Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/1341| Τύπος: | Άρθρο σε επιστημονικό περιοδικό |
| Τίτλος: | Diagnosis of induced resistance state in tomato using artificial neural network models based on supervised self-organizing maps and fluorescence kinetics |
| Συγγραφέας: | [EL] Πανταζή, Ξανθούλα-Ειρήνη[EN] Pantazi, Xanthoula-Eirini [EL] Λαγοπόδη, Αναστασία[EN] Lagopodi, Anastasia [EL] Ταμουρίδου, Αφροδίτη Αλεξάνδρα[EN] Tamouridou, Afroditi Alexandra [EL] Κάμου, Ναταλί - Νεφέλη[EN] Kamou, Natali - Nefeli [EL] Γιαννάκης, Ιωάννης[EN] Giannakis, Ioannis [EL] Λαγιώτης, Γεώργιος[EN] Lagiotis, Georgios [EL] Σταυρίδου, Ευαγγελία[EN] Stavridou, Evangelia [EL] Μαδέσης, Παναγιώτης[EN] Madesis, Panagiotis [EL] Τζιότζιος, Γεώργιος[EN] Tziotzios, Georgios [EL] Δολαπτσης, Κωνσταντίνος[EN] Dolaptsis, Konstantinos [EL] Μόσχου, Δημήτριος[EN] Moshou, Dimitrios |
| Ημερομηνία: | 10/08/2022 |
| Περίληψη: | The aim of this study was to develop three supervised self-organizing map (SOM) models for the automatic recognition of a systemic resistance state in plants after application of a resistance inducer. The pathosystem Fusarium oxysporum f. sp. radicis-lycopersici (FORL) + tomato was used. The inorganic, defense inducer, Acibenzolar-S-methyl (benzo-[1,2,3]-thiadiazole-7-carbothioic acid-Smethyl ester, ASM), reported to induce expression of defense genes in tomato, was applied to activate the defense mechanisms in the plant. A handheld fluorometer, FluorPen FP 100-MAX-LM by SCI, was used to assess the fluorescence kinetics response of the induced resistance in tomato plants. To achieve recognition of resistance induction, three models of supervised SOMs, namely SKN, XY-F, and CPANN, were used to classify fluorescence kinetics data, in order to determine the induced resistance condition in tomato plants. To achieve this, a parameterization of fluorescence kinetics curves was developed corresponding to fluorometer variables of the Kautsky Curves. SKN was the best supervised SOM, achieving 97.22% to 100% accuracy. Gene expression data were used to confirm the accuracy of the supervised SOMs. |
| Γλώσσα: | Αγγλικά |
| Σελίδες: | 12 |
| DOI: | 10.3390/ s22165970 |
| EISSN: | 1424-8220 |
| Θεματική κατηγορία: | [EL] Άλλες Γεωπονικές επιστήμες[EN] Other agricultural sciences |
| Λέξεις-κλειδιά: | artificial intelligence; clustering; data mining; gene expression; plant protection |
| Κάτοχος πνευματικών δικαιωμάτων: | © 2022 by the authors. Licensee MDPI, Basel, Switzerland. |
| Όροι και προϋποθέσεις δικαιωμάτων: | This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/). |
| Διατίθεται ανοιχτά στην τοποθεσία: | https://www.researchgate.net/publication/362614862 |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://www.mdpi.com/1424-8220/22/16/5970 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://www.mdpi.com/journal/sensors |
| Τίτλος πηγής δημοσίευσης: | Sensors |
| Τεύχος: | 16 |
| Τόμος: | 22 |
| Σελίδες τεκμηρίου (στην πηγή): | Article no 5970 |
| Σημειώσεις: | This research was co-financed by Greece and the European Union (European Social Fund— ESF) through the Operational Program «Human Resources Development, Education and Lifelong Learning 2014–2020» in the context of the project “Monitoring of defensive reactions in the tomato, with the help of Artificial Neural Networks, after application of defense inducers” (MIS 5047890). |
| Εμφανίζεται στις συλλογές: | Ερευνητικές ομάδες |
Αρχεία σε αυτό το τεκμήριο:
Το πλήρες κείμενο αυτού του τεκμηρίου δεν διατίθεται προς το παρόν από το αποθετήριο