مقایسه عملکرد مدل­های نرو فازی، برنامه­ریزی بیان ژن و جنگل تصادفی در برآورد مقاومت فروروی خاک

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 16

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSW-40-2_006

تاریخ نمایه سازی: 22 مهر 1405

چکیده مقاله:

مقاومت فروروی (PR) خاک یکی از ویژگی­های کلیدی و مهم در ارزیابی میزان فشردگی خاک در برابر تردد ادوات کشاورزی در اراضی زراعی به شمار می­رود. اندازه­گیری مستقیم PR در خاک وقت­گیر و پرهزینه بوده و به­دلیل خطای ابزاری ممکن است چندان قابل اعتماد نباشد. هدف اصلی این پژوهش، ارزیابی و مقایسه عملکرد سه مدل هوشمند نروفازی (NF)، برنامه­ریزی بیان ژن (GEP) و جنگل تصادفی (RF) در برآورد PR از روی ویژگی­های زودیافت خاک می­باشد. برای این منظور، داده­های مربوط به ۱۰۵ نمونه خاک زراعی دشت اردبیل شامل رطوبت خاک مزرعه، رطوبت اشباع، شن، سیلت، رس، میانگین و انحراف معیار هندسی قطر ذرات، جرم مخصوص ظاهری و حقیقی، تخلخل کل، کربن آلی، آهک و PR به­کار گرفته شد. برای آموزش مدل­ها از ۷۸ داده و برای آزمون مدل­ها از ۲۷ داده استفاده گردید. پانزده ترکیب متفاوت از متغیرهای زودیافت خاک به­عنوان ورودی مدل­های NF، GEP و RF برای برآورد PR انتخاب شد. رطوبت خاک مزرعه به­عنوان یک متغیر سهل الوصول و زودیافت در بهترین مدل NF، GEP و RF برای برآورد PR خاک مورد استفاده قرار گرفت. مقادیر آماره­های ضریب تبیین (R۲)، ریشه میانگین مربعات خطای نرمال شده (NRMSE)، میانگین خطا (ME) و ضریب نش-ساتکلیف (NS) براساس داده­های آزمونی برابر ۵۰/۰، ۱۹/۰، MPa ۰۳/۰ و ۵۱/۰ و ۵۱/۰، ۲۰/۰، MPa ۱۳/۰ و ۴۸/۰ و ۵۸/۰، ۲۰/۰، MPa ۳۱/۰ و ۵۰/۰ به­ترتیب برای بهترین مدل NF، GEP و RF در برآورد PR تعیین گردید. نتایج نشان داد که مدل NF با سه متغیر ورودی شامل جرم مخصوص ظاهری، شن و رطوبت خاک مزرعه در مقایسه با دو مدل هوشمند دیگر (GEP و RF) به دلیل داشتن NRMSE پایین و NS بالا توانست مقاومت فروروی خاک را با دقت نسبتا بالایی در اراضی زراعی دشت اردبیل برآورد نماید.

نویسندگان

حسین علی عبد الرضا

گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

شکراله اصغری

گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

مهسا حسنپور کاشانی

گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

حسین شهاب آرخازلو

گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Asghari, Sh., Hasanpour Kashani, M., & Shahab Arkhazloo, H. (۲۰۲۴). ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learning, ۴۵, ۵-۳۲ ...
  • Elaoud, A., Hassen, H.B., Jalel, R., Salah, N.B., Masmoudi, A., ...
  • Ghorbani, M.A., Deo, R.C., Kashani, M.H., Shahabi, M., & Ghorbani, ...
  • Wan, H., Qi, H., & Shang, S. (۲۰۲۳). Estimating soil ...
  • نمایش کامل مراجع