جلد 8، شماره 2 - ( (پاییز و زمستان) 1400 )                   سال1400، جلد8 شماره 2 صفحات 80-69 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Skandarnejad S, Gholipoor M, Makarian H. Evaluating the optimization of irradiation components of mung bean seeds with ultrasound for increased seedling vigor, using artificial neural network. Iranian J. Seed Res.. 2022; 8 (2) :69-80
URL: http://yujs.yu.ac.ir/jisr/article-1-176-fa.html
اسکندرنژاد شمس الدین، قلی پور منوچهر، مکاریان حسن. ارزیابی بهینه‌سازی مؤلفه‌های پرتودهی بذر با فراصوت برای افزایش بنیه گیاه‌چه ماش (Vigna radiata) توسط شبکه عصبی مصنوعی. پژوهشهای بذر ایران. 1400; 8 (2) :80-69

URL: http://yujs.yu.ac.ir/jisr/article-1-176-fa.html


دانشگاه شاهرود ، manouchehr.gholipoor@gmail.com
چکیده:   (1273 مشاهده)

چکیده مبسوط
 مقدمه: شواهد آزمایشی زیادی نشان‌گر تأثیر 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 تأثیر مخرب بر فعالیت آنزیمی، تأثیری زیان‌بار بر گیاه‌چه به‌جای گذارد. بین مؤلفه‌های 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) مؤلفه‌های 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 تأثیرگذار)، 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 تأثیر قرار دادن این صفات به صورت مدت پرتودهی> دمای پرتودهی> مدت خیساندن بذر بود. ترکیب تعادلی مؤلفه‌های به‌دست آمده توسط شبکه عصبی شامل دمای پرتودهی 96/17 درجه سلسیوس، مدت پرتودهی 3/5 دقیقه و خیساندن 25/11 ساعته بذر بود که در مقایسه با دو ترکیب تعادلی به‌دست آمده توسط مقایسه میانگین، وزن خشک گیاه‌چه 27% بالاتر و درصد گیاه‌چه‌های غیرطبیعی 6/0% پایین‌تر به‌دست آمد.
 نتیجه‌گیری: به لحاظ شدت بالای برهمکنش مؤلفه‌های پرتودهی بر رشد گیاه‌چه، با تغییر کمیت هر مؤلفه، اثر مؤلفه (های) دیگر نیز تغییر شدیدی می‌یابد. از لحاظ یافتن بهترین ترکیب مؤلفه‌های 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 96/17 درجه سلسیوس، خیساندن 25/11 ساعت و پرتودهی به مدت 3/5 دقیقه بود.

جنبه‌های نوآوری:

  1. مولفه‌های پرتودهی شامل دما و مدت پرتودهی و مدت خیساندن بذر رشد گیاهچه را متأثر نمودند.
  2. سطوح نامناسب مؤلفه‌های پرتودهی بذر، رشد گیاه‌چه را به کمتر از شرایط بدون پرتودهی تقلیل داد.
  3. سطوح مطلوب (تعادلی) مؤلفه‌های پرتودهی بذر افزایش قابل توجهی در رشد گیاهچه ایجاد نمود.
شماره‌ی مقاله: 5
متن کامل [PDF 417 kb]   (198 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فیزیولوژی بذر
دریافت: 1400/1/20 | پذیرش: 1400/7/11

