پیش بینی محتوی کلروفیل گیاه گوجه فرنگی با استفاده از شبکه های عصبی و انفیس

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی

2 گروه مهندسی فناوری کشاورزی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی

چکیده

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.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of Chlorophyll Content of Tomato Plant by Artificial Neural Networks and Adaptive Nero-Fuzzy Inference System

نویسندگان [English]

  • Vali Rasooli Sharabiani 1
  • Asma Kisalaei 1
  • Ebrahim Taghinezhad 2
1 Department of Biosystems Engineering, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran
2 Department of Agricultural Technology Engineering, Moghan College of Agricultural and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • ANFIS
  • Chlorophyll Content
  • Modeling
  • Neural Networks
  • Tomato

مراجع

Akanbi C.T., Adeyemi R.S., Ojo A. (2006): Drying characteristics and sorption isotherm of tomato slices. Journal of Food Engineering, 73: 141-146.
Arazuri S., Jaren C., Arana J. I., Perez de ciriza J. J. (2007): Influence of mechanical harvest on the physical properties of processing tomato (Lycopersicon esculentum Mill.). Journal of Food Engineering. 80(1): 190-198.
Azizi G., Alimardani L., Siahmargoei A. (2011): Evaluation of Relation of chlorophyll meter’s number   with chlorophyll content, photosynthesis and nitrogen content of soybean’s leaf. (6)23. 34-40.
Faizollahzadeh Ardabili S., Mahmoudi A., Mesri Gundoshmian  T. (2016): Modeling and simulation controlling system of HVAC using fuzzy and predictive (radial basis function, RBF) controllers. Journal of Building Engineering. (6):  301–308.
FAO. (2010): Pyrrolizidine alkaloids in foods and animal feeds. FAO Consumer Protection Fact Sheets. (2): 1-6.
FAO, W. (2012). The state of food insecurity in the world. 8-11.
Li Z. (2011): Physical and mechanical properties of tomato fruits as related to robot’s harvesting." Journal of Food Engineering 103(2): 170-178.
Li Z., Ly K., Wang Y., Zhao B., Yang Z. (2015): Multi-scale engineering properties of tomato fruits related to harvesting, simulation and textural evaluation. Food Science and Technology. 61(2): 444-451.
Moody J., Darken C. J. (1989): Fast learning in networks of locally-tuned processing units. Neural computation. 1(2): 281-294.
Nagamani P. V., Chauban P., Dwivedi R. M. (2007): Estimation of chlorophyll-A concentration using an artificial neural network (ANN) based algorithm with oceansat­I OCM data. Journal of the Indian Society of Remote Sensing. V: 35, Issue 3, pp 201­207.
 Samli R., Sivri N., Sevgen S., Kiremetci  V. Z. (2014): Applying Artificial Neural Networks for the estimation of Chlorophyll-A concentrations along the Istanbul coast. Pol. J. Enviro. Stu. V: 23. No 4. 1281-1287.
Soyguder S., Alli H. (2009): An expert system for the humidity and temperature control in HVAC systems using ANFIS and optimization with Fuzzy Modeling Approach. Energy and Buildings. 41(8): 814-822.
Soyguder S., Alli H. (2009): Design and simulation of self-tuning PID-type fuzzy adaptive control for an expert HVAC system. Expert Systems with Applications. 36(3): 4566-4573.
Wen X. L., Wang H.T., Wang H. (2012): Prediction model of flow boiling heat transfer for R407C inside horizontal smooth tubes based on RBF neural network. Procedia Engineering. 31: 233-239.
Zhang J., Huang W., Zhou Q. (2014): Reflectance Variation within the In-Chlorophyll Centre Waveband for Robust Retrieval of Leaf Chlorophyll Content. PLoS ONE 9(11): e110812. doi:10.1371/journal.,pone.0110812 
نشریه مکانیزاسیون کشاورزی
دوره 6، شماره 3
مهر 1400
صفحه 59-65

فایل ها

سابقه مقاله

  • تاریخ دریافت: 25 بهمن 1399
  • تاریخ بازنگری: 01 شهریور 1400
  • تاریخ پذیرش: 06 شهریور 1400

هم رسانی

ارجاع به این مقاله

آمار