تخمین مقادیر شاخص مخروطی خاک به کمک مدل شبکه های عصبی مصنوعی و مقایسه آن با مدلهای رگرسیونی

شاخص مخروطی خاک به عنوان یکی از معیارهای بیان کننده مقاومت مکانیکی خاک تحت تأثیر عوامل مختلفی از جمله محتوی رطوبتی خاک و فشردگی خاک های زراعی قرار می گیرد. امروزه با وجود پیشرفت های چشم گیر در توسعه کشاورزی دقیق، مدیریت تولید محصول در ارتباط با خصوصیات فیزیکی خاک به چند سال اخیر برمی گردد که یکی از مهم ترین این خصوصیات، مقاومت مکانیکی خاک است که عموماً با نقشه های شاخص مخروطی خاک بیان می شود. در این تحقیق برای اندازه گیری و تعیین عوامل موثر بر مقدار شاخص مخروطی خاک، آزمایش های مزرعه ای در سه نوع خاک و در داخل هر نوع خاک از آزمایش فاکتوریل بر پایه ی طرح بلوک کامل تصادفی (rcdb) و با پنج تکرار استفاده شد. در داخل هر بافت خاک سطوح مختلف رطوبت در سه سطح (خشک، نیمه مرطوب و مرطوب)، عمق در سه سطح (10-0، 20-10 و 30-20 سانتی متر) و تعداد تردد تراکتور در سه سطح (0، 10و 20 بار عبور) به-روی شاخص مخروطی خاک بررسی شد. پس از تجزیه و تحلیل داده ها مشخص گردید که اثرات نوع خاک، عمق، سطوح مختلف رطوبت و تردد تراکتور بر روی مقادیر شاخص مخروطی خاک در سطح 1% معنی دار بوده است. برای انجام عملیات آماری از رگرسیون چند متغیره خطی استفاده شد. در این حالت رگرسیون برای چهار عامل مستقل (درصد محتوی رطوبتی، جرم مخصوص ظاهری، هدایت الکتریکی و عمق نمونه برداری) و عامل وابسته (شاخص مخروطی خاک) جهت تعیین مدل ریاضی انجام شد. نتایج بدست آمده نشان داد اثر کلیّه متغیرهای مستقل بروی شاخص مخروطی به عنوان متغیر وابسته در سطح 1% معنی دار شده است. در سال های اخیر علاقه ی فزاینده ای به توسعه ی شبکه های عصبی مصنوعی و کاربرد آن در بسیاری از شاخه های علوم و مهندسی مشاهده می شود که با استفاده از آنها می توان فرآیندهای طبیعی پیچیده و دارای عوامل متعدد را به سادگی و با دقّت زیاد مدل سازی نمود. شبکه های طراحی شده در این تحقیق که به منظور تخمین شاخص مخروطی خاک مورد استفاده قرار گرفتند، از نوع شبکه های چند لایه ی پس انتشار برگشتی بودند که به منظور آموزش شبکه از سه الگوریتم گرادیان نزولی با مومنتوم، الگوریتم لونبرگ- مارکوات و الگوریتم گرادیان نزولی مقیاسی استفاده گردید. شبکه ی پس انتشار برگشتی با الگوریتم آموزشی لونبرگ-مارکوات با تابع تبدیل لگاریتم سیگموئیدی نتایج بهتری را نسبت به سایر الگوریتم های آموزشی در شبیه سازی داده ها و آموزش شبکه ی عصبی مصنوعی ارائه کرد. استفاده از دو لایه مخفی هر کدام با 34 نرون دارای بهترین عملکرد نسبت به سایر الگوریتم های آموزشی و همچنین الگوریتم آموزشی لونبرگ-مارکوات با یک لایه مخفی نشان داد. مقایسه ی نتایج بدست آمده از مدل شبکه ی عصبی مصنوعی و مدل های رگرسیونی به منظور پیش بینی شاخص-مخروطی خاک نشان داد که مدل شبکه ی عصبی مصنوعی قادر به مدل کردن مقادیر شاخص مخروطی با دقّت بالاتر نسبت به مدل های رگرسیونی ارائه شده در این تحقیق می باشد. نتایج این تحقیق می تواند در مدیریت فشردگی خاک در خاک های دشت اردبیل و همچنین تعیین عمق بهینه ادوات خاک ورز اولیه مورد استفاده قرار گیرد.