فهرست منابع
1. Alvandian, S., Vahedi, A. and Taghizadeh, R. 2013. Study of ultrasonic waves and low temperature effects on germination of myrtle (Myrtus communis). Journal of Seed Research, 3(3): 21-31. [In Persian with English Summary].
2. Babaei, A., Alebrahim, M.T., MacGregor, D.R., Khatami, A. and Hasani_Nasab, R. 2020. Evaluation of ultrasound technology to break seed dormancy of common lambsquarters (Chenopodium album). Food Science and Nutrition, 8(6): 2662-2669. [DOI:10.1002/fsn3.1547] [PMID] [PMCID]
3. Bar, R. 1988. Ultrasound-enhanced bioprocesses: cholesterol oxidation by Rhodococcus erythropolis. Biotechnology and Bioengineering, 32: 655- 663. [DOI:10.1002/bit.260320510] [PMID]
4. Barton, S., Bullock, C. and Weir, D. 1996. The effects of ultrasound on the activities of some glucosidase enzymes of industrial importance. Enzyme and Microbial Technology, 18(3): 190-194. [DOI:10.1016/0141-0229(95)00092-5]
5. Bewley, J.D. and Black, M. 1982. Physiology and biochemistry of seeds in relation to germination: volume 2: viability, dormancy, and environmental control. Springer Science & Business Media. [DOI:10.1007/978-3-642-68643-6_2]
6. Bommannan, D., Menon, G.K., Okuyama, H., Elias, P.M. and Guy, R.H. 1992. Sonophoresis: II Examination of the mechanism(s) of ultrasound enhanced transdermal drug delivery. Pharmaceutical Research, 9(8): 1043-1047. [DOI:10.1023/A:1015806528336] [PMID]
7. Bonto, A.P., Tiozon Jr, R.N., Sreenivasulu, N. and Camacho, D.H. 2021. Impact of ultrasonic treatment on rice starch and grain functional properties: A review. Ultrasonics Sonochemistry, 71: 105383. [DOI:10.1016/j.ultsonch.2020.105383] [PMID] [PMCID]
8. Chang, D.H. and Islam, S. 2000. Estimation of soil physical properties using remote sensing and artificial neural network. Remote Sensing of Environment, 74: 534-544. [DOI:10.1016/S0034-4257(00)00144-9]
9. Drummond, S.T., Sudduth, K.A., Joshi, A., Birrell, S.J. and Kitchen, N.R. 2003. Statistical and neural methods for site-specific yield prediction. Transactions of the American Society of Agricultural and Biological Engineers (ASABE), 46(1): 5-14. [DOI:10.13031/2013.12541]
10. Fariabi, A., Zarmanesh, H., Keshvari, M. and Abdoli, N. 2009. Effect of ultrasonic waves on physiological and morphological processes of germination in bell pepper (Capsicum annum) and radish (Rhaphnus sativus). Proceedings of first national symposium of seed science and technology, Gorgan, Iran. [In Persian with English Summary].
11. Gholipoor, M., Emamgholizadeh, S., Hassanpour, H., Shahsavani, D., Shahoseini, H., Baghi, M. and Karim, A. 2012. The optimization of root nutrient content for increased sugar beet productivity using an artificial neural network. International Journal of Plant Production, 6: 429-442.
12. Gholipoor, M., Rohani, A. and Torani, S. 2013. Optimization of traits to increasing barley grain yield using an artificial neural network. International Journal of Plant Production, 7(1): 1-18.
13. Goussous, S.J., Samarah, N.H., Alqudah, A.M. and Othman, M.O. 2010. Enhancing seed germination of four crops species using an ultrasonic technique. Experimental Agriculture, 46(2): 231-242. [DOI:10.1017/S0014479709991062]
14. Green, T.R., Salas, J.D., Martinez, A. and Erskine, R.H. 2007. Relating crop yield to topographic attributes using spatial analysis neural networks and regression. Geoderma, 139(1): 23-37. [DOI:10.1016/j.geoderma.2006.12.004]
15. Huang, Y., Lan, Y., Thomson, S.J., Fang, A., Hoffmann, W.C. and Lacey, R.E. 2010. Development of soft computing and applications in agricultural and biological engineering. Computer, Electronic and Agriculture, 71: 107-127. [DOI:10.1016/j.compag.2010.01.001]
16. Jin, Y.Q., and Liu, C. 1997. Biomass retrieval from high-dimensional active/passive remote sensing data by using artificial neural networks. International Journal of Remote Sensing 18(4): 971-979. [DOI:10.1080/014311697218863]
