پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,195 |
| تعداد مقالات | 77,224 |
| تعداد مشاهده مقاله | 157,140,720 |
| تعداد دریافت فایل اصل مقاله | 118,364,398 |
افزایش کارایی فتوسیستم دو در ارکیده فالانوپسیس با بهینهسازی عناصر درشتمغذی محیط کشت درون شیشهای به کمک یادگیری ماشین | ||
| علوم باغبانی ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 24 دی 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijhs.2026.396768.2280 | ||
| نویسندگان | ||
| زهرا مهدوی1؛ شیرین دیانتی دیلمی* 2؛ کیوان آصف پور وکیلیان3؛ کورش وحدتی2 | ||
| 1گروه باغبانی، دانشکده فناوری کشاورزی ابوریحان، دانشگاه تهران، پاکدشت، ایران، | ||
| 2گروه علوم باغبانی، دانشکده فناوری کشاورزی ابوریحان، دانشگاه تهران، پاکدشت، ایران، | ||
| 3مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
| چکیده | ||
| دوره رشد طولانی ارکیدههای فالانوپسیس در تکثیر درون شیشهای با افزایش هزینه و زمان لازم برای برداشت محصول نهایی، روی بهرهوری اقتصادی اثر میگذارد و چالشهایی برای تولیدکنندگان ایجاد میکند. هدف از این پژوهش، کمک به تسریع رشد درون شیشهای گیاهچههای فالانوپسیس با بهبود غلظت درشتمغذیهای درون محیط کشت و ارزیابی اثر این تغییرات روی کارایی فتوسیستم دو گیاه با کمک روش شبکه عصبی مصنوعی به عنوان یک روش یادگیری ماشین بود کارایی فتوسیستم دو به عنوان یک شاخص کلیدی از سلامت گیاه، ارتباط مستقیمی با افزایش رشد درونشیشهای و کیفیت گیاهچههای حاصل از کشت بافت دارد. اثر تغییر غلظتهای مختلف سه عنصر اصلی درشتمغذی به صورت آمونیوم و نیترات، هر یک در چهار سطح، پتاسیم در سه سطح و فسفر در پنج سطح، نسبت به محیط کشت پایه مورد بررسی قرار گرفت. مجموعهای از 120 داده تجربی برای مدلسازی مبتنی بر شبکه عصبی مصنوعی به دست آمد که با پیادهسازی طرح پیشبینی تکرارشونده، سطوح بهینه درشتمغذیها برای افزایش کارایی فتوسیستم دو در گیاه مشخص شد. دقت مدل با ضریب تبیین 94/0 و میانگین مربعات خطا 007/0 ارزیابی شد. نتایج نشان داد در تغییرات غلظت نیترات، افزایش غلظت پتاسیم اهمیت بیشتری دارد، در حالی که افزایش آمونیوم در ترکیب با افزایش فسفر میتواند نقش مهمی در بهبود عملکرد فتوسیستم دو داشته باشد. طبق پیشبینی مبتنی بر یادگیری ماشین، محیط کشت بهینه شامل افزایش دوبرابری غلظت نیترات و افزایش 89/1 درصدی غلظت پتاسیم بود که میتوانست منجر به افزایش کارایی فتوسیستم دو گیاه به میزان 7 درصد گردد. | ||
| کلیدواژهها | ||
| ریز ازدیادی ارکیده؛ عناصر پرمصرف؛ فتوسنتز؛ مدلسازی؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Increasing the Efficiency of Photosystem II in Phalaenopsis Orchids by Optimizing Macronutrients in Culture Medium Using Machine Learning | ||
| نویسندگان [English] | ||
| Zahra Mahdavi1؛ Shirin Dianati Daylami2؛ Keyvan Asefpour Vakilian3؛ Kourosh Vahdati2 | ||
| 1, Faculty of Agricultural Technology (Aborihan), University of Tehran, Pakdasht, Iran | ||
| 2Department of Horticulture Faculty of Agricultural Technology (Aborihan), University of Tehran, Pakdashtm Iran | ||
| 3Department of Biosystems Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran. | ||
| چکیده [English] | ||
| The prolonged growth cycle of Phalaenopsis orchids during in vitro propagation negatively impacts economic productivity by increasing both the cost and time required to harvest the product, thereby posing challenges for producers. This study aimed to accelerate the in vitro growth of Phalaenopsis plantlets by optimizing the concentration of macronutrients in the medium and to evaluate the impact of these modifications on the efficiency of photosystem II using artificial neural networks (ANNs) as a machine learning approach. the efficiency of photosystem II, as a key indicator of plant health, is directly related to increased in vitro growth and quality of plantlets. Various macronutrient concentrations were tested, including four levels of ammonium and nitrate, three levels of potassium, and five levels of phosphorus, relative to a basal culture medium used as the control. A total of 120 experimental data points were obtained for ANN-based modeling, by implementing an iterative prediction scheme, determined the optimal levels of macronutrients to increase the efficiency of photosystem II in plants. The performance of the model was evaluated by the coefficient of determination and mean squared error of 0.94 and 0.007, respectively. The results demonstrated that increased potassium concentration, particularly in conjunction with changes in nitrate levels, plays a crucial role, while the combined elevation of ammonium and phosphorus concentrations significantly improves photosystem II performance. Machine learning-based predictions identified the optimal culture medium as containing a twofold increase in nitrate and a 1.89% increase in potassium concentration, leading to a 7% improvement in photosystem II efficiency. | ||
| کلیدواژهها [English] | ||
| Artificial intelligence, Macronutrients, Orchids Micropropagation, Modeling, Photosynthesis | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 96 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب