به زراعی کشاورزی، جلد ۱۵، شماره ۴، صفحات ۵۳-۶۴
عنوان فارسی مدل‌سازی و بهینه‌کردن مقاومت روزنه‌ای زیتون در شرایط تنش شوری ناشی از کلرید سدیم با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک
چکیده فارسی مقاله مقاومت روزنه‌ای نقش مهمی در تبادلات آبی گیاه و میزان فتوسنتز در شرایط تنش دارد و یکی از پارامتر‌های کلیدی در بسیاری از مدل‌های اکولوژیکی و بیولوژیکی است. در این پژوهش، مقادیر بهینه پارامترهای مؤثر بر مقاومت روزنه‌ای زیتون بر‌اساس دست‌یابی به حداکثر مقاومت روزنه‌ای تعیین شد. سطوح شوری (0، 25، 50 و 100 میلی‌مول در لیتر کلرید سدیم)، درصد عناصر برگ (کلر، سدیم، پتاسیم، کلسیم، فسفر، منیزیم)، نسبت K/Na، وزن تر برگ (mg)، سطح برگ (cm2)، میزان آب نسبی برگ (درصد) و نسبت سطح برگ (cm2/g) به‌عنوان پارامترهای مؤثر بر مقاومت روزنه‌ای زیتون در نظر گرفته شد. مقاومت روزنه‌ای با استفاده از مدل شبکه عصبی تابع پایه شعاعی (RBF) به‌صورت تابعی از متغیرهایی مدل شد که قبلاً لیست شد. نتایج پیش‌بینی‌شده نشان داد که شبکه عصبی توانسته است عملکرد خوبی فراهم کند، زیرا نتایج پیش‌بینی‌شده مطابق نتایج اندازه‌گیری‌شده بودند. بیشترین درصد خطا بین داده‌های آزمایشگاهی و پیش‌بینی‌شده کمتر از 57/2 درصد و ضریب همبستگی بین آن‌ها 994/0 شد. همچنین، مقایسه آماری بین داده‌های آزمایشگاهی و پیش‌بینی‌شده نشان‌دهنده قابلیت اطمینان پیش‌بینی‌ها با مدل شبکه عصبی RBF بود. شبکه عصبی آموزش‌دیده به‌عنوان تابع هدف برای دست‌یابی به پارامترهای بهینه با استفاده از الگوریتم ژنتیک استفاده شد. به‌ترتیب مقادیر بهینه برای اولین تا آخرین پارامترها در 100، 15/0، 57/0، 78/0، 32/0، 06/0، 17/0، 29/1، 63/26، 03/5، 76/0 و 89/72 به‌دست آمد.
کلیدواژه‌های فارسی مقاله الگوریتم ژنتیک، زیتون، شبکه عصبی، شوری، مقاومت روزنه‌ای،
عنوان انگلیسی Modeling and Optimization of Stomatal Resistance in Olive under NaCl Salinity Stress by using Artificial Neural Network and Genetic Algorithm
چکیده انگلیسی مقاله Stomatal resistance has an important role in plant water exchange and photosynthesis under stress condition hence it is a key parameter in ecological and biological models. In the present research, optimum values of effective parameters on stomatal resistance of olive to achieve maximum stomatal resistance were determined. Salinity levels (0, 25, 50 and 100 mg/l NaCl), percentage of leaf ions (chlorine, sodium, potassium, calcium, phosphor, magnesium), K/Na ratio, wet weight of leaf (mg), leaf area (cm2), relative water content (%) and leaf area ratio (cm2/g) were considered as effective parameters in stomatal resistance of olive. The stomatal resistance was modeled as a function of the variables using a radial basis function (RBF) neural-network model. The predicted results demonstrated that the neural network could provide a good performance since prediction results were in rather good agreement with measured results. The maximum percentage error between predicted and experimental data was less than 2.57% and the correlation coefficient between them was 0.994. Also, the statistical comparison between the predicted and experimental data indicates the reliability of the predictions using a RBF neural-network model. The trained neural network is used as objective function to get optimal parameters using the genetic algorithm. The optimum values of the parameters obtained at a 100, 0.15, 0.57, 0.78, 0.32, 0.06, 0.17, 1.29, 26.63, 5.03, 0.76 and 72.89 for the first parameter through the last parameter, respectively.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی رضایی |
استادیار گروه علوم باغبانی، دانشکده کشاورزی، دانشگاه شاهرود
سازمان اصلی تایید شده: دانشگاه شاهرود (Shahrood university)

عباس روحانی |
استادیار گروه ماشین های کشاورزی، دانشکدۀ کشاورزی، دانشگاه فردوسی مشهد
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

نشانی اینترنتی http://jci.ut.ac.ir/article_51366_35ed19797412ed6c537749c301954795.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/656/article-656-271661.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات