ترجمه فارسی عنوان مقاله

پیش بینی میزان تولید بذر کنجد با استفاده از شبکه عصبی مصنوعی

عنوان انگلیسی

Seed yield prediction of sesame using artificial neural network

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
52554	2015	8 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : European Journal of Agronomy, Volume 68, August 2015, Pages 89–96

فهرست مطالب ترجمه فارسی

چکیده

کلید واژه ها

1. مقدمه

2. مواد و روش ها

2.1 آزمایشات میدانی

2.2 تحلیل آماری

2.3 شبکه عصبی مصنوعی (ANN)

2.4. پرسپترون چند لایه ی (MLP)

3. نتایج و بحث

3.1 تخمین های SYS از مدل MLP / ANN

3.2 تجزیه و تحلیل رگرسیون خطی چندگانه (MLR)

3.3. مقايسه MLR با مدل MLP / ANN

3.4. تجزیه و تحلیل حساسیت

4. نتیجه گیری

جدول 1. شاخص های آماری داده های اندازه گیری شده

شکل 1. ساختار مدل MPL معمولی

جدول 2. تابع فعال سازی نورون

جدول 3. تحلیل همبستگی بین متغیرهای گیاه و SYS

جدول 4. عملکرد مدل ANN با توابع انتقال مختلف

شکل 2. تولید بذر اندازه گیری شده و پیش بینی شده از مدل ANN برای دوره آموزش

شکل 3. تولید بذر اندازه گیری شده و پیش بینی شده از مدل ANN برای دوره تست

جدول 5. عملکرد مدل ANN با لایه های پنهان مختلف

شکل 4. تولید بذر اندازه گیری شده و پیش بینی شده از مدل MLR برای دوره آموزش

شکل 5. تولید بذر اندازه گیری شده و پیش بینی شده از مدل MLR برای دوره تست

جدول 6. تحلیل حساسیت متغیرهای حاکم بر SYS

ترجمه کلمات کلیدی

برآورد عملکرد بذر - کنجد - شبکه های عصبی مصنوعی - روش رگرسیون چندگانه

کلمات کلیدی انگلیسی

Seed yield estimation; Sesame; Artificial neural networks; Multiple regression model

ترجمه چکیده

پیش بینی تولید بذر یکی از مهمترین اهداف پرورش در تحقیقات کشاورزی است. بنابراین، در این مطالعه دو روش یعنی شبکه عصبی مصنوعی (ANN) و مدل رگرسیون چندگانه (MLR) برای ارزیابی تولید بذر کنجد (SYS) از ویژگی های قابل اندازه گیری گیاه استفاده شد (به عنوان مثال، زمان گلدهی 100٪ (روز)، ارتفاع گیاه (سانتی متر)، تعداد کپسول در بوته، وزن 1000 بذر (گرم) و تعداد بذر در هر کپسول). ANN و MLR با استفاده از داده های میدانی مورد آزمایش قرار گرفتند. نتایج نشان دادند که ANN میزان SYS را به طور دقیق با خطای متوسط-مربع-خطی (RMSE) 0.339 و ضریب تعیین (R2) 0.901 پیش بینی می کند. همچنین مشخص شد که مدل ANN بهتر از مدل MLR با RMSE برابر با 0.346 تن در هکتار و R2 برابر با 0.779 عمل می کند. در نهایت، تجزیه و تحلیل حساسیت انجام شد برای تعیین بیشترین و کمترین ویژگی های تاثیرگذار بر SYS. مشخص شد که تعداد کپسول در بوته و زمان گلدهي 100٪ بيشترين و كمترين تأثير را بر روي SYS داشتند.

