تخمین مقادیر شاخص مخروطی خاک به کمک مدل شبکه‌های عصبی مصنوعی و مقایسه آن با مدل رگرسیونی

شاخص مخروطی خاک به‌عنوان یکی از معیارهای بیان‌کننده مقاومت مکانیکی خاک‌ تحت‌تاثیر عوامل مختلفی از جمله محتوی رطوبتی خاک و فشردگی خاک‌های زراعی قرار می‌گیرد. امروزه با وجود پیشرفت‌های چشم‌گیر در توسعه کشاورزی دقیق، مدیریت تولید محصول در ارتباط با خصوصیات فیزیکی خاک به چند سال اخیر برمی‌گردد که یکی از مهم‌ترین این خصوصیات، مقاومت مکانیکی خاک است که به‌طور عموم با نقشه‌های شاخص مخروطی خاک بیان می‌شود. در این پژوهش برای اندازه‌گیری و تعیین عوامل موثر بر مقدار شاخص مخروطی خاک، آزمایش‌های مزرعه‌ای در سه نوع خاک و در داخل هر نوع خاک از آزمایش فاکتوریل بر پایه طرح بلوک کامل تصادفی (rcdb) و با 5 تکرار استفاده شد. در داخل هر بافت خاک سطوح مختلف رطوبت در 3 سطح (خشک، نیمه‌مرطوب و مرطوب)، عمق در 3 سطح (10-0، 20-10 و 30-20 سانتی‌متر) و تعداد تردد تراکتور در 3 سطح (0، 10 و 20 بار عبور) بر روی شاخص مخروطی خاک بررسی شد. پس از تجزیه و تحلیل داده‌ها مشخص گردید که اثرات نوع خاک، عمق، سطوح مختلف رطوبت و تردد تراکتور بر روی مقادیر شاخص مخروطی خاک در سطح 1 درصد معنی‌دار بوده است. در این پژوهش برای تعیین مدل ریاضی شاخص مخروطی خاک (عامل وابسته) از رگرسیون چندمتغیره خطی استفاده شد. 4 عامل مستقل درصد محتوی رطوبتی، جرم مخصوص ظاهری، هدایت الکتریکی و عمق نمونه‌برداری در این مدل مورد استفاده قرار گرفتند. نتایج به‌دست آمده نشان داد اثر همه متغیرهای مستقل بروی شاخص مخروطی به‌عنوان متغیر وابسته در سطح 1 درصد معنی‌دار شده است. شبکه‌های عصبی مصنوعی طراحی شده در این پژوهش که به‌منظور تخمین شاخص مخروطی خاک مورد استفاده قرار گرفتند، از نوع شبکه‌های چندلایه پس‌انتشار برگشتی بودند که به‌منظور آموزش شبکه از سه الگوریتم گرادیان نزولی با مومنتوم، الگوریتم لونبرگ- مارکوات و الگوریتم گرادیان نزولی مقیاسی استفاده گردید. شبکه پس‌انتشار برگشتی با الگوریتم آموزشی لونبرگ- مارکوات با تابع تبدیل لگاریتم سیگموییدی نتایج بهتری را نسبت به سایر الگوریتم‌های آموزشی در شبیه‌سازی داده‌ها و آموزش شبکه عصبی مصنوعی ارایه کرد. استفاده از دو لایه مخفی هر کدام با 34 نرون دارای بهترین عملکرد نسبت به سایر الگوریتم‌های آموزشی و همچنین الگوریتم آموزشی لونبرگ- مارکوات با یک لایه مخفی نشان داد. مقایسه نتایج به‌دست آمده از مدل شبکه عصبی مصنوعی و مدل‌های رگرسیونی به‌منظور پیش‌بینی شاخص مخروطی خاک نشان داد که مدل شبکه عصبی مصنوعی قادر به مدل کردن مقادیر شاخص مخروطی با دقت بالاتر نسبت به مدل‌های رگرسیونی ارایه شده در این پژوهش می‌باشد. نتایج این پژوهش می‌تواند در مدیریت فشردگی خاک در خاک‌های دشت اردبیل و همچنین تعیین عمق بهینه ادوات خاک‌ورز اولیه مورد استفاده قرار گیرد.