تخمین پایداری خاکدانه در خاک‌های جنگلی استان گیلان بوسیله شبکه عصبی مصنوعی و توابع انتقالی رگرسیونی

Abstract

استفاده از شبکه­های عصبی مصنوعی و توابع انتقالی رگرسیونی در برآورد ویژگی­های دیریافت خاک از جمله پایداری خاکدانه­ها، هزینه و زمان لازم برای اندازه­گیری مستقیم این ویژگی­ها را کاهش می­دهد. در این پژوهش 100 نمونه خاک از جنگل­های استان گیلان تهیه شد. ماده آلی، جرم ویژه ظاهری، کربنات کلسیم معادل، جرم ویژه حقیقی، تخلخل، مقاومت مکانیکی خاک، رس، شن، سیلت، <em>pH</em> و هدایت الکتریکی به عنوان متغیرهای مستقل و میانگین هندسی قطر خاکدانه­ها (<em>GMD</em>) به عنوان متغیر وابسته تعیین شدند. نمونه­ها به صورت تصادفی به دو سری شامل 80 داده برای آموزش و 20 داده برای آزمون مدل­ها تقسیم شدند. برای ایجاد توابع انتقالی رگرسیونی از روش گام به گام و به منظور تشکیل شبکه­های عصبی مصنوعی از الگوریتم آموزشی مارکوارت-لورنبرگ و ساختار پروسپترون سه لایه با شش نرون در لایه پنهان استفاده شد. بر اساس نتایج ماتریس همبستگی بین <em>GMD</em> به­عنوان متغیر وابسته و متغیرهای مستقل، تعداد 18 گروه متغیر مستقل برای داده­ها انتخاب شدند. این متغیرها یک بار به عنوان متغیرهای ورودی توابع انتقالی رگرسیونی چندگانه و یک بار به عنوان متغیرهای ورودی شبکه عصبی مصنوعی به کار رفتند. بر اساس آماره­های ضریب تبیین تصحیح شده <em>(R²_ady)</em>، ریشه دوم میانگین مربعات خطا (<em>RMSE</em>) و برتری نسبی (<em>RI</em>) مدل با متغیرهای ورودی <em>pH</em>، جرم ویژه حقیقی، سیلت و مقاومت مکانیکی خاک بهترین مدل­­ شبکه عصبی مصنوعی برای برآورد <em>GMD</em> داده­های مورد آزمایش شناخته شد.