پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,072 |
| تعداد مشاهده مقاله | 125,694,701 |
| تعداد دریافت فایل اصل مقاله | 98,924,072 |
مدل‌سازی و بهینه‌کردن مقاومت روزنه‌ای زیتون در شرایط تنش شوری ناشی از کلرید سدیم با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک | ||
| به زراعی کشاورزی | ||
| مقاله 4، دوره 15، شماره 4، دی 1392، صفحه 53-64 اصل مقاله (832.87 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jci.2013.51366 | ||
| نویسندگان | ||
| مهدی رضایی* 1؛ عباس روحانی2 | ||
| 1استادیار گروه علوم باغبانی، دانشکده کشاورزی، دانشگاه شاهرود | ||
| 2استادیار گروه ماشین‌های کشاورزی، دانشکدۀ کشاورزی، دانشگاه فردوسی مشهد | ||
| چکیده | ||
| 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 بهینة 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 شبکة عصبی تابع پایة شعاعی (RBF) به‌صورت تابعی از متغیرهایی مدل شد که قبلاً لیست شد. نتایج پیش‌بینی‌شده نشان داد که شبکة عصبی توانسته است عملکرد خوبی فراهم کند، زیرا نتایج پیش‌بینی‌شده مطابق نتایج اندازه‌گیری‌شده بودند. بیشترین درصد خطا بین داده‌های آزمایشگاهی و پیش‌بینی‌شدة کمتر از 57/2 درصد و ضریب همبستگی بین آن‌ها 994/0 شد. همچنین، مقایسة آماری بین داده‌های آزمایشگاهی و پیش‌بینی‌شده نشان‌دهندة قابلیت اطمینان پیش‌بینی‌ها با مدل شبکة عصبی RBF بود. شبکة 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. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ زیتون؛ شبکه عصبی؛ شوری؛ مقاومت روزنه‌ای | ||
| عنوان مقاله [English] | ||
| Modeling and Optimization of Stomatal Resistance in Olive under NaCl Salinity Stress by using Artificial Neural Network and Genetic Algorithm | ||
| نویسندگان [English] | ||
| Mehdi Rezaei1؛ Abass Rohani2 | ||
| 1Assistant Professor, Department of Horticultural Science, Faculty of Agriculture, Shahrood University, Iran | ||
| 2Assistant Professor, Department of Farm Machinery Engineering, Agriculture Faculty, Ferdowsi University of Mashhad, Iran | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژه‌ها [English] | ||
| Genetic Algorithm, neural network, olive, salinity, stomatal resistance | ||
|
آمار تعداد مشاهده مقاله: 2,687 تعداد دریافت فایل اصل مقاله: 1,790 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب