کاربرد شبکه عصبی مصنوعی جهت پیش‌بینی مقاومت به سرمای نشاهای گوجه‌فرنگی پس از پیش تیمار تنش خشکی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو باشگاه پژوهشگران جوان و نخبگان، دانشگاه آزاد اسلامی، واحد خرم آباد

2 استادیار گروه علوم و مهندسی صنایع غذایی، دانشگاه بوعلی سینا، همدان

3 دانشیار گروه علوم باغبانی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان

چکیده

دمای پایین منجر به آسیب‌های فیزیولوژیکی به سلول گیاهان حساس به سرمازدگی و از بین رفتن محصولات گرمسیری و نیمه گرمسیری می‌شود. در این مطالعه مدل‌سازی شبکه عصبی مصنوعی به‌منظور پیش‌بینی اثر تنش سرما بر نشاء گوجه‌فرنگی بعد از اعمال پیش‌تیمار خشکی با 10 و 20 درصد پلی‌اتیلن گلیکول استفاده گردید. امکان افزایش تحمل تنش سرمایی در نشاهای گوجه‌فرنگی با کاربرد پلی‌اتیلن گلیکول بررسی و پس از اعمال تنش سرما به مدت 6 ساعت در روز به مدت6 روز متوالی و در دمای 3 درجه سلسیوس، داده‌ها جمع‌آوری گردید. به‌منظور پیش‌بینی اثر تنش سرما بر خصوصیات نشاء گوجه‌فرنگی از شبکه عصبی پرسپترون چندلایه پیش‌خور با 2 ورودی (اثر تنش خشکی و اثر تنش سرمایی) و 8 خروجی (کلروفیل a، کلروفیل b، فنل کل، محتوای آب نسبی، فلورسانس کمینه، فلورسانس بیشینه، نشت یونی ریشه و پرولین) استفاده شد. نتایج نشان‌ داد شبکه‌ای با تعداد 7 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازیتانژانت هیپربولیکو روش بهینه‌سازی لیونبرگ مارکوت و درصد داده‌های مورداستفاده برای تربیت/ آزمون/ ارزیابی برابر 40/20/40 می‌توان اثر تنش خشکی بر میزان مقاومت به سرمای نشاهای گوجه‌فرنگی را با میانگین ضریب همبستگی برابر 0.92 تخمین زد. بر اساسنتایج آنالیز حساسیت توسط شبکه عصبی بهینه، شدت تنش خشکی اعمال‌شده با پلی‌اتیلن گلیکول مؤثرترین عامل در تخمین تحمل به سرما و خصوصیات فیزیولوژیکی گوجه‌فرنگی می‌باشد.

کلیدواژه‌ها


Akbarpour, A., Khorashadizadeh, O., Shahidi, A., Ghochanian, E., 2013. Performance evaluation of artificial neural network models in estimate production of yield saffron based on climate parameters. Journal of Saffron Research. 1(1), 27-35. [In Persian with English Summary].

Baldi, P., Pedron, L., Hietala, A.M., Porta, N.A., 2011. Cold tolerance in cypress (Cupressus sempervirens L.): a physiological and molecular study. Tree Genetics Genomes. 7, 79-90.

Baninasab, B., 2009. Amelioration of chilling stress by paclobutrazol in watermelon seedlings. Scientia Horticulture. 121, 144-148.

Battes, L.S., Waldren, A., Teare, I.D., 1973. Rapid determination of free proline for water stress studies. Plant and Soil. 29, 205-207.

Chandra Rai, A., Singh, M., Shah, K., 2013. Engineering drought tolerance tomato plants over-Expressing BcZAt12 gene encoding aC2H2 zinc finger transcription factor. Phytochemistry. 85, 44-50.

Dong, X., Bi, H., Wu, G. & Ai, X. (2013). Drought-induced chilling tolerance in cucumber involves membrane stabilisation improved by antioxidant system. International Journal of Plant Production, 7(1): 67-79.

Hällgreen, J.E., Öquest, G., 1990. Adaptations to Low Temperatures, Stress Responses in Plants: Adaptation and Acclimation Mechanisms. Wiley-Liss Inc. New York

Hosaini, M.T., Siosemarde, A., Fathi, A., Siosemardem M., 2008. Application of artificial neural network (ANN) and multiple regression for estimating assessing the performance of dry farming wheat yield in Ghoraveh region, Kurdistan province. Agricultural research. 7, 41-54. [In Persian with English Summary].

Javanmardi, J., 2009. Vegetable Transplant Production. Jehade Daneshgahi Publication. 256P. [In Persian].

Krasensky, J., Jonak, C., 2012.Drought, salt, and temperature stress-induced metabolic rearrangements and regulatory networks. Journal of Experimental Botany. 63, 1593-1608.

Mahajan, S.H., Tuteja, N., 2005. Cold, salinity and drought stresses: An overview. Archives of Biochemistry and Biophysics. 444, 139–158.

McDonald, S., Prenzler, P.D., Autolovich, M., Robards, K., 2001. Phenolic content and antioxidant activity of olive extracts. Food Chemistry. 73, 73-84.

Rezaie, M., Rouhani, A., 2013. Modeling and optimization of stomatal resistance in olive under NaCl salinity stress by using artificial neural network and genetic algorithm. Plant Improvement. 15, 53-64. [In Persian with English Summary].

Salehi, F., Razavi, S.M.A., 2016. Modeling of waste brine nanofiltration process using artificial neural network and adaptive neuro-fuzzy inference system. Desalination and Water Treatment.

Salehi, F., Razavi, S.M.A., 2012. Dynamic modeling of flux and total hydraulic resistance in nanofiltration treatment of regeneration waste brine using artificial neural network. Desalination and Water Treatment. 41, 95-104.

Saltveit, M.E., 2000. Chilling injury is reduced in cucumber and rice seedlings and in tomato pericarp discs by heat-shocks applied after chilling. Postharvest Biology and Technolog. 21, 169-177.

Strain, H.H., Svec, W.A., 1966. Extraction, separation and isolation of chlorophylls. Chlorophylls. Academic Press, New York. 24-61 pages.

Tabrizian, H.A., Ghaforian, H., Hakimabadi, V., 2012. The possibility of environmental stress in pistachio plant based on climate data using artificial neural network. MSc thesis. Garmsar University. Semnan, Iran. [In Persian with English Summary].