@ARTICLE{Tahmasebi-sarvestani, author = {Hosseini, seyed jaber and Tahmasebi-sarvestani, Zeinolabedin and Pirdashti, Hematolahe and Modarres sanavi, Seyed ali mohammad and Mokhtassi-bidgoli, Ali and Hazrati, Saeid and }, title = {Study of Diversity and Estimation of Leaf Area in Different Mint Ecotypes Using Artificial Intelligence and Regression Models under Salinity Stress Conditions}, volume = {11}, number = {32}, abstract ={سطح برگ یک شاخص کلیدی برای رشد و تولید محصولات گیاهیو همچنین عاملی تعیین ­کننده در کارایی مصرف نور محسوب می­گردد، 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، 5/2، 5 و 5/7 دسی­زیمنس­بر­متر) 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. }, URL = {http://jcb.sanru.ac.ir/article-1-1046-fa.html}, eprint = {http://jcb.sanru.ac.ir/article-1-1046-fa.pdf}, journal = {Journal of Crop Breeding}, doi = {10.29252/jcb.11.32.59}, year = {2019} }