بررسی تنوع و تخمین سطح برگ در اکوتیپ‌های مختلف گیاه دارویی نعناع با استفاده از مدل‌های هوش مصنوعی و رگرسیونی تحت شرایط تنش شوری

سطح برگ یک شاخص کلیدی برای رشد و تولید محصولات گیاهیو همچنین عاملی تعیین کننده در کارایی مصرف نور محسوب می گردد، لذا بررسی تنوع و همچنین تخمین سطح برگ در اکوتیپ های مختلف نعناع از اهمیت خاصی برخوردار است. از جمله روش های معمول برای تخمین سطح برگ تجزیه و تحلیل رگرسیونی می باشد که سطح برگ به عنوان متغیر مستقل، و طول و عرض برگ به عنوان متغیر وابسته می باشند. در این مطالعه سطح برگ 18 اکوتیپ گیاه دارویی نعناع با مدل های مختلف anfis، شبکه عصبی مصنوعی (mlp وrbf)، رگرسیون های خطی و غیرخطی با استفاده از دو ورودی طول و عرض برگ در چهار سطح تنش شوری (شاهد، 2.5، 5 و 7.5 دسی زیمنس بر متر) و در دو مرحله برداشت تخمین زده شد. نتایج نشان داد که همبستگی بالایی بین طول و عرض با سطح برگ وجود دارد، به طوری که همبستگی عرض با سطح برگ بیشتر از طول برگ بود. از بین مدل های رگرسیونی در هر دو برداشت و در تمامی سطوح تنش، مدل nlr به عنوان بهترین و دقیق ترین مدل معرفی شده است. مدل anfis در هر دو مرحله برداشت و در تمامی سطوح تنش نسبت به سایر مدل ها از دقت بالاتری برخوردار بود و میزان خطای کمتری را به خود اختصاص داد. همچنین نتایج حاصل از تجزیه کلاستر نشان داد که تنوع مطلوبی بین اکوتیپ ها وجود دارد. علاوه بر این مقایسه میانگین بین گروه های مختلف حاصل از تجزیه کلاستر نشان داد که بیشترین مقدار طول، عرض و سطح برگ در هر دو مرحله برداشت و در تمام سطوح تنش شوری مربوط به اکوتیپ 18 (e18) بوده است.

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

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.