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 جوانه­زنی بذر، رشد ریشه و عملیات خاک­ورزی اهمیت فراوان دارد. اندازه­گیری مستقیمPR  خاک به­دلیل تغییرپذیری مکانی و زمانی شدید آن، کاری پرزحمت و گران می­باشد. هدف از این پژوهش، ارایه مدل­های رگرسیون خطی (MLR)، شبکه عصبی مصنوعی (ANN) و برنامه­ریزی بیان ژن (GEP) برای برآورد PR از روی ویژگی­های زودیافت خاک بود. در مجموع ۸۰ نمونه خاک سطحی (۰ تا cm ۱۰) دست­خورده و دست­نخورده (با استفاده از استوانه­های استیل به قطر و ارتفاع ۵ سانتی­متر) از اراضی جنگلی، مرتعی و زراعی منطقه فندقلوی اردبیل در تابستان ۱۴۰۲ برداشته شد سپس برخی خصوصیات فیزیکی و شیمیایی زودیافت خاک در آنها اندازه­گیری شد. مقاومت فروروی خاک به­طور درجا در محل با استفاده از یک فروسنج مخروطی تعیین گردید و همزمان رطوبت خاک مزرعه در استوانه­ها اندازه­گیری شد. داده­ها به­طور تصادفی به دو گروه آموزشی (۶۰ نمونه) و آزمونی (۲۰ نمونه) تقسیم گردید. مدل­های MLR، ANN و GEP به­ترتیب با استفاده از نرم­افزارهای SPSS، MATLAB و Gene Xpro Tools ایجاد شدند. نتایج مدل­سازی نشان داد که رطوبت خاک مزرعه، سیلت و جرم مخصوص ظاهری نسبی، مهمترین متغیرهای ورودی در برآورد PR خاک بودند. مقادیر آماره­های ضریب تبیین (R۲)، مجذور میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و ضریب نش-ساتکلیف (NS) براساس داده­های آزمونی برابر ۴۴/۰، MPa ۱۹/۱، MPa ۱۹/۰ و ۳۶/۰، ۹۲/۰، MPa ۴۱/۰، MPa ۰۵/۰- و ۹۲/۰، ۷۹/۰، MPa ۹۱/۰، MPa ۱۳/۰ و ۶۳/۰ به­ترتیب برای بهترین مدل MLR، ANN و GEP تعیین گردید. براساس نتایج آماره­های ارزیابی مدل­ها، می­توان گفت که در منطقه مورد مطالعه، مدل ANN از بیشترین دقت و مدل MLR از کمترین دقت در برآورد PR خاک برخوردار بود.

کلیدواژه ها:

تخمین ، رطوبت جرمی ، مقاومت خاک ، منطقه فندقلو ، ویژگی زودیافت