ترجمه مقدمه

کنجد یکی از قدیمی ترین بذرهای روغنی زراعی است و به طور گسترده ای در مناطق گرمسیری و نیمه گرمسیری آسیا رشد می کند (اشیری، 1998). هیچ توافقی در میان محققان درباره منشا کشت کنجد وجود ندارد و به نظر می رسد که این محصول بیش از یک منشا دارد. مرکز اصلی کنجد پیش بینی شده است که هلال بارور در شبه قاره هند یا منطقه ایران و افغانستان باشد (اشیری، 1998). همچنین، گونه های وحشی از این گیاه در آفریقا یافت می شوند. امروزه، دانش ما در مورد ارزش و سلامت کنجد و تقاضای جهانی برای بذر و روغن آن افزایش یافته است. کیفیت برتر روغن کنجد، که ناشی از سطح پایین اسیدهای چرب اشباع شده و همچنین فعالیت آنتی اکسیدان های طبیعی منحصر به فرد همراه با توکوفرول آن است آن را از سایر محصولات زراعی روغنی متمایز است. با این حال، کنجد دارای رتبه پایینی در تولید خوراکی جهان است چون بذر های روغنی عمدتا از ویژگی های منفی عادت رشد نامتقارن، بلوغ ناهموار کپسول، انفجار بذر، حساسیت به تنش های محیطی و عدم وجود تحقیقات کافی درباره این محصول رنج می برند (بات و همکاران، 1999). افزایش تولید بذر یکی از مهمترین اهداف پرورشی در تمام گیاهان زراعی است. تولید بذر یک ویژگی پلی ژنی و پیچیده است که به عوامل مختلفی بستگی دارد. حالت فنوتیپی آن عمدتا توسط شرایط محیطی تحت تاثیر قرار می گیرد. بدین ترتیب وراثت پذیری آن کم است. بنابراین، پاسخ به انتخاب مستقیم برای این ویژگی می تواند به سود کم منجر شود. در مقابل، انتخاب ویژگی های high-heritable مرتبط با تولید بذر چشم انداز خوبی برای افزایش تولید آن است. اجزای تولید بذر نه تنها به طور مستقیم بر تولید بذر تاثیر می گذارند بلکه به طور غیر مستقیم از طریق راه های منفی یا مثبت نیز بر تولید آن تاثیر می گذارند (سولانکی 2001؛ خان و همکاران، 2007؛ ابراهیم و خدیر، 2012). تعدادی از مطالعات سعی کرده اند تولید بذر کنجد، اجزا و خواص رشد گیاه را با استفاده از تجزیه و تحلیل چند متغیره مانند رگرسیون خطی چندگانه (MLR)، تحلیل مسیر (PA)، تحلیل عامل (FA) و سایر تکنیک ها بررسی کنند. به عنوان مثال گانش و ساکیلا (1999) و ابراهیم و خدیر (2012) از ارتباطات فنوتیپی یا ژنوتیپ ساده برای پیدا کردن ارتباط تولید بذر و ویژگی های کنجد استفاده کردند. آنها دریافتند که تولید بذر با تعداد کپسول در بوته، ارتفاع بوته، وزن بذر و زمان بلوغ رابطه مثبت دارد. ماتور (2006) از رگرسیون خطی چندگانه (MLR) برای ایجاد یک مدل بین تولید بذر کنجد و اجزء آن مانند کپسول در بوته، طول کپسول، تعداد شاخه ها، ارتفاع بوته، تعداد بذر ها در هر کپسول، وزن بذر استفاده کردند. یافته های آن ها نشان داد که تعداد کپسول ها در گیاه مهم ترین ویژگی است و می تواند میزان بالای تنوع کل تولید بذر در کنجد را توضیح دهد. بر اساس معادله پیش بینی شده برای تولید بذر شیم و همکاران. (2006) دریافتند که ارتفاع گیاه و تعداد کپسول در بوته سهم قابل توجهی را به خود اختصاص می دهند در حالی که وزن بذر هیچ تاثیری ندارد. علاوه بر این، تجزیه و تحلیل ضریب مسیر (PCA) به طور گسترده ای در پرورش کنجد مورد استفاده قرار گرفته است برای تفسیر ماهیت روابط بین تولید بذر و ویژگی های موثر بر تولید. گانش و سالیکا (1999) نیز تجزیه و تحلیل برخی از ژنوتیپ های والدین و نسل آنها در کنجد را مورد مطالعه قرار دادند و