హోటల్ అండ్ బిజినెస్ మేనేజ్మెంట్ జర్నల్
అందరికి ప్రవేశం

నైరూప్య

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ టెక్నిక్‌లను ఉపయోగించి ల్యాండ్ లెవలింగ్‌లో పర్యావరణ సూచికల అంచనా

ఇషామ్ అల్జౌబీ

మట్టి ప్రణాళిక మరియు అభివృద్ధిలో ల్యాండ్ లెవలింగ్ అనేది అత్యంత ముఖ్యమైన పురోగతి. యంత్రాలతో భూమిని లెవలింగ్ చేయడానికి గణనీయమైన శక్తి అవసరం అయినప్పటికీ, ఇది మురికి యొక్క అతితక్కువ క్షయం మరియు మురికిలోని మొక్కలు మరియు వివిధ జీవులకు హాని కలిగించే సహేతుకమైన ఉపరితల వంపుని తెలియజేస్తుంది. ఏది ఏమైనప్పటికీ , చివరి సంవత్సరాలలో నిపుణులు కొత్త విధానాలను ఉపయోగించి పెట్రోలియం ఉత్పన్న వినియోగాన్ని మరియు దాని హానికరమైన లక్షణాలను తగ్గించడానికి ప్రయత్నించారు, ఉదాహరణకు, ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ (ANN), ఇంపీరియలిస్ట్ కాంపిటేటివ్ అల్గోరిథం - ANN (ICA- ANN), మరియు పునఃస్థితి మరియు అనుకూల న్యూరో- ఫజ్జీ ఇన్ఫరెన్స్ సిస్టమ్ (ANFIS) మరియు సున్నితత్వ విశ్లేషణ భూమిలో గుర్తించదగిన అభివృద్ధిని ప్రేరేపిస్తుంది. ఈ పరీక్షలో వివిధ నేల లక్షణాల ప్రభావాలు, ఉదాహరణకు, ఎంబాంక్‌మెంట్ వాల్యూమ్, సాయిల్ కంప్రెసిబిలిటీ ఫ్యాక్టర్, నిర్దిష్ట గురుత్వాకర్షణ, తేమ కంటెంట్, వాలు, ఇసుక శాతం మరియు జీవశక్తి వినