امیر دریایی، ماهرخ فلاحتی رستگار، بهروز جعفرپور،
جلد 5، شماره 4 - ( 10-1380 )
چکیده
تفاوت بیماریزایی پاتوتیپهای 4 و 6 قارچ A. rabiei، عامل بیماری برقزدگی نخود از جنبههای ماهیت بیوشیمیایی گیاه و ترکیب ژنومی پاتوتیپها در چهار بخش بررسی گردید: الف) تعیین شمار ژنهای پایداری در هیجده رقم بومی نخود. ب) مقایسه تغییرات غلظت الکترولیتهای سدیم و پتاسیم در ساقه گیاهچههای نخود آلوده و سالم ارقام حساس و پایدار. ج) بررسی تأثیر تنش نبود پتاسیم در محیط غذایی هوگلند برای پنج رقم افتراقی نخود. د) امکان دیدن تفاوتهای ژنومی دو پاتوتیپ با روش RAPD-PCR. مشاهده میانگین 9 ژن اصلی پایداری در رقم بومی 144-60-1 از کل ده ژن تعیین شده پایداری به بیماری برقزدگی طبق روش ونرینن و هاوار (1997)، نشان دهنده غنی بودن این رقم از لحاظ ژنهای پایداری، و امکان استفاده از آن در کارهای به نژادی است. در حالی که ارقام دیگر نسبتاً متحمل تا کاملاً حساس بوده و ژنهای پایداری اندکی داشتند. کاهش شدید غلظت الکترولیتها در رقم حساس 1929ILC در مقایسه با رقم پایدار 5928ILC نشان دهنده وجود سازگاری میان بیمارگر و گیاه میزبان است. افزایش پایداری ارقام افتراقی در نتیجه تنش نبود پتاسیم، گویای القای پایداری اکتسابی در نتیجه تولید پیوترسین، و به دنبال آن بهبود ساختارهای دفاعی میباشد، و نهایتاً تشابه 80 درصدی باندهای ژنومی پاتوتیپها با استفاده از مارکر CG و آغازگر 171، نشان دهنده ناکافی بودن شمار آغازگر و لزوم به کارگیری روشهای تکمیلی است.
شادی کلانتر هرمزی، محمدرضا زایری، مهدی قمشی، مهدی دریایی،
جلد 30، شماره 2 - ( علوم آب و خاک- تابستان 1405 )
چکیده
آبشستگی، چالش اصلی مهندسی رودخانه، با تخریب پلها در سیلابها، هزینههای مالی را به دنبال دارد. این مطالعه با هدف تخمین عمق آبشستگی (Dse/Dp) اطراف گروههای شمع، پارامترهای هیدرودینامیکی و هندسی را بررسی کرد. بدین منظور با جمعآوری 299 دادههای آزمایشگاهی از منابع مختلف، دادهها به دو بخش آزمایش و آزمون تقسیمبندی شد. به عنوان ورودی مدلهای یادگیری ماشین، شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان (SVR)، الگوریتم تقویت گرادیان شدید (XGboost) و مدل یادگیری ترکیبی متا (Stacking) همچنین برای تنظیم اَبَرپارامترهای مدل از روش جستجوی شبکهای Gridsearch به منظور ایجاد رگرسیون مؤثر استفاده شد. در ارزیابی عملکرد مدلها، مدل ANN به مقدار 0/87 R² =و مدل SVR به 0/91 R² =دست یافتند. مدل XGBoost با 0/94 R² =و 0/28 RMSE ≈ توانست عملکرد دقیقتری نسبت به دو مدل دیگر ارائه دهد. درنهایت، مدل ترکیبی Stacking با بهرهگیری از خروجی مدلهای پایه، بهترین عملکرد را ثبت کرده و مقدار 96/0 R² = و 0/11 RMSE =را به دست آورد که این نتایج به معنی افزایش حدود ۱۵ درصدی دقت نسبت به ANN و ۷ درصد نسبت به XGBoost است. بهطور کلی یافتهها نشان میدهد که استفاده از مدلهای ترکیبی یادگیری ماشین، بهویژه Stacking، میتواند رویکردی دقیق و کارآمد برای پیشبینی عمق آبشستگی پیرامون گروههای شمع و تحلیل رفتارهای پیچیده جریان در سامانههای هیدرولیکی باشد.
