بررسي تنوع و تخمين سطح برگ در اكوتيپ‌هاي مختلف گياه دارويي نعناع با استفاده از مدل‌هاي هوش مصنوعي و رگرسيوني تحت شرايط تنش شوري

Study of Diversity and Estimation of Leaf Area in Different Mint Ecotypes Using Artificial Intelligence and Regression Models under Salinity Stress Conditions

سطح برگ يك شاخص كليدي براي رشد و توليد محصولات گياهيو همچنين عاملي تعيين ­كننده در كارايي مصرف نور محسوب مي­گردد، لذا بررسي تنوع و همچنين تخمين سطح برگ در اكوتيپ ­هاي مختلف نعناع از اهميت خاصي برخوردار است. از جمله روش­ هاي معمول براي تخمين سطح برگ تجزيه و تحليل رگرسيوني مي ­باشد كه سطح برگ به­ عنوان متغير مستقل، و طول و عرض برگ به­ عنوان متغير وابسته مي ­باشند. در اين مطالعه سطح برگ 18 اكوتيپ گياه دارويي نعناع با مدل ­هاي مختلف ANFIS، شبكه عصبي مصنوعي (MLP وRBF)، رگرسيون ­هاي خطي و غيرخطي با استفاده از دو ورودي طول و عرض برگ در چهار سطح تنش شوري (شاهد، 5/2، 5 و 5/7 دسي­زيمنس­بر­متر) و در دو مرحله برداشت تخمين زده شد. نتايج نشان داد كه همبستگي بالايي بين طول و عرض با سطح برگ وجود دارد، به­ طوري كه همبستگي عرض با سطح برگ بيشتر از طول برگ بود. از بين مدل ­هاي رگرسيوني در هر دو برداشت و در تمامي سطوح تنش، مدل NLR به­ عنوان بهترين و دقيق ­ترين مدل معرفي شده است. مدل ANFIS در هر دو مرحله برداشت و در تمامي سطوح تنش نسبت به ساير مدل­ ها از دقت بالاتري برخوردار بود و ميزان خطاي كمتري را به ­خود اختصاص داد. همچنين نتايج حاصل از تجزيه كلاستر نشان داد كه تنوع مطلوبي بين اكوتيپ ­ها وجود دارد. علاوه ­بر اين مقايسه ميانگين بين گروه ­هاي مختلف حاصل از تجزيه كلاستر نشان داد كه بيشترين مقدار طول، عرض و سطح برگ در هر دو مرحله برداشت و در تمام سطوح تنش شوري مربوط به اكوتيپ 18 (E18) بوده است.

Leaf area is a key indicator for the growth and production of plant products and also determines the efficiency of light consumption. Therefore, the study of diversity and also the estimation of leaf area in different mint ecotypes is particular importance. One of the common methods for estimating leaf area is regression analysis, the leaf area as independent variable, and leaf length and width as dependent variable. In this study, leaf area of ​​18 mint ecotypes with different models of ANFIS, artificial neural network (MLP and RBF), linear and nonlinear regressions using two inputs of leaf length and width in four levels of salinity stress (control, 2.5, 5 and 7.5 dS/m) were estimated in two levels of harvesting. The results showed that there is a high correlation between length and width with leaf area, so that the width correlation with leaf area was greater than leaf length. Among the regression models in both harvest levels and at all levels of salinity stress, the NLR model is presented as the best and most accurate model. ANFIS model was harvested in both stages and at all levels of stress was more accurate than other models and less error rate was obtained. Also, the results of cluster analysis showed that there is a good variation between ecotypes. In addition, the mean comparison between different cluster analysis groups showed that the highest amount of length, width and leaf area was taken in both stages and at all levels of salinity stress was related to E18.