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

Abstract

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 0، 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.