اکوسیستم های آبی یکی از مهمترین محیط های زیستی می باشند که کیفیت زندگی انسانها را تحت تاثیر قرار می دهند امروزه به دلیل ورود انواع آلودگی ها لزوم پایش مداوم منابع آبی وجود دارد . میزان غلظت کلروفیل-آ به عنوان شاخصی بر میزان فیتوپلانگتون ها و بطور غیرمستقیم شاخصی از میزان ورود مواد آلاینده فسفر و نیتروژن در آب، از اهمیت بسیار اساسی در مطالعات کیفیت آب و خصوصیات اکولوژیکی محیط های آبی برخوردار است.. در این تحقیق با استفاده از شبکه های عصبی بر روی تصاویر ماهواره ای سنجنده modis به تعیین غلظت کلروفیل-آ در دریای خزر پرداخته شده است. داده های مورد استفاده در این تحقیق شامل مشاهدات میدانی از غلظت کلروفیل- آ و تصاویر ماهواره ای همزمان از سنجنده modis در الگوریتم های شبکه عصبی وارد و امکان تخمین غلظت کلروفیل-آ از این داده های مورد بررسی قرار گرفته است. سپس علاوه بر ارزیابی دقت این روش، به مقایسه نتایج حاصل با نتایج بدست آمده از سایر الگوریتم های رایج در تعیین غلظت کلروفیل از تصاویر ماهواره ای اقدام شده است. بر اساس نتایج بدست آمده مشخص شد که الگوریتم های تجربی از توانایی کافی برای برآورد غلظت کلروفیل-آ در مناطق ساحلی دریای خزر برخوردار نیستند. در شبکه های عصبی تک لایه میانی ، شبکه دارای 15 نرون و در شبکه های دو لایه میانی شبکه (5،5) به بهترین دقت های ممکن در ساختارهای خود رسیده است. دقت کلی شبکه های بهینه در این دو ساختار تقریباً مشابه و در حدود 1/0=rmse میکروگرم بر لیتر می باشد، لیکن همبستگی پاسخ های بدست آمده با پاسخ های مورد انتظار در شبکه های عصبی دولایه میانی بهتر از شبکه های عصبی تک لایه میانی است. با اینحال از نقطه نظر پایداری پاسخ، شبکه های عصبی تک لایه میانی اندکی بهتر از شبکه های عصبی دو لایه میانی ارزیابی می گردد. از نقطه نظر تعداد نمونه های آموزشی، شبکه عصبی با دو لایه میانی نسبت به شبکه عصبی تک لایه میانی نیاز به نمونه های آموزشی کمتری دارد. با توجه به موارد فوق، شبکه عصبی بهینه جهت تخمین غلظت کلروفیل-آ از تصاویر سنجنده modis در مناطق ساحلی دریای خزر، یک شبکه عصبی دو لایه با 5 نرون در هر لایه معرفی می شود که این شبکه در بهترین حالت خود پارامتر064/0=rmse (?g?l ) و ضریب همبستگی(r^2 ) در حدود 50% را حاصل نموده است.