ارزیابی بهینه‌سازی مولفه‌های پرتودهی بذر با فراصوت برای افزایش بنیه گیاه‌چه ماش (vigna radiata) توسط شبکه عصبی مصنوعی

مقدمه: شواهد آزمایشی زیادی نشان‌گر تاثیر مثبت پرتودهی بذر با موج‌های فراصوت می‌باشد؛ به طوری که این پرتودهی می‌تواند باعث تولید گیاه‌چه قوی‌تر شود. در مقابل، پرتودهی با شدت و مدت نامناسب می‌تواند از طریق تاثیر مخرب بر فعالیت آنزیمی، تاثیری زیان‌بار بر گیاه‌چه به‌جای گذارد. بین مولفه‌های پرتودهی (مدت خیساندن بذر قبل از پرتودهی، مدت و دمای پرتودهی) با یک‌دیگر و با متغیرهای پاسخ (وزن خشک گیاه‌چه و درصد گیاه‌چه‌های غیرطبیعی) رابطه پیچیده‌ای وجود دارد. از این رو نمی‌توان با مقایسه میانگین، یک ترکیب‌تعادلی دقیق را برای حصول مقادیر مطلوب وزن خشک گیاه‌چه و درصد گیاه‌چه‌های غیرطبیعی به‌دست آورد. هدف از این بررسی، بهینه‌سازی (پیدا کردن ترکیب تعادلی) مولفه‌های پرتودهی برای حصول وزن خشک زیادتر گیاه‌چه و درصد کم‌تر گیاه‌چه‌های غیرطبیعی در ماش با استفاده از شبکه عصبی مصنوعی بود.مواد و روش‌ها: آزمایش به صورت فاکتوریل در قالب طرح پایه کاملاً تصادفی با سه تکرار انجام شد که در آن، فاکتورها شامل شش مدت خیساندن بذر (دو، چهار، شش، هشت، ده و دوازده ساعت) قبل از پرتودهی، پنج مدت پرتودهی (صفر، سه، شش، نه و دوازده دقیقه) و چهار دمای پرتودهی (17، 22، 27 و 32 درجه سلسیوس) بود. 25 عدد بذر برای هر ظرف پتری انتخاب گردید. برای کمی کردن روابط بین متغیرها از شبکه عصبی چند لایه پرسپترون استفاده شد که در آن، فاکتورهای آزمایش به عنوان ورودی (متغیرهای تاثیرگذار)، و درصد گیاه‌چه‌های غیر طبیعی و وزن خشک گیاه‌چه به عنوان خروجی مدل (متغیرهای پاسخ) در نظر گرفته شدند.یافته‌ها: نتایج تجزیه واریانس نشان داد که اثرات ساده و برهمکنش فاکتورها بر وزن خشک گیاه‌چه و درصد گیاه‌چه‌های غیر طبیعی معنی‌دار بود. ساختار 3:3:2 مدل شبکه عصبی مبتنی بر تابع فعال‌سازی سکانت هایپربولیک مناسب به‌دست آمد. وزن خشک گیاه‌چه و درصد گیاه‌چه‌های غیر طبیعی از لحاظ میزان مشارکت فاکتورها در توجیه تغییرات آنها تفاوت قابل اغماضی داشتند؛ ترتیب اولویت فاکتورها از نظر تحت تاثیر قرار دادن این صفات به صورت مدت پرتودهی> دمای پرتودهی> مدت خیساندن بذر بود. ترکیب تعادلی مولفه‌های به‌دست آمده توسط شبکه عصبی شامل دمای پرتودهی 17.96 درجه سلسیوس، مدت پرتودهی 5.3 دقیقه و خیساندن 11.25 ساعته بذر بود که در مقایسه با دو ترکیب تعادلی به‌دست آمده توسط مقایسه میانگین، وزن خشک گیاه‌چه 27% بالاتر و درصد گیاه‌چه‌های غیرطبیعی 0.6% پایین‌تر به‌دست آمد.نتیجه‌گیری: به لحاظ شدت بالای برهمکنش مولفه‌های پرتودهی بر رشد گیاه‌چه، با تغییر کمیت هر مولفه، اثر مولفه (های) دیگر نیز تغییر شدیدی می‌یابد. از لحاظ یافتن بهترین ترکیب مولفه‌های پرتودهی، شبکه عصبی کارآمدتر از مقایسه میانگین بود. از این رو می‌توان از شبکه عصبی به عنوان روش تکمیلی در این‌گونه بررسی‌ها استفاده نمود. بهترین ترکیب تیماری شامل دمای حدود 17.96 درجه سلسیوس، خیساندن 11.25 ساعت و پرتودهی به مدت 5.3 دقیقه بود.

Evaluating the optimization of irradiation components of mung bean seeds with ultrasound for increased seedling vigor, using artificial neural network

Extended Abstract  Introduction: A large number of experimental evidence indicates the positive effect of irradiating the seed with ultrasonic waves; so that irradiation causes the production of a more vigorous seedling. Conversely, inappropriate intensity and duration of irradiation can impose deleterious effects on seedlings by damaging the enzymatic activity. There are complex interand intrarelations between irradiation components (presoaking duration, temperature, and duration of irradiation) and response variables [seedling dry weight (SDW) and percent of abnormal seedlings (PAS)]. Therefore the balance values of the irradiation components cannot be precisely obtained by mean comparison. This study aimed to optimize (finding the balance values of) irradiation components for increased SDW, but diminished PAS of mung bean, using an artificial neural network. Materials and Methods: A factorial experiment was conducted based on a completely randomized design with three replications. The factors were six presoaking durations (2, 4, 6, 8, 10, and 12 hours), 5 irradiation durations (0, 3, 6, 9 and 12 minutes), and 4 irradiation temperatures (17, 22, 27, and 32 oC). The 25 seeds were chosen for each petri dish. The multilayer perceptron neural network was used to quantify the relations between variables; the experimental factors were used as the input (regressors), and PAS and SDW as the output of the model (response variables).Results: The analysis of variance results indicated that the simple and interactive effects of factors were significant on PAS and SDW. The structure 3:3:2 of the neural network, which is based on Secant Hyperbolic function, was suitable. The SDW and PAS were negligibly different for the contribution of the factors in determining their changes. In terms of relative contribution, the factors ranked from higher to lower as irradiation duration, irradiation temperature, and presoaking duration. The optimized values of components of irradiation by the neural network were irradiation temperature of 17.96 oC, irradiation duration of 5.3 minutes, and presoaking duration of 11.25 hours. For these components, SDW was 27% higher, and PAS tended to be 0.6% lower, compared to the best component combination gotten by mean comparison.Conclusion: Due to the highly strong interaction of irradiation components on seedling growth, the effect of component (s) tends to be changed intensively with changing the quantity of each component. In terms of finding the best combination of irradiation components, the neural network was more efficient than the mean comparison. Therefore, the neural network could be used as a complementary procedure in such investigations.Highlights:1 Irradiation components including irradiation duration and temperature, and presoaking duration affected seedling growth.2 Inappropriate irradiation components diminished seedling growth to the below of noirradiation conditions.3 The optimum (balanced) levels of irradiation components increased seedling growth remarkably.