کاربرد شبکه عصبی مصنوعی جهت پیش بینی مقاومت به سرمای نشاهای گوجه فرنگی پس از پیش تیمار تنش خشکی

دمای پایین منجر به آسیب های فیزیولوژیکی به سلول گیاهان حساس به سرمازدگی و از بین رفتن محصولات گرمسیری و نیمه گرمسیری می شود. در این مطالعه مدل سازی شبکه عصبی مصنوعی به منظور پیش بینی اثر تنش سرما بر نشاء گوجه فرنگی بعد از اعمال پیش تیمار خشکی با 0، 10 و 20 درصد پلی اتیلن گلیکول استفاده گردید. امکان افزایش تحمل تنش سرمایی در نشاهای گوجه فرنگی با کاربرد پلی اتیلن گلیکول بررسی و پس از اعمال تنش سرما به مدت 6 ساعت در روز به مدت6 روز متوالی و در دمای 3 درجه سلسیوس، داده ها جمع آوری گردید. به منظور پیش بینی اثر تنش سرما بر خصوصیات نشاء گوجه فرنگی از شبکه عصبی پرسپترون چندلایه پیش خور با 2 ورودی (اثر تنش خشکی و اثر تنش سرمایی) و 8 خروجی (کلروفیل a، کلروفیل b، فنل کل، محتوای آب نسبی، فلورسانس کمینه، فلورسانس بیشینه، نشت یونی ریشه و پرولین) استفاده شد. نتایج نشان داد شبکه ای با تعداد 7 نرون در یک لایه پنهان و با استفاده از تابع فعال سازیتانژانت هیپربولیکو روش بهینه سازی لیونبرگ مارکوت و درصد داده های مورداستفاده برای تربیت/ آزمون/ ارزیابی برابر 40/20/40 می توان اثر تنش خشکی بر میزان مقاومت به سرمای نشاهای گوجه فرنگی را با میانگین ضریب همبستگی برابر 0.92 تخمین زد. بر اساسنتایج آنالیز حساسیت توسط شبکه عصبی بهینه، شدت تنش خشکی اعمال شده با پلی اتیلن گلیکول موثرترین عامل در تخمین تحمل به سرما و خصوصیات فیزیولوژیکی گوجه فرنگی می باشد.