American Journal of Drug Delivery and Therapeutics Offener Zugang

Abstrakt

Vorhersage von Umweltindikatoren bei der Landnivellierung mithilfe der künstlichen Intelligenz

Isham Alzoub

Die Bodennivellierung ist einer der wichtigsten Schritte bei der Bodenvorbereitung für die Landwirtschaft und andere Zwecke. Neue Techniken auf Basis künstlicher Intelligenz wie künstliche neuronale Netze, die künstliche neuronale Netze und imperialistische Wettbewerbsalgorithmen integrieren (ICA-ANN), oder genetische Algorithmen (GA-ANN) oder Partikelschwarmoptimierung (PSO-ANN) wurden zur Entwicklung von Vorhersagemodellen zur Schätzung der energierelevanten Parameter eingesetzt und die Ergebnisse mit den Ergebnissen von SPSS und Sensitivitätsanalyse verglichen. In dieser Studie wurden verschiedene Bodeneigenschaften wie Abtrags-/Auffüllvolumen, Kompressibilitätsfaktor, spezifisches Gewicht, Feuchtigkeitsgehalt, Neigung des Gebiets, Sandanteil und Quellungsindex gemessen und ihre Auswirkungen auf den Energieverbrauch untersucht. Insgesamt wurden 90 Proben von 3 Landflächen mit einer Rastergröße von 20 m × 20 m gesammelt. Ziel dieser Arbeit war die Entwicklung von Vorhersagemodellen auf Basis künstlicher Intelligenztechniken zur Vorhersage der Umweltindikatoren der Bodennivellierung. Die Ergebnisse der Sensitivitätsanalyse zeigten, dass nur drei Parameter – Bodendichte, Bodenkompressibilität und Abtrags-/Auffüllvolumen – bedeutende Auswirkungen auf den Energieverbrauch haben. Unter den vorgeschlagenen Methoden war GA-ANN bei der Vorhersage der Umweltenergieparameter am besten geeignet. Bei der Vorhersage von LE und FE schnitten die ANN- und ICA-ANN-Algorithmen jedoch besser ab. Andererseits hatte die SPSS-Software einen höheren R2-Wert als die Minitab-Software und die Sensitivitätsanalyse und lag tatsächlich nahe an den ANN-Werten. Schlüsselwörter: Energie; imperialistischer Wettbewerbsalgorithmus; Sensitivitätsanalyse; ANN; Landnivellierung; Umweltindikatoren.