امکان سنجی استفاده از الگوریتم قورباغه ای تصادفی در پیش بینی باقیمانده سموم در گوجه فرنگی

در این مطالعه امکان تشخیص غیر مخرب باقیمانده سموم گوجه فرنگی با استفاده از طیف سنجی مادون قرمز نزدیک (۱Vis/NIR)ومدل های پیش بینی از قبیل، رگرسیون حداقل مربعات جزئی(PLSR)شبکه عصبی مصنوعی ۲ (ANN) مورد بررسی قرار گرفتند. ابتدا داده های طیفی Vis / NIR ، از ۱۸۰ نمونه گوجه فرنگی بدون سم (که به عنوان تیمار شاهد استفاده شد و نمونه های آغشته به سم با غلظت ۲ لیتر در هزار لیتر در محدوده طیفی ۲۵۰-۱۱۰۰ نانومتر بوسیله یک دستگاه اسپکتر ورادیو متر ثبت گردید و سپس به دو قسمت داده های کالیبراسیون (۷۰٪) و داده های پیشبینی (۳۰%) تقسیم بندی شدند. در مرحله بعد، عملکرد پیش بینی مدل های PLSR و ANN پس از پردازش با ده روش پیش پردازش طیفی مقایسه شد. داده های طیفی بدست آمده از طیف سنجی به عنوان ورودی و مقادیر سم بدست آمده با روش کاراتوگرافی گازی به عنوان داده های خروجی مورد استفاده قرار گرفتند. برای انتخاب تعداد متغیرهای اصلی از الگوریتم قورباغه تصادفی ۳(RF) استفاده گردید. با توجه به مقادیر بدست آمده برای خطای ریشه میانگین مربعات(RMSE) و ضریب همبستگی (R) داده های کالیبراسیون و پیشبینی مشخص شد که مدل تلفیقی RF- PLS بهترین عملکرد را دارد (۰.۹۸۸= RMSEP=۰.۱۶۶ ،RMSEC-۰.۱۴۱ ،RP= ۰.۹۸۲ RC). نتایج تجربی بدست آمده می تواند مرجعی برای توسعه ی سامانهای برای تشخیص غیرمخرب محتوای داخلی محصولات کشاورزی مبتنی برطیف سنجی NIR باشد.

Keywords:

باقیمانده سموم , اسپکتروسکوپی , PLS , محاسبات نرم , الگوریتم