Supervised and unsupervised machine learning approaches for prediction and geographical discrimination of Iranian saffron ecotypes based on flower-related and phytochemical attributes.

رویکردهای یادگیری ماشینی تحت نظارت و بدون نظارت برای پیش‌بینی و تمایز جغرافیایی اکوتیپ‌های زعفران ایران بر اساس ویژگی‌های مرتبط با گل و فیتوشیمیایی.

بروزرسانی اردیبهشت 10, 1404

ثبت کننده سارا کردستانی

تعداد بازدید 21

یک آزمایش مزرعه ای دو ساله (2014-2016؛ زنجان، ایران) برای پایش الگوی تنوع بالقوه و قدرت سازگاری در بین 18 اکوتیپ زعفران ایرانی در شرایط اقلیمی زنجان با استفاده از هفت صفت مرتبط با گل و سه صفت کیفی (کروسین، پیروکروسین و سافرانال) انجام شد. تعیین شده توسط طیف مرئی UV)، و با رویکردهای نظارت شده و بدون نظارت تجزیه و تحلیل شد.

طیف وسیعی از تنوع در بین اکوتیپ‌ها ثبت شد و علی‌رغم برخی استثناها، به طور کلی، بنه‌های زعفران مقادیر بیشتری از ویژگی‌های مورد مطالعه را در سال دوم تولید کردند. اکوتیپ فیض آباد برای کسب حداکثر معیارهای کیفی (دسته I؛ بر اساس سیستم درجه بندی ISO Normative 3632) توصیه شد، در حالی که برای پارامترهای مربوط به گل چندین اکوتیپ (مانند قاین، بردسکن، تربت جام و گناباد) برای زنجان اعمال شد. شرایط اقلیمی بر اساس نتایج Leave-One-Out Cross-Validation (LOOCV)، مقادیر پیش بینی مختلف برای هر 10 طبقه بندی کننده LDA، QDA، FDA، MDA، RDA، Naive Bayes، Decision Tree، Linear SVM، Radial SVM، و محاسبه شد.

جنگل تصادفی از نظر پارامترهای دقت، حساسیت و ویژگی. در این میان جنگل تصادفی و LDA با مقادیر 91/0 و 78/0 به ترتیب دارای بیشترین و کمترین میزان دقت بودند. در نهایت، با توجه به بالاترین مقدار دقت مدل طبقه‌بندی برتر جنگل تصادفی، هر دو زیرمجموعه ویژگی «FFW، FDW، Picrocrocin، Safranal و Crocin» و «SFW، FDW، Picrocrocin، Safranal و Crocin» به عنوان بیشترین‌ها انتخاب شدند. عناصر قدرتمند (در مقایسه با 1021 زیرمجموعه ویژگی باقیمانده) برای ایجاد تمایز دقیق بین خراسان و اکوتیپ های زعفران غیر خراسانی. نتایج به طور کلی نشان داد که اکوتیپ‌های زعفران در شرایط اقلیمی زنجان واکنش‌های متفاوتی را دنبال می‌کنند و جنگل تصادفی برای پیش‌بینی دقیق بنه‌های زعفران از منشأهای مختلف مناسب‌تر است.

 

A two-year field experiment (2014–2016; Zanjan, Iran) was conducted to monitor potential diversity pattern and adaptability power among 18 Iranian saffron ecotypes under Zanjan climatological conditions using seven flower-related and three qualitative traits (crocin, picrocrocin, and safranal, determined by UV–visible spectra), and analyzed by supervised and unsupervised approaches. A range of variability was recorded among the ecotypes, and despite some exceptions, overall, saffron corms produced higher amounts of studied features across the second year.

The Feizabad ecotype was recommended to acquire maximum qualitative criteria (category I; based on ISO Normative 3632 grading system), while for flower-related parameters several ecotypes (e.g., Ghaien, Bardeskan, Torbat-Jam, and Gonabad) could be applied for Zanjan climatological conditions. Based on the results of Leave-One-Out Cross-Validation (LOOCV), various prediction values were computed for all 10 classifiers of LDA, QDA, FDA, MDA, RDA, Naive Bayes, Decision Tree, Linear SVM, Radial SVM, and Random Forest in terms of accuracy, sensitivity and specificity parameters. Among which, Random Forest and LDA with the values of 0.91 and 0.78 possessed the highest and the lowest amounts of accuracy, respectively.

Finally, considering the highest accuracy value of the superior classification model of Random forest, both feature subsets of “FFW, FDW, Picrocrocin, Safranal, and Crocin” and “SFW, FDW, Picrocrocin, Safranal, and Crocin” were nominated as the most powerful elements (comparing to the remaining 1021 feature subsets) to make accurate discrimination between Khorasan and non-Khorasan saffron ecotypes. The results, overall, revealed that saffron ecotypes followed different responses under Zanjan climatological circumstances, and Random Forest is more suitable for accurately predicting saffron corms from different provenances.

  • عنوان مقاله: کشت و اصلاح تولید، صنعت و تجارت
  • محور مقاله: تکنیک نوین
  • افیلیشن نویسنده مسئول: Nuclear Agriculture Research School, Nuclear Science and Technology Research Institute (NSTRI), Karaj, Iran
  • jnasiri@aeoi.org.ir
  • سال انتشار مقاله: 2023
  • زبان: انگلیسی
  • کشور: ایران
  • کد مقاله: 19757
  • کلمات کلیدی فارسی: آپوکاروتنوئیدها، طبقه‌بندی جغرافیایی، استاندارد کیفیت ISO، یادگیری ماشینی، زعفران، طیف‌سنجی مرئی UV
  • کلمات کلیدی انگلیسی: Apocarotenoids, Geographic classification, ISO quality standard, Machine learning, Saffron, UV–visible spectroscopy
  • لینک کوتاه: https://wikisaffron.org?p=19757

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *