عادله علی جانپور شلمانی - دانشگاه گیلان، رشت
محمود شعبانپور - دانشگاه گیلان
حسین اسدی - دانشگاه گیلان
فرید باقری - مرکز تحقیقات چای کشور لاهیجان

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 ۱۰۰ 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، pH و هدایت الکتریکی به عنوان متغیرهای مستقل و میانگین هندسی قطر خاکدانه­ها (GMD) به عنوان متغیر وابسته تعیین شدند. نمونه­ها به صورت تصادفی به دو سری شامل ۸۰ داده برای آموزش و ۲۰ 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 GMD به­عنوان متغیر وابسته و متغیرهای مستقل، تعداد ۱۸ 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 (R۲ady)، ریشه دوم میانگین مربعات خطا (RMSE) و برتری نسبی (RI) مدل با متغیرهای ورودی pH، جرم ویژه حقیقی، سیلت و مقاومت مکانیکی خاک بهترین مدل­­ شبکه عصبی مصنوعی برای برآورد GMD  داده­های مورد آزمایش شناخته شد.

خاکدانه, شبکه های عصبی مصنوعی, میانگین هندسی قطر خاکدانه ها (GMD)