ఫుడ్ ప్రాసెసింగ్ & టెక్నాలజీ జర్నల్

నైరూప్య

కృత్రిమ మేధస్సు పద్ధతులను ఉపయోగించి భూమిని సమం చేయడంలో పర్యావరణ సూచికల అంచనా

ఇషామ్ అల్జౌబ్

నేల తయారీ మరియు సాగులో భూమిని చదును చేయడం చాలా ముఖ్యమైన దశలలో ఒకటి. యంత్రాలతో భూమిని సమం చేయడానికి గణనీయమైన శక్తి అవసరం అయినప్పటికీ, నేల యొక్క అతితక్కువ క్షీణత మరియు మట్టిలోని మొక్కలు మరియు ఇతర జీవులకు నష్టం వాటిల్లడంతో ఇది తగిన ఉపరితల వాలును అందిస్తుంది. అయినప్పటికీ, ఇటీవలి సంవత్సరాలలో పరిశోధకులు శిలాజ ఇంధన వినియోగం మరియు దాని హానికరమైన దుష్ప్రభావాలను వంటి కొత్త పద్ధతులను ఉపయోగించి తగ్గించడానికి ప్రయత్నించారు; ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ (ANN), ఇంపీరియలిస్ట్ కాంపిటేటివ్ అల్గోరిథం -ANN (ICA-ANN), మరియు రిగ్రెషన్ మరియు అడాప్టివ్ న్యూరో-ఫజీ ఇన్ఫరెన్స్ సిస్టమ్ (ANFIS) మరియు సెన్సిటివిటీ అనాలిసిస్ పర్యావరణంలో గుర్తించదగిన మెరుగుదలకు దారి తీస్తుంది. ఈ పరిశోధనలో గట్టు పరిమాణం, నేల సంపీడన కారకం, నిర్దిష్ట గురుత్వాకర్షణ, తేమ కంటెంట్, వాలు, ఇసుక శాతం మరియు శక్తి వినియోగంలో నేల వాపు సూచిక వంటి వివిధ నేల లక్షణాల ప్రభావాలను పరిశోధించారు. ఈ అధ్యయనంలో 3 వేర్వేరు ప్రాంతాల నుండి 90 నమూనాలు సేకరించబడ్డాయి. ఇరాన్‌లోని కరాజ్ ప్రావిన్స్‌లోని వ్యవసాయ భూమి నుండి 20 మీ (20*20)లో గ్రిడ్ పరిమాణం 20 మీ సెట్ చేయబడింది. భూమి లెవలింగ్ కోసం శక్తి వినియోగాన్ని అంచనా వేయడానికి ఉత్తమ లీనియర్ మోడల్ అడాప్టివ్ న్యూరో-ఫజీ ఇన్ఫరెన్స్ సిస్టమ్ (ANFIS) మరియు సెన్సిటివిటీ అనాలిసిస్‌ను నిర్ణయించడం ఈ పని యొక్క లక్ష్యం. సున్నితత్వ విశ్లేషణ ఫలితాల ప్రకారం, కేవలం మూడు పారామితులు; సాంద్రత, నేల సంపీడన కారకం మరియు, ఎంబాంక్‌మెంట్ వాల్యూమ్ ఇండెక్స్ ఇంధన వినియోగంపై గణనీయమైన ప్రభావాన్ని చూపాయి. రిగ్రెషన్ ఫలితాల ప్రకారం, కేవలం మూడు పారామితులు; స్లోప్, కట్-ఫిల్ వాల్యూమ్ (V) మరియు, సాయిల్ స్వెల్లింగ్ ఇండెక్స్ (SSI) శక్తి వినియోగంపై గణనీయమైన ప్రభావాన్ని చూపింది. కార్మిక శక్తి, ఇంధన శక్తి, మొత్తం యంత్రాల ధర మరియు మొత్తం యంత్రాల శక్తి యొక్క అంచనా కోసం అనుకూల న్యూరో-ఫజీ అనుమితి వ్యవస్థను ఉపయోగించడం విజయవంతంగా ప్రదర్శించబడుతుంది. ANNతో పోల్చితే, అన్ని ICA-ANN మోడల్‌లు వాటి అధిక R2 విలువ మరియు తక్కువ RMSE విలువ ప్రకారం అంచనాలో అధిక ఖచ్చితత్వాన్ని కలిగి ఉన్నాయి. మల్టీవియారిట్ ICA-ANN మరియు రిగ్రెషన్ మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ మరియు సెన్సిటివిటీ అనాలిసిస్ మరియు అడాప్టివ్ న్యూరో-ఫజీ ఇన్ఫరెన్స్ సిస్టమ్ (ANFIS) మోడల్ యొక్క పనితీరు గణాంక సూచిక (RMSE, R2 )) ఉపయోగించి మూల్యాంకనం చేయబడింది. ICA-ANN మోడల్ ద్వారా పొందిన RMSE మరియు R2 విలువలు, లేబర్ ఎనర్జీ (0.0146 మరియు 0.9987), ఇంధన శక్తి (0.0322 మరియు 0.9975), మొత్తం యంత్రాల ధర (0.0248 మరియు 0.9963), మొత్తం యంత్రాల శక్తి, 791 (వరుసగా 0.091) అయితే మల్టీవియారిట్ రిగ్రెషన్ మోడల్ కోసం ఈ పారామితులు, లేబర్ ఎనర్జీ (0.1394 మరియు 0.9008), ఇంధన శక్తి (0.1514 మరియు 0.8913), మొత్తం యంత్రాల వ్యయం (TMC) (0.1492 మరియు 0.9128), మొత్తం మెషినరీ ఎనర్జీ (0.1390 ​​మరియు 0.1390 ​​అయితే, 30, అయితే). ANN మోడల్‌కు సంబంధించిన పారామితులు, లేబర్ ఎనర్జీ (0.0159 మరియు 0.9990), ఇంధన శక్తి (0.0206 మరియు 0.9983), మొత్తం యంత్రాల వ్యయం (0.0287 మరియు 0.9966), మొత్తం యంత్రాల శక్తి విశ్లేషణ (0.0157 మరియు 0.990 0. 0.0157 మరియు 0.990 0. , లేబర్ ఎనర్జీకి (0.1899 మరియు 0.8631), ఇంధన శక్తి (0.8562 మరియు 0.0206), మొత్తం యంత్రాల ధర (0.1946 మరియు 0.8581),మొత్తం మెషినరీ ఎనర్జీ వరుసగా (0.1892 మరియు 0.8437), అయితే ANFIS మోడల్ కోసం ఈ పారామితులు లేబర్ ఎనర్జీ (0.0159 మరియు 0.9990), ఇంధన శక్తి (0.0206 మరియు 0.9983), మొత్తం మెషినరీ ఖర్చు (0.02870), మొత్తం 28970. శక్తి (0.0157 మరియు 0.9990) వరుసగా, దాచిన పొరలో ఏడు న్యూరాన్‌లతో ICA_ANN మెరుగ్గా ఉందని ఫలితాలు చూపించాయి.