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

Document Type : Research Paper

Authors

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

Abstract

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.
 
 
 

Keywords

Agricultural Mechanization
Volume 6, Issue 3
September 2021
Pages 59-65

Files

History

  • Receive Date: 13 December 2021
  • Accept Date: 13 December 2021

Share

How to cite

Statistics