื่องไปจนถึงระยะเก็บเกี่ยว โดยทำการศึกษาในพันธุ์ข้าวพื้นเมือง 6 พันธุ์ที่ผ่านการคัดเลือกแล้วว่าทนต่อความเค็มในระยะกล้าเปรียบเทียบกับข้าวพันธุ์ทนเค็มมาตรฐาน Pokkali และพันธุ์การค้า KDML105 ซึ่งผลจากการวิจัยที่ได้ในครั้งนี้สามารถนำไปเป็นข้อมูลพื้นฐานเพื่อใช้ในการปรับปรุงพันธุ์ข้าวให้มีความสามารถในการทนต่อสภาวะเครียดที่เกิดจากดินเค็ม และเป็นการคัดเลือกพันธุ์ข้าวที่มีศักยภาพในการทนเค็ม ตลอดจนส่งเสริมให้เกษตรกรปลูกในพื้นที่ที่กำลังประสบปัญหาจากสภาวะดินเค็มต่อไป
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-
คณะวิทยาศาสตร์
With the development of space technology, wide-field sky surveys using telescopes have expanded the range of new data available for time-domain astronomical research. Traditional data analysis methods can no longer respond quickly and accurately enough to the growing volume of data. Thus, classifying time-series data, such as light curves, has become a significant challenge in the era of big data. In modern times, analyzing light curves has become essential for using machine learning techniques to handle and filter through massive amounts of data. Machine learning algorithms can be divided into two categories: shallow learning and deep learning. Numerous researchers have proposed and developed a variety of algorithms for light curve classification. In this study, we experimented with Support Vector Machine (SVM) and XGBoost, which are shallow machine learning algorithms, as well as 1D-CNN and Long Short-Term Memory (LSTM), which are deep learning algorithms, which are branches of deep machine learning, to classify variable stars. The training and testing data used in this study were from the Optical Gravitational Lensing Experiment-III (OGLE-III), consisting of variable star data from the Large Magellanic Cloud (LMC), categorized into five main classes: Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars, and Long-period variables. The results demonstrate the performance analysis of each machine learning algorithm type applied to light curve data, while also highlighting the accuracy and statistical metrics of the algorithms used in the experiments.
คณะเทคโนโลยีการเกษตร
This study aimed to develop a website for collecting and organizing data on Young Smart Farmers in Chanthaburi Province. Data were collected through structured interviews with a sample of 30 participants. The information obtained was categorized and utilized to develop the website, which was subsequently disseminated to farmers and other stakeholders. The study also assessed user satisfaction with the website through a questionnaire, with data analyzed using descriptive statistics, including frequency, percentage, mean, and standard deviation.The results indicated that the sample comprised an equal proportion of male and female participants, with the majority (50.00%) aged between 36 and 40 years. Most respondents were Young Smart Farmers from the districts of Khlung, Laem Sing, and Kaeng Hang Maeo, each representing 13.33% of the sample. The majority of participants had attained a bachelor’s degree or equivalent (60.00%) and were primarily engaged in agricultural occupations (73.33%). The findings on user satisfaction with the website revealed a high level of satisfaction across all dimensions, ranked as follows 1) Website usability (Mean 4.97), 2) Overall satisfaction (Mean 4.93), 3) Content quality (Mean 4.91), 4) Practical benefits and applicability (Mean 4.87), and 5) Design and layout (Mean 4.85).