دانشگاه تبریز نشریه مکانیزاسیون کشاورزی 2383-126X 6 3 2021 09 23 Prediction of Chlorophyll Content of Tomato Plant by Artificial Neural Networks and Adaptive Nero-Fuzzy Inference System پیش بینی محتوی کلروفیل گیاه گوجه فرنگی با استفاده از شبکه های عصبی و انفیس 59 65 13936 10.22034/jam.2021.13936 FA ولی رسولی شربیانی گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی اسما کیسالایی گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی ابراهیم تقی نژاد گروه مهندسی فناوری کشاورزی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی Journal Article 2021 02 13 Approximately three-quarters of harvested tomatoes are freshly used. Good quality is an important factor in distributing of fresh tomato. Chlorophyll is the green chemicals to provide required food of plants and ensure plant growth and productivity. The main function of chlorophyll is to absorb blue and red lights and perform photosynthesis. In recent years, the tendency to use of prediction methods such as soft computing and artificial intelligence for growth of plans has increased. The main aim of this study was to investigate the relationship between height and chlorophyll content in the leaves of tomato plants using modeling and predicting techniques and compare the accuracy of these methods. In this study, some cultivated plants of tomato were randomly selected for height and SPAD measurements. The results showed the relationship between Chlorophyll content and height of plants was very low (R²= 0.276). However using the modelling of ANN and ANFIS improved the prediction power up to (R²=0.982 and 0.913), respectively. تقریبا سه چهارم کل گوجه فرنگی تولید شده در جهان بصورت تازه مورد مصرف قرار می گیرد. کیفیت خوب برای توزیع گوجه فرنگی معیار مهمی است. کلروفیل یک ماده شیمیایی سبز رنگ برای تامین غذای مورد نیاز گیاه و تضمین رشد و بهره وری گیاه است. وظیفه اصلی کلروفیل جذب نورهای آبی و قرمز و انجام فتوسنتز است. در سال های اخیر تمایل به استفاده از روش های پیش بینی مانند محاسبات نرم و هوش مصنوعی برای پایش رشد گیاهان ا افزایش یافته است. هدف اصلی این تحقیق بررسی رابطه ارتفاع و محتوای کلروفیل در برگ گیاه گوجه فرنگی با استفاده از تکنیک های مدل سازی و پیش بینی و مقایسه دقت این روش ها بود. در این تحقیق تعدادی از بوته های گیاه گوجه فرنگی برای اندازه گیری ارتفاع و SPAD به طور تصادفی انتخاب شدند. نتایج نشان داد که ارتباط بین میزان کلروفیل و ارتفاع گیاه بسیار کم است (276/0=R²). با این حال، استفاده از مدل‌سازی ANN و ANFIS، قدرت پیش‌بینی را به ترتیب تا (982/0=R² و 913/0 =R²) افزایش داد. https://jam.tabrizu.ac.ir/article_13936_9645782f645bf8ce8dfe6f0e3c0f516d.pdf