تخمین شاخص مخروطی با استفاده از شبکه های عصبی مصنوعی و مقایسه ان با مدل های خطی

داده هایی که در منابع اطلاعاتی وجود دارد احتیاجات ما را از نظر مطالعات محیطی برای ارزیابی کیفیت آب و خاک، ومدیریت زراعی و کشاورزی دقیق براورده نمی کند . شاخص مخروطی یکی از خصوصیات فیزیکی بسیار مهم خاک بوده و به متغیرهای زیادی مانند تراکم، تخلخل، بافت خاک، ساختمان خاک، عوامل سیمانی کننده، ماده الی 1 و رطوبت خاک بستگی دارد [.2] اما غالبا تحت تاثیر BD و رطوبت خاک می باشد [.6] برخی محققان [.3] اب خاک و برخی دیگر [.2] نیز BD را مهمترین پارامتر در تخمین CI معرفی کرده اند . برخی محققین [.4] رابطه نزدیک CI با بافت خاک را گزارش کردند . ولی گزارش گردیده که بافت خاک دارای همبستگی قوی با رطوبت خاک می باشد [.2] از پتانسیل اب [5] و تنش موثر 1] و [.7 برای تخمین CI استفاده شده است منتها وقت گیر و پرهزینه بودن این متغیر ها از یک طرف و نبودن داده های این دو متغیر در پایگا های اطلاعاتی از طرف دیگر کاربرد انها را محدود کرده است . بنابراین یافتن روش هایی که بتوان با کمترین هزینه و تنها با استفاده از داده های قابل دسترس مانند BD و رطوبت خاک بهترین تابع را برای تخمین CI ایجاد کرد بسیار حائز اهمیت می باشد . شبکه های عصبی مصنوعی 2 قادر به مدل کردن و شبیه سازی رفتار سیستم های پیچیده می باشد و می تواند روش مناسبی برای ایجاد توابع باشد . تخلخل کل یک پارامتر قابل دسترس در منابع اطلاعاتی می باشد و بر CI نیز موثر می باشد [2] ولی کمتر در تخمین CI بکار رفته است . بنابراین اهداف این تحقیق عبارتند از : الف - استفاده از شبکه های عصبی مصنوعی جهت ایجاد توابع انتقالی برای تخمین CI با استفاده از BD و رطوبت خاک ب - بررسی میزان بهبود تخمین با استفاده از تخلخل کل به عنوان پارامتر ورودی به همراه BD و رطوبت خاک .