உணவு பதப்படுத்துதல் மற்றும் தொழில்நுட்ப இதழ்

சுருக்கம்

செயற்கை நுண்ணறிவு நுட்பங்களைப் பயன்படுத்தி நிலத்தை சமன் செய்வதில் சுற்றுச்சூழல் குறிகாட்டிகளின் கணிப்பு

இஷாம் அல்சூப்

நிலத்தை சமன்படுத்துதல் என்பது மண் தயாரிப்பு மற்றும் சாகுபடியில் மிக முக்கியமான படிகளில் ஒன்றாகும். இயந்திரங்களைக் கொண்டு நிலத்தை சமன் செய்வதற்கு கணிசமான அளவு ஆற்றல் தேவைப்பட்டாலும், அது மண்ணின் குறைந்தபட்ச சீரழிவு மற்றும் மண்ணில் உள்ள தாவரங்கள் மற்றும் பிற உயிரினங்களுக்கு சேதம் ஏற்படுவதற்கு ஏற்ற மேற்பரப்பு சரிவை வழங்குகிறது. ஆயினும்கூட, சமீபத்திய ஆண்டுகளில் ஆராய்ச்சியாளர்கள் புதைபடிவ எரிபொருள் நுகர்வு மற்றும் அதன் தீங்கு விளைவிக்கும் பக்க விளைவுகளை புதிய நுட்பங்களைப் பயன்படுத்தி குறைக்க முயன்றனர்; செயற்கை நரம்பியல் நெட்வொர்க் (ANN), ஏகாதிபத்திய போட்டி அல்காரிதம் -ANN (ICA-ANN), மற்றும் பின்னடைவு மற்றும் அடாப்டிவ் நியூரோ-ஃபஸி அனுமான அமைப்பு (ANFIS) மற்றும் உணர்திறன் பகுப்பாய்வு ஆகியவை சுற்றுச்சூழலில் குறிப்பிடத்தக்க முன்னேற்றத்திற்கு வழிவகுக்கும். இந்த ஆராய்ச்சியில், கரையின் அளவு, மண் சுருக்கக் காரணி, குறிப்பிட்ட ஈர்ப்பு, ஈரப்பதம், சாய்வு, மணல் சதவீதம் மற்றும் மண் வீக்கக் குறியீடு போன்ற பல்வேறு மண் பண்புகளின் ஆற்றல் நுகர்வு விளைவுகள் ஆராயப்பட்டன. இந்த ஆய்வு 3 வெவ்வேறு பகுதிகளில் இருந்து சேகரிக்கப்பட்ட 90 மாதிரிகள் கொண்டது. ஈரானின் கராஜ் மாகாணத்தில் உள்ள ஒரு விவசாய நிலத்தில் இருந்து 20 மீ (20*20) இல் கட்டம் அளவு 20 மீ அமைக்கப்பட்டது. இந்த வேலையின் நோக்கம் நிலத்தை சமன் செய்வதற்கான ஆற்றல் நுகர்வுகளை கணிப்பதற்காக சிறந்த நேரியல் மாதிரியான அடாப்டிவ் நியூரோ-ஃபஸி அனுமான அமைப்பு (ANFIS) மற்றும் உணர்திறன் பகுப்பாய்வு ஆகியவற்றை தீர்மானிப்பதாகும். உணர்திறன் பகுப்பாய்வின் முடிவுகளின்படி, மூன்று அளவுருக்கள் மட்டுமே; அடர்த்தி, மண் அமுக்கக் காரணி மற்றும், அணைக்கட்டு தொகுதி குறியீடு ஆகியவை எரிபொருள் நுகர்வில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தியது. பின்னடைவின் முடிவுகளின்படி, மூன்று அளவுருக்கள் மட்டுமே; சாய்வு, கட்-ஃபில் வால்யூம் (V) மற்றும், மண் வீக்கம் குறியீடு (SSI) ஆற்றல் நுகர்வில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தியது. தொழிலாளர் ஆற்றல், எரிபொருள் ஆற்றல், மொத்த இயந்திரச் செலவு மற்றும் மொத்த இயந்திர ஆற்றல் ஆகியவற்றைக் கணிப்பதற்காக தகவமைப்பு நரம்பியல் தெளிவற்ற அனுமான முறையைப் பயன்படுத்தி வெற்றிகரமாக நிரூபிக்க முடியும். ANN உடன் ஒப்பிடுகையில், அனைத்து ICA-ANN மாடல்களும் அவற்றின் உயர் R2 மதிப்பு மற்றும் குறைந்த RMSE மதிப்பின் படி கணிப்பதில் அதிக துல்லியத்தைக் கொண்டிருந்தன. பன்முகத்தன்மை கொண்ட ICA-ANN மற்றும் பின்னடைவு மற்றும் செயற்கை நரம்பியல் நெட்வொர்க் மற்றும் உணர்திறன் பகுப்பாய்வு மற்றும் அடாப்டிவ் நியூரோ-ஃபஸி அனுமான அமைப்பு (ANFIS) மாதிரி ஆகியவற்றின் செயல்திறன் புள்ளிவிவர குறியீட்டை (RMSE, R2 )) பயன்படுத்தி மதிப்பீடு செய்யப்பட்டது. ICA-ANN மாதிரியால் பெறப்பட்ட RMSE மற்றும் R2 மதிப்புகள், தொழிலாளர் ஆற்றல் (0.0146 மற்றும் 0.9987), எரிபொருள் ஆற்றல் (0.0322 மற்றும் 0.9975), மொத்த இயந்திரச் செலவு (0.0248 மற்றும் 0.9963), மொத்த இயந்திரம் மற்றும் ஆற்றல், 781 (முறையே 0.0.0.91 போது பன்முக பின்னடைவு மாதிரிக்கான இந்த அளவுருக்கள், தொழிலாளர் ஆற்றல் (0.1394 மற்றும் 0.9008), எரிபொருள் ஆற்றல் (0.1514 மற்றும் 0.8913), மொத்த இயந்திரச் செலவு (TMC) (0.1492 மற்றும் 0.9128), மொத்த இயந்திர ஆற்றல் (0.1390 ​​மற்றும் 0.1390 ​​வேளை) ANN மாடலுக்கான அளவுருக்கள், தொழிலாளர் ஆற்றல் (0.0159 மற்றும் 0.9990), எரிபொருள் ஆற்றல் (0.0206 மற்றும் 0.9983), மொத்த இயந்திரச் செலவு (0.0287 மற்றும் 0.9966), மொத்த இயந்திர ஆற்றல் (0.0157 மற்றும் 0.990 0.990 ஆகிய அளவுருக்கள் மாதிரிகள்) , தொழிலாளர் ஆற்றல் (0.1899 மற்றும் 0.8631), எரிபொருள் ஆற்றல் (0.8562 மற்றும் 0.0206), மொத்த இயந்திரச் செலவு (0.1946 மற்றும் 0.8581),முறையே மொத்த இயந்திர ஆற்றல் (0.1892 மற்றும் 0.8437), ANFIS மாடலுக்கான இந்த அளவுருக்கள் தொழிலாளர் ஆற்றல் (0.0159 மற்றும் 0.9990), எரிபொருள் ஆற்றல் (0.0206 மற்றும் 0.9983), மொத்த இயந்திரச் செலவு (மொத்தம் 2870) ஆற்றல் (0.0157 மற்றும் 0.9990) முறையே, மறைக்கப்பட்ட அடுக்கில் ஏழு நியூரான்களைக் கொண்ட ICA_ANN சிறப்பாக இருப்பதாக முடிவுகள் காட்டுகின்றன.