مدل ‌سازی مقاومت فروروی خاک با استفاده از رگرسیون، شبکه عصبی مصنوعی و برنامه‌ ریزی بیان ژن

اطلاع از مقاومت فروروی (pr) خاک از نظر جوانه زنی بذر، رشد ریشه و عملیات خاک ورزی اهمیت فراوان دارد. اندازه گیری مستقیمpr  خاک به دلیل تغییرپذیری مکانی و زمانی شدید آن، کاری پرزحمت و گران می باشد. هدف از این پژوهش، ارایه مدل های رگرسیون خطی (mlr)، شبکه عصبی مصنوعی (ann) و برنامه ریزی بیان ژن (gep) برای برآورد pr از روی ویژگی های زودیافت خاک بود. در مجموع 80 نمونه خاک سطحی (0 تا cm 10) دست خورده و دست نخورده (با استفاده از استوانه های استیل به قطر و ارتفاع 5 سانتی متر) از اراضی جنگلی، مرتعی و زراعی منطقه فندقلوی اردبیل در تابستان 1402 برداشته شد سپس برخی خصوصیات فیزیکی و شیمیایی زودیافت خاک در آنها اندازه گیری شد. مقاومت فروروی خاک به طور درجا در محل با استفاده از یک فروسنج مخروطی تعیین گردید و همزمان رطوبت خاک مزرعه در استوانه ها اندازه گیری شد. داده ها به طور تصادفی به دو گروه آموزشی (60 نمونه) و آزمونی (20 نمونه) تقسیم گردید. مدل های mlr، ann و gep به ترتیب با استفاده از نرم افزارهای spss، matlab و gene xpro tools ایجاد شدند. نتایج مدل سازی نشان داد که رطوبت خاک مزرعه، سیلت و جرم مخصوص ظاهری نسبی، مهمترین متغیرهای ورودی در برآورد pr خاک بودند. مقادیر آماره های ضریب تبیین (r^2)، مجذور میانگین مربعات خطا (rmse)، میانگین خطا (me) و ضریب نش-ساتکلیف (ns) براساس داده های آزمونی برابر 0.44، mpa 1.19، mpa 0.19 و 0.36، 0.92، mpa 0.41، mpa 0.05- و 0.92، 0.79، mpa 0.91، mpa 0.13 و 0.63 به ترتیب برای بهترین مدل mlr، ann و gep تعیین گردید. براساس نتایج آماره های ارزیابی مدل ها، می توان گفت که در منطقه مورد مطالعه، مدل ann از بیشترین دقت و مدل mlr از کمترین دقت در برآورد pr خاک برخوردار بود.

modeling soil penetration resistance using regression, artificial neural network and gene expression programming

the penetration resistance (pr) of the soil shows the mechanical resistance of the soil against the penetration of a conical or flat probe; it is important in terms of seed germination, root growth and tillage operations. in general, if the pr value of a soil exceeds 2.5 mpa, the growth and expansion of roots in the soil will be significantly limited. the direct measurement of pr is also a laborious and costly task due to instrumental errors. therefore, it is useful the use of different models such as multiple linear regression (mlr), artificial neural network (ann) and gene expression programming (gep) to estimate pr through easily accessible and low-cost soil characteristics. the objectives of this research were: (1) to obtain mlr, ann and gep models for estimating pr from the easily accessible soil variables in forest, range and cultivated lands of fandoghloo region of ardabil province, (2) to compare the accuracy of the aforementioned models in estimating soil pr using the coefficient of determination (r2), root mean square error (rmse), mean error (me) and nash-sutcliffe coefficient (ns) criteria. materials and methodsdisturbed and undisturbed samples (n = 80) were nearly systematically taken from 0-10 cm soil depth with nearly 50 m distance in forest (n = 20), range (n = 23) and cultivated (n = 37) lands of fandoghloo region of ardabil province, iran (lat. 38° 24’ 10& to 38° 24’ 25& n, long. 48° 32’ 45& to 48° 33’ 5& e) in summer 2023. the contents of sand, silt, clay, caco3, ph, ec, bulk (bd) and particle density (pd), organic carbon (oc), gravimetric field water content (fwc), mean weight diameter (mwd) and geometric mean diameter (gmd) were measured in the laboratory. relative bulk density (bdrel) was calculated using bd and clay data. mean geometric diameter (dg) and geometric standard deviation (σg) of soil particles were computed by sand, silt and clay percentages. the penetration resistance (pr) of the soil was measured in situ using cone penetrometer (analog model) at 5 replicates. data randomly were divided in two series as 60 data for training and 20 data for testing of models. the spss 22 software with stepwise method, matlab and gene xpro tools 4.0 software were used to derive multiple linear regression (mlr), artificial neural network (ann) and gene expression programming (gep) models, respectively. a feed forward three-layer (2, 5 and 6 neurons in hidden layer) perceptron network and the tangent sigmoid transfer function were used for the ann modeling. a set of optimal parameters were chosen before developing a best gep model.