بهکارگیری روشهای یادگیری ماشین در علوم گیاهی و کشت بافت، افقهای جدیدی را برای تولید هوشمند گیاهان زینتی گشوده است. نتایج این پروژه نشان میدهد که تلفیق هوش مصنوعی با فناوریهای نوین کشاورزی، میتواند ضمن کاهش هزینهها و زمان تولید، به افزایش بهرهوری و ارتقای کیفیت محصولات گیاهی منجر شود و زمینهساز توسعه پژوهشهای میانرشتهای در دانشگاه تهران باشد.
دستاوردهای این بخش از پروژه، تاکنون در قالب چهار مقاله علمی در مجلات معتبر بینالمللی منتشر شده است. مقاله «بهبود جذب نیتروژن و رشد گیاهچههای فالانوپسیس با بهینهسازی عناصر پرمصرف مبتنی بر یادگیری ماشین» و مقاله «تحول در کشت درونشیشهای؛ بهینهسازی مواد غذایی برای ارتقای ویژگیهای مورفولوژیک و بیوشیمیایی ارکیده فالانوپسیس با استفاده از یادگیری ماشین» در سال ۲۰۲۵ در مجله Plant Cell, Tissue and Organ Culture (PCTOC) منتشر شدند.
همچنین مقاله «بهینهسازی مبتنی بر شبکههای عصبی مصنوعی کایتوزان و ۲۴- اپیبراسینولید برای ارتقای رشد گیاهچههای فالانوپسیس در شرایط درونشیشهای» در سال ۲۰۲۶ در همین مجله به چاپ رسیده است. مقاله چهارم نیز با عنوان «شناسایی شرایط بهینه اختصاصی اندامهای گیاهی برای تأمین عناصر غذایی، کیفیت نور، وضعیت رشد گیاه و پیکربندی کشت در تکثیر درونشیشهای Phalaenopsis amabilis با استفاده از مدل ANFIS» در سال ۲۰۲۶ در مجله BMC Plant Biology منتشر شده است.
این پروژه علاوه بر انتشار مقالات علمی، بستری برای تربیت دانشجویان تحصیلات تکمیلی و توسعه پژوهشهای نوآورانه در حوزه تکثیر و اصلاح ارکیده فراهم کرده است.
همچنین طی سالهای گذشته، مجموعهای از پایاننامههای کارشناسی ارشد و رسالههای دکتری با موضوعاتی همچون مقایسه محیطهای کشت مبتنی بر هوش مصنوعی، سازگارسازی گیاهچههای کشتبافتی، تولید بذر مصنوعی، تکثیر انبوه ارکیده، القای جنینزایی و گلدهی درونشیشهای و بهبود ویژگیهای رشد ارکیده فالانوپسیس در قالب نقشهای مختلف راهنمایی و مشاوره علمی به انجام رسیده یا در حال اجرا است.
عناوین چهار مقاله پژوهشی در این زمینه در پیوندهای زیر قابل مشاهده است:
Machine learning-based macronutrients optimization enhances nitrogen uptake and growth in Phalaenopsis plantlets Revolutionizing in vitro cultivation: Machine learning-based optimization of nutrients for superior morphology and biochemistry of Phalaenopsis orchids Artificial neural network-based optimization of chitosan and 24-epibrassinolide for enhancing Phalaenopsis plantlet growth in vitro ANFIS-derived response surfaces reveal organ-specific optimal conditions for nutrient supply, light quality, plant developmental status, and culture configuration in Phalaenopsis amabilis in vitro propagation
انتهای پیام
