[ Modélisation de la croissance de la tomate (Lycopersicum esculentum) à partir des réseaux de neurones artificiels dans la region de daloa (Côte d’Ivoire) ]
Volume 34, Issue 3, November 2021, Pages 483–496
Kouame N’guessan1 and Assidjo Nogbou Emmanuel2
1 Université Jean Lorougnon GUEDE (UJLoG), Laboratoire de l’Amélioration de la Production Agricole, UFR Agroforesterie, BP 150 Daloa, Côte d’Ivoire
2 UMRI Sciences des Procédés Alimentaires Chimiques et Environnementaux, Institut National Polytechnique Félix Houphouët-Boigny (INP-HB), BP 1313 Yamoussoukro, Côte d’Ivoire
Original language: French
Copyright © 2021 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
The tomato is an annual herbaceous plant, of the Solanaceae family. It is cultivated for its fruits which are consumed either fresh or cooked, or processed industrially. Its growth is a complex phenomenon which involves several parameters. A study of the growth parameters carried out in the region of Daloa (Côte d’Ivoire) showed a complexity of the growth of the tomato at the level of the number of leaves, the length of the leaves, the width of the leaves, the height of the trunk and the circumference of the trunk of the tomato plant. For this purpose, mathematical models were developed to predict the growth of the tomato plant from artificial neural networks for the number of leaves, the length of the leaves, the width of the leaves, the height of the plant and the circumference of the trunk of the tomato plant. The coefficients of determination between the experimental measurements and the measurements predicted by artificial neural networks are respectively 0.9722; 0.9925; 0.997; 0.9945 and 0.9926 for plant height, number of leaves, plant circumference, leaf length and width. These results are satisfactory insofar as all the coefficients of determination (R2) are greater than 0.97. These coefficients close to 1 show a good interpolation between the experimental values and those predicted by the model. They indicate that the values predicted by artificial neural networks are almost more than 97% close to the experimental values. Because of this, artificial neural networks are reliable enough to predict tomato growth in leaf count, leaf length, leaf width, plant height, and trunk circumference of the tomato plant.
Author Keywords: Tomato, Growth, Modeling, Neural network, Validation, Daloa.
Volume 34, Issue 3, November 2021, Pages 483–496
Kouame N’guessan1 and Assidjo Nogbou Emmanuel2
1 Université Jean Lorougnon GUEDE (UJLoG), Laboratoire de l’Amélioration de la Production Agricole, UFR Agroforesterie, BP 150 Daloa, Côte d’Ivoire
2 UMRI Sciences des Procédés Alimentaires Chimiques et Environnementaux, Institut National Polytechnique Félix Houphouët-Boigny (INP-HB), BP 1313 Yamoussoukro, Côte d’Ivoire
Original language: French
Copyright © 2021 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
The tomato is an annual herbaceous plant, of the Solanaceae family. It is cultivated for its fruits which are consumed either fresh or cooked, or processed industrially. Its growth is a complex phenomenon which involves several parameters. A study of the growth parameters carried out in the region of Daloa (Côte d’Ivoire) showed a complexity of the growth of the tomato at the level of the number of leaves, the length of the leaves, the width of the leaves, the height of the trunk and the circumference of the trunk of the tomato plant. For this purpose, mathematical models were developed to predict the growth of the tomato plant from artificial neural networks for the number of leaves, the length of the leaves, the width of the leaves, the height of the plant and the circumference of the trunk of the tomato plant. The coefficients of determination between the experimental measurements and the measurements predicted by artificial neural networks are respectively 0.9722; 0.9925; 0.997; 0.9945 and 0.9926 for plant height, number of leaves, plant circumference, leaf length and width. These results are satisfactory insofar as all the coefficients of determination (R2) are greater than 0.97. These coefficients close to 1 show a good interpolation between the experimental values and those predicted by the model. They indicate that the values predicted by artificial neural networks are almost more than 97% close to the experimental values. Because of this, artificial neural networks are reliable enough to predict tomato growth in leaf count, leaf length, leaf width, plant height, and trunk circumference of the tomato plant.
Author Keywords: Tomato, Growth, Modeling, Neural network, Validation, Daloa.
Abstract: (french)
La tomate est une plante herbacée annuelle, de la famille des Solanacées. Elle est cultivée pour ses fruits qui sont consommés soit frais ou cuit, soit transformés industriellement. Sa croissance est un phénomène complexe qui fait intervenir plusieurs paramètres. Une étude des paramètres de croissance réalisée dans la région de Daloa (Côte d’Ivoire) a montré une complexité de la croissance de la tomate au niveau du nombre de feuilles, de la longueur des feuilles, de la largeur des feuilles, de la hauteur du tronc et de la circonférence du tronc de la plante de tomate. A cet effet, des modèles mathématiques ont été élaborés pour prévoir la croissance de la plante de tomate à partir des réseaux de neurones artificiels pour le nombre de feuilles, la longueur des feuilles, la largeur des feuilles, la hauteur de la plante et la circonférence du tronc de la plante de tomate. Les coefficients de détermination entre les mesures expérimentales et les mesures prédites par les réseaux de neurones artificiels sont respectivement de 0,9722; 0,9925; 0,997; 0,9945 et 0,9926 pour la hauteur de la plante, le nombre de feuille, la circonférence de la plante, la longueur et la largeur des feuilles. Ces résultats sont satisfaisants dans la mesure où tous les coefficients de détermination (R2) sont supérieurs à 0,97. Ces coefficients proche de 1 montrent une bonne interpolation entre les valeurs expérimentales et celles prédites par le modèle. Ils indiquent que les valeurs prédites par les réseaux de neurones artificiels sont pratiquement à plus de 97 % proches des valeurs expérimentales. De ce fait, les réseaux de neurones artificiels sont suffisamment fiables pour prédire la croissance de la tomate au niveau du nombre de feuilles, de la longueur des feuilles, de la largeur des feuilles, de la hauteur de la plante et de la circonférence du tronc de la plante de tomate.
Author Keywords: Tomate, Croissance, Modélisation, Réseau de neurones, Validation, Daloa.
How to Cite this Article
Kouame N’guessan and Assidjo Nogbou Emmanuel, “Modeling the growth of tomato (Lycopersicum esculentum) from artificial neural networks in the region of Daloa (Côte d’Ivoire),” International Journal of Innovation and Applied Studies, vol. 34, no. 3, pp. 483–496, November 2021.
