طبقه‌بندي محصول مرزه (.Satureja hortensis L) بر اساس سطح كود اوره مصرفي به كمك ماشين بويايي

Classification of savory (Satureja hortensis L.) based on the level of used urea fertilizer consumed using an olfactory machine

مرزه (.Satureja hortensisL) گياهي معطر و از خانواده نعناعيان است كه داراي خواص دارويي بسيار زيادي مي‌باشد. امروزه در پرورش اين گياه از كود اوره استفاده مي‌شود كه تأثير زيادي بر عملكرد آن دارد. اما استفاده بي‌رويه از كود اوره سلامت مصرف‌كننده را به شدت تهديد مي‌كند. ازاين‌رو در اين تحقيق، طبقه‌بندي محصول مرزه برداشت شده براساس ميزان اوره مصرفي به كمك سامانه ماشين بويايي بررسي شد. اوره در چهار سطح (صفر، 50، 100 و 150 كيلوگرم در هكتار) به خاك اضافه شد. مرزه در كرت‌هاي آزمايشي و در شرايط گلخانه‌اي پرورش داده شد. رايحه نمونه‌ها به كمك سامانه بيني الكترونيك ارزيابي شد. به‌منظور بهبود سيگنال‌هاي خروجي بيني الكترونيك، داده‌ها به روش كسري نرمال شدند. براي تركيب ويژگي‌ها از روش تحليل مؤلفه‌هاي اصلي (PCA) و براي طبقه‌بندي آنها از شبكه عصبي مصنوعي (ANN) استفاده شد. براساس نتايج، حسگر TGS822 بهترين پاسخ را در محدوده تغييرات كود اوره مورد آزمايش از خود نشان داد. براساس نتايج تحليل مؤلفه‌هاي اصلي، PC1 و PC2 93% واريانس داده‌ها را مورد پوشش قرار دادند. همچنين ماتريس اغتشاش بهترين ساختار ANN، تفكيك 100% را نشان داد.

Summer savory (Satureja hortensis L.) is a fragrant herb in the Lamiaceae family with many medicinal properties. Today, urea fertilizer is used for growing this plant which has a great impact on its performance. However, the unnecessary use of urea fertilizer threatens consumer health. Therefore, in this research, the harvested savory plants were classified based on the amount of urea consumed by an olfactory machine. The urea was added to soil at four levels (0, 50, 100 and 150 kg ha-1). Plants were grown in experimental plots under greenhouse conditions. The fragrance of the samples was evaluated using the electronic nose system. In order to optimize the output signals of the electronic nose, the data were normalized by the fractional method. Principal component analysis (PCA) and artificial neural network (ANN) were used respectively to combine the features and classifying them. Based on the results, TGS822 sensor showed the best response in the range of urea fertilizer tested. Based on the results of PCA, PC1 and PC2 accounted for 93% of the variance. Also, the confusion matrix showed a 100% correct classification rate by the best ANN structure.