گزارش کردند که ویژگی های تعداد کپسول در بوته، ارتفاع گیاه و تعداد شاخه ها در بوته دارای اثر مستقیم مثبتی بر تولید گیاه کنجد است. همچنین بررسی ادبیات نشان می دهد بسیاری از محققین مانند شیم و همکاران (2006) و اشرف (2013) MLR را برای پیش بینی تولید بذر کنجد استفاده کردند. کمبود اصلی مدل های مبتنی بر رگرسیون این است که آنها نمی توانند رابطه بسیار غیر خطی و پیچیده بین تولید بذر و خواص گیاهان مربوطه را ضبط کنند. در مقایسه با روش های سنتی مانند مدل MLR و PA، استفاده از مدل های هوش مصنوعی (AI) مانند شبکه های عصبی مصنوعی (ANN)، برنامه نویسی ژنتیک (GEP) و سیستم استنتاج تطبیقی عصبی - فازی اخیرا توجه محققان کشاورزی را به خود جلب کرده است (شاهین فر و همکاران، 2012، امام قلی زاده و همکاران، 2013 و صمدیان و همکاران، 2014. سیلوا و همکاران، 2014؛ ایکایبل و همکاران، 2014). آلوارز (2007) از ANN برای پیش بینی میانگین تولید منطقه و تولید گندم در آرژانتین استفاده کرد. محققان دیگر ANN را به عنوان یک روش جایگزین قابل اجرا برای تبعیض و شناسایی کاملیا مورد استفاده قرار دادند. یانگ-جان و همکاران (2011) نیز از شبکه عصبی مصنوعی در انتخاب ژنوم برای بهبود محصول استفاده کردند. بارباسا و همکاران (2011) از ANN برای مطالعه تجزیه و تحلیل تنوع ژنتیکی پاپایا بر اساس مدل ارائه شده توسط کوهنن استفاده کردند. زافی زاده و همکاران (2011) نیز دو روش چندگانه رگرسیون خطی (MLR) و شبکه عصبی مصنوعی (ANN) را در پیش بینی تولید با استفاده از اجزای آن در جو بکار گرفتند. محققان دیگر ANN را بعنوان یک روش جایگزین قابل اجرا برای تمایز و شناسایی C. japonica L و ژنوتیپ چای استفاده کردند (پاندولفی و همکاران، 2009). یونگ ژوئن و همکاران (2011) ANN را در انتخاب ژنوم برای بهبود محصول استفاده کردند. هدف از این مطالعه توسعه و آزمایش مدل ANN برای پیش بینی تولید بذر کنجد (SYS) بود. شایان ذکر است که این اولین مطالعه است که توانایی بالقوه ANN برای مدل سازی تولید بذر کنجد را بررسی می کند.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

The prediction of seed yield is one of the most important breeding objectives in agricultural research. So, in this study, two methods namely artificial neural network (ANN) and multiple regression model (MLR) were employed to estimate the seed yield of sesame (SYS) from readily measurable plant characters (e.g., flowering time of 100% (days), the plant height (cm), the capsule number per plant, the 1000-seed weight (g) and the seed number per capsule). The ANN and MLR were tested using field data. Results showed that the ANN predicts the SYS accurately with a root-mean-square-error (RMSE) of 0.339 t/ha and a determination coefficient (R2) of 0.901. Also, it was found that the ANN model performed better than the MLR model with a RMSE of 0.346 t/ha, and R2 of 0.779. Finally, sensitivity analysis was conducted to determine the most and the least influential characters affecting SYS. It was found that the capsule number per plant and the flowering time of 100% had the most and least significant effects on SYS, respectively.