كليدواژه :
الگوريتم ژنتيك , زيتون , شبكه عصبي , شوري , مقاومت روزنه‌اي
چكيده فارسي :
مقاومت روزنه‌اي نقش مهمي در تبادلات آبي گياه و ميزان فتوسنتز در شرايط تنش دارد و يكي از پارامترهاي كليدي در بسياري از مدل‌هاي اكولوژيكي و بيولوژيكي است. در اين پژوهش، مقادير بهينة پارامترهاي مؤثر بر مقاومت روزنه‌اي زيتون بر‌اساس دست‌يابي به حداكثر مقاومت روزنه‌اي تعيين شد. سطوح شوري (0، 25، 50 و 100 ميلي‌مول در ليتر كلريد سديم)، درصد عناصر برگ (كلر، سديم، پتاسيم، كلسيم، فسفر، منيزيم)، نسبت K/Na، وزن تر برگ (mg)، سطح برگ (cm2)، ميزان آب نسبي برگ (درصد) و نسبت سطح برگ (cm2/g) به‌عنوان پارامترهاي مؤثر بر مقاومت روزنه‌اي زيتون در نظر گرفته شد. مقاومت روزنه‌اي با استفاده از مدل شبكة عصبي تابع پاية شعاعي (RBF) به‌صورت تابعي از متغيرهايي مدل شد كه قبلاً ليست شد. نتايج پيش‌بيني‌شده نشان داد كه شبكة عصبي توانسته است عملكرد خوبي فراهم كند، زيرا نتايج پيش‌بيني‌شده مطابق نتايج اندازه‌گيري‌شده بودند. بيشترين درصد خطا بين داده‌هاي آزمايشگاهي و پيش‌بيني‌شدة كمتر از 2/57 درصد و ضريب همبستگي بين آن‌ها 994/0 شد. همچنين، مقايسة آماري بين داده‌هاي آزمايشگاهي و پيش‌بيني‌شده نشان‌دهندة قابليت اطمينان پيش‌بيني‌ها با مدل شبكة عصبي RBF بود. شبكة عصبي آموزش‌ديده به‌عنوان تابع هدف براي دست‌يابي به پارامترهاي بهينه با استفاده از الگوريتم ژنتيك استفاده شد. به‌ترتيب مقادير بهينه براي اولين تا آخرين پارامترها در 100، 0/15، 0/57، 0/78، 0/32، 0/06، 0/17، 1/29، 26/63، 5/03، 0/76 و 72/89 به‌دست آمد.
چكيده لاتين :
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.