17. Kashi, H., Emamgholizadeh, S., Ghorbani, H. and Hashemi, A.I. 2013. Estimation of soil Infiltration in agricultural and pasture lands using artificial neural networks and multiple regressions. Journal of Environmental Erosion Researches, 9: 42-56. [In Persian with English Summary].
18. Kaul, M., Hill, R.L. and Walthall, C. 2005. Artificial neural networks for corn and soybean yield prediction. Agricultural Systems, 85(1): 1-18. [DOI:10.1016/j.agsy.2004.07.009]
19. Lib, Y., Pana, D., Caoa, J., Liua, L., Zhoucd, X. and Barbae, F.J. 2020. Characterizing physicochemical, nutritional and quality attributes of wholegrain Oryza sativa L. subjected to high intensity ultrasound-stimulated pre-germination. Food Control, 108: 106827. [DOI:10.1016/j.foodcont.2019.106827]
20. Liu, Y., Takatsuki, H., Yoshikoshi, A., Wang, B.C. and Sakanishi, A. 2003. Effects of ultrasound on the growth and vacuolar H+-ATPase activity of aloe arborescens callus cells. Colloids and Surfaces (Biointerfaces), 32(2): 105-116. [DOI:10.1016/S0927-7765(03)00150-4]
21. Machikowa, T., Kulrattanarak, T. and Wonprasaid, S. 2013. Effects of ultrasonic treatment on germination of synthetic sunflower seeds. International Journal of Agricultural, Biosystems Science and Engineering, 7(1): 1-3.
22. Miano, A.C., Sabadoti, V.D. and Augusto P.E.D. 2019. Combining ionizing irradiation and ultrasound technologies: effect on beans hydration and germination. Journal of Food Science, 84: 3179-3185. [DOI:10.1111/1750-3841.14819] [PMID]
23. Park, S.J., Hwang, C.S. and Vlek, P.L.G. 2005. Comparison of adaptive techniques to predict crop yield response under varying soil and land management conditions. Agricultural Systems, 85: 59-81. [DOI:10.1016/j.agsy.2004.06.021]
24. Pitt, W.G. and Ross, S.A. 2003. Ultrasound increases the rate of bacterial cell growth. Biotechnology Progress, 19(3): 1038-1044. [DOI:10.1021/bp0340685] [PMID] [PMCID]
25. Polachini, T.C., Mulet, A., Telis-Romero, J. and Cárcel, J.A. 2019. Influence of high-intensity ultrasound application on the kinetics of sugar release from acid suspensions of artichoke (Cynara scolymus) biomass. Chemical Engineering and Processing-Process Intensification, 145: 107-113. [DOI:10.1016/j.cep.2019.107681]
26. Rajabian, S. 2012. Effect of ultrasonic waves and pseudomonas bacteria on growth and growth and yield of corn. MSc thesis, Shahrood University of Technology, Shahrood, Iran. [In Persian with English Summary].
27. Rohani, A., Rangbar, A., Abbasporfard, M.H., Ajabshirchi, Y. and Valizadeh, M. 2009. Prediction of repair and maintenance costs for two-wheel drive tractor using artificial neural network and comparison with regression. Journal of Natural Resources and Agricultural Sciences, 16: 1-12 [In Persian with English Summary].
28. Salehzadeh, H., Gholipoor, M., Abbasdokht, H., Baradaran, M. 2016. Optimizing plant traits to increase yield quality and quantity in tobacco using artificial neural network. International Journal of Plant Production, 10: 97-108.
29. Wang, J., Bian, Z., Wang, S. and Zhang, L. 2020. Effects of ultrasonic waves, microwaves, and thermal stress treatment on the germination of Tartary buckwheat seeds. Journal of Food Process Engineering, 43: e13494. [DOI:10.1111/jfpe.13494]
30. Yaldagard, M., Mortazavi, S.A. and Tabatabaie, F. 2008a. Influence of ultrasonic on the germination of barley seed and its alpha-amylase. African Journal of Biotechnology, 7: 2456-2471.
31. Yaldagard, M., Mortazavi, S.A. and Tabatabaie, F. 2008b. The effect of ultrasound in combination with thermal treatment on the germinated barley's alpha-amylase activity. Korean Journal of Chemical Engineering, 25(3): 517-523. [DOI:10.1007/s11814-008-0087-1]
32. Zhang, W.J. and Barrion, A.T. 2006. Function approximation and documentation of sampling data using artificial neural networks. Environmental Monitoring and Assessment, 122(1): 185-201. [DOI:10.1007/s10661-005-9173-6] [PMID]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله پژوهشهای بذر ایران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2022 CC BY-NC 4.0 | Iranian Journal of Seed Research

Designed & Developed by : Yektaweb

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.