فهرست نشریات علمی دسترسی آزاد ایران

اندازه­گیری مستقیم میانگین وزنی قطر (MWD) خاکدانه­های تر به­عنوان یکی از شاخص­های مهم برای ارزیابی پایداری ساختمان خاک، کاری وقت­گیر و پرهزینه است. هدف پژوهش حاضر مقایسه دقت مدل رگرسیون خطی چندگانه (MLR) و دو مدل هوشمند شامل شبکه عصبی مصنوعی (ANN) و برنامه­ریزی بیان ژن (GEP) در برآورد MWD از روی متغیرهای زودیافت و سهل­الوصول خاک بود. برای این منظور، 80 نمونه خاک سطحی دست­خورده و دست­نخورده از عمق صفر تا cm 10 اراضی جنگلی، مرتعی و زراعی منطقه فندقلوی استان اردبیل جمع­آوری شد. سپس برخی ویژگی­های فیزیکی و شیمیایی زودیافت آن­ها و میانگین وزنی قطر (MWD) خاکدانه­های تر مطابق روش­های معمول و استاندارد تعیین گردید. داده­ها به­طور تصادفی به دو مجموعه آموزشی (60 داده) و آزمونی (20 داده) تقسیم گردید. مدل­های MLR، ANN و GEP به­ترتیب با به­کارگیری نرم­افزارهای SPSS، MATLAB و Gene Xpro Tools ایجاد شدند. نتایج نشان­دهنده همبستگی مثبت و معنی­دار (**59/0 r=) بین شن و کربن آلی خاک بود. شن، کربن آلی و میانگین هندسی قطر (GMD) خاکدانه­های خشک از مهمترین متغیرهای ورودی مدل­ها در برآورد MWD خاکدانه­های تر بودند. براساس داده­های آزمونی، مقادیر ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و ضریب نش-ساتکلیف (NS) برابر 52/0، mm 48/0، mm 13/0 و 48/0، 85/0، mm 30/0 ، mm 03/0 و 78/0، 79/0، mm 35/0، mm 10/0 - و 95/0 به­ترتیب در بهترین مدل MLR، ANN و GEP به­دست آمد. بنابراین مدل MLR در مقایسه با مدل­های هوشمند از دقت کمتری و خطای بیشتری در برآورد MWD برخوردار بود؛ مدل ANN به علت داشتن R2 و NS بالا و RMSE پایین توانست در مقایسه با دو مدل دیگر، MWD خاکدانه­های تر را با دقت زیاد و خطای کم در منطقه مورد مطالعه تخمین بزند.