توسعه یک مدل مبتنی بر شبکه عصبی مصنوعی برای تخمین میزان آهن فعال در برگ انگور

آهن یک عنصر ضروری در فرآیند رشد گیاهان است که نقش حیاتی در تولید کلروفیل دارد. کمبود آهن یکی از محدودیت‌های جدی در باغ‌های انگور است که می‌تواند عملکرد و کیفیت محصول را به طور قابل توجهی تحت تاثیر قرار دهد. استفاده از روش‌های نوین مانند پردازش تصویر دیجیتال، علاوه بر دقت بالا، با کاهش نیاز به انجام آزمایش‌های گران‌قیمت و وقت‌گیر آزمایشگاهی، موجب کاهش هزینه‌ها و تسریع فرایند تصمیم‌گیری مبتنی بر داده در مدیریت باغ می‌شود. هدف این مطالعه توسعه یک سامانه مبتنی پردازش تصویر و شبکه عصبی برای تخمین آهن فعال موجود در برگ گیاه انگور است. بدین منظور، 55 نمونه برگ با سطوح مختلف کمبود آهن از باغ‌های اطراف شهرستان ارومیه جمع‌آوری و مورد آزمایش قرار گرفت. میزان آهن کل و آهن فعال در نمونه‌ها با استفاده از روش جذب اتمی اندازه‌گیری شده و تصاویر برگ‌ها در شرایط نوری کنترل شده ثبت و مورد پردازش قرار گرفتند. ویژگی‌های آماری از تصاویر استخراج و همبستگی آنها با مقادیر آهن فعال و آهن کل مورد بررسی قرار گرفت. در نهایت ویژگی‌های برتر برای پیش‌بینی میزان آهن با استفاده از شبکه عصبی مصنوعی چند لایه استفاده شد. نتایج رگرسیون خطی نشان داد که میزان آهن فعال برگ با مولفه‌های رنگی r، g، h و s به ترتیب دارای همبستگی 0.64، 0.58 و 0.54 و 0.45 است ولی مقدار آهن کل دارای همبستگی با تغییرات رنگ برگ نیست. مدل شبکه عصبی با ساختار بهینه 1-9-8 قادر به پیش‌بینی داده‌های بدست آمده از دستگاه جذب اتمی با دقت 0.83، 0.88 و 0.84 به‌ترتیب برای داده‌های آموزش، تست و کل داده‌ها بود. در نهایت می‌توان نتیجه گرفت که روش پردازش تصویر به عنوان یک ابزار موثر و قابل اعتماد در مدیریت بهینه تغذیه گیاهان و تشخیص سریع کمبود آهن می‌تواند مورد استفاده قرار گیرد.

development of an artificial neural network-based model for estimating the active iron content in grape leaves

iron is an essential element in the growth process of plants and plays a crucial role in chlorophyll production. iron deficiency is a serious limitation in vineyards that can significantly affect both the yield and the quality of the crop. the use of modern methods such as digital image processing not only increases precision but also reduces the need for costly and time-consuming laboratory testing, thereby lowering costs and speeding up data-driven decision-making processes in orchard management. the aim of this study is to develop a system based on image processing and neural networks to estimate the active iron content in grape leaves. for this purpose, 55 leaf samples with different levels of iron deficiency were collected and analyzed from vineyards around urmia. the total and active iron content in the samples was measured using atomic absorption spectroscopy and the leaves were photographed and processed under controlled light conditions. statistical features were extracted from the images and their correlation with active and total iron content was analyzed. finally, the best features were used to predict iron content using a multilayer artificial neural network. the results of the linear regression show that active iron correlates with the r, g, h, and s color channels with coefficients of 0.64, 0.58, 0.54, and 0.45, respectively, and that total iron does not correlate with the changes in leaf color. the neural network with an optimized structure of 8-9-1 was able to predict the data from the atomic absorption device with an accuracy of 0.83, 0.88, and 0.84 for training, test, and all data, respectively. in summary, image processing can be effectively and reliably used as a tool for optimal plant nutrition management and rapid diagnosis of iron deficiency.