تخمين مقادير شاخص مخروطي خاك به كمك مدل شبكه‌هاي عصبي مصنوعي و مقايسه آن با مدل رگرسيوني

Soil cone index prediction using artificial neural networks model and its comparison with regression models

شاخص مخروطي خاك به‌عنوان يكي از معيارهاي بيان‌كننده مقاومت مكانيكي خاك‌ تحت‌تاثير عوامل مختلفي از جمله محتوي رطوبتي خاك و فشردگي خاك‌هاي زراعي قرار مي‌گيرد. امروزه با وجود پيشرفت‌هاي چشم‌گير در توسعه كشاورزي دقيق، مديريت توليد محصول در ارتباط با خصوصيات فيزيكي خاك به چند سال اخير برمي‌گردد كه يكي از مهم‌ترين اين خصوصيات، مقاومت مكانيكي خاك است كه به‌طور عموم با نقشه‌هاي شاخص مخروطي خاك بيان مي‌شود. در اين پژوهش براي اندازه‌گيري و تعيين عوامل موثر بر مقدار شاخص مخروطي خاك، آزمايش‌هاي مزرعه‌اي در سه نوع خاك و در داخل هر نوع خاك از آزمايش فاكتوريل بر پايه طرح بلوك كامل تصادفي (RCDB) و با 5 تكرار استفاده شد. در داخل هر بافت خاك سطوح مختلف رطوبت در 3 سطح (خشك، نيمه‌مرطوب و مرطوب)، عمق در 3 سطح (10-0، 20-10 و 30-20 سانتي‌متر) و تعداد تردد تراكتور در 3 سطح (0، 10 و 20 بار عبور) بر روي شاخص مخروطي خاك بررسي شد. پس از تجزيه و تحليل داده‌ها مشخص گرديد كه اثرات نوع خاك، عمق، سطوح مختلف رطوبت و تردد تراكتور بر روي مقادير شاخص مخروطي خاك در سطح 1 درصد معني‌دار بوده است. در اين پژوهش براي تعيين مدل رياضي شاخص مخروطي خاك (عامل وابسته) از رگرسيون چندمتغيره خطي استفاده شد. 4 عامل مستقل درصد محتوي رطوبتي، جرم مخصوص ظاهري، هدايت الكتريكي و عمق نمونه‌برداري در اين مدل مورد استفاده قرار گرفتند. نتايج به‌دست آمده نشان داد اثر همه متغيرهاي مستقل بروي شاخص مخروطي به‌عنوان متغير وابسته در سطح 1 درصد معني‌دار شده است. شبكه‌هاي عصبي مصنوعي طراحي شده در اين پژوهش كه به‌منظور تخمين شاخص مخروطي خاك مورد استفاده قرار گرفتند، از نوع شبكه‌هاي چندلايه پس‌انتشار برگشتي بودند كه به‌منظور آموزش شبكه از سه الگوريتم گراديان نزولي با مومنتوم، الگوريتم لونبرگ- ماركوات و الگوريتم گراديان نزولي مقياسي استفاده گرديد. شبكه پس‌انتشار برگشتي با الگوريتم آموزشي لونبرگ- ماركوات با تابع تبديل لگاريتم سيگموييدي نتايج بهتري را نسبت به ساير الگوريتم‌هاي آموزشي در شبيه‌سازي داده‌ها و آموزش شبكه عصبي مصنوعي ارايه كرد. استفاده از دو لايه مخفي هر كدام با 34 نرون داراي بهترين عملكرد نسبت به ساير الگوريتم‌هاي آموزشي و همچنين الگوريتم آموزشي لونبرگ- ماركوات با يك لايه مخفي نشان داد. مقايسه نتايج به‌دست آمده از مدل شبكه عصبي مصنوعي و مدل‌هاي رگرسيوني به‌منظور پيش‌بيني شاخص مخروطي خاك نشان داد كه مدل شبكه عصبي مصنوعي قادر به مدل كردن مقادير شاخص مخروطي با دقت بالاتر نسبت به مدل‌هاي رگرسيوني ارايه شده در اين پژوهش مي‌باشد. نتايج اين پژوهش مي‌تواند در مديريت فشردگي خاك در خاك‌هاي دشت اردبيل و همچنين تعيين عمق بهينه ادوات خاك‌ورز اوليه مورد استفاده قرار گيرد.

Soil cone index as one of the criteria that states mechanical strength of the soil is affected by many factors including soil moisture content and soil compaction. Despite widespread progress in the development of precision agriculture, crop production management in relation to soil physical properties goes back to the last few years. One of the most important soil characteristics that affects crop yield is soil mechanical resistance. This characteristic is expressed generally by soil cone index maps. In this study, for measuring and determining the factors affecting soil cone index, field experiments were carried out on three soil types. Within each soil type, the factorial experiment based on randomized complete block design (RCDB) with five replications was used. The effects of soil moisture content at three levels (dry, semi-humid and humid), sampling depth at three levels (0-10, 10-20 and 20-30 cm) and number of tractor traffic at three levels (0, 10 and 20 Time passes) was investigated on soil cone index. After data analysis, it was revealed that the effects of soil type, sampling depth, different levels of soil moisture and tractor traffic were significant on soil cone index values (P < 0.01). In order to develop a mathematical model for soil cone index, multivariate linear regression was used. Independent factors were soil moisture content, soil bulk density, electrical conductivity and sampling depth whereas soil cone index was the dependent factor. The results showed that the effect of all independent variables on soil cone index as the dependent variable were significant at probability level of 1%. Back propagation neural networks with three different training algorithms (gradient descending algorithm with momentum, descending scaled gradient and Levenberg-Marquardt) were adopted for predicting soil cone index parameter. Back propagation neural networks with Levenberg-Marquardt training algorithm presented better accuracy in simulation and prediction as compared to others. Using Levenberg-Marquardt training algorithm with two hidden layers with 34 neurons in each layer presented the best performance than other algorithms and even Levenberg-Marquardt training algorithm with one layer. Comparison of results of artificial neural network models and regression models to predict the soil cone index indicated that the neural network model could model soil cone index values with higher accuracy than the regression models. The results of this study could be utilized in soil compaction management of Ardabil plain soils and also in determination of the optimum tillage depth in these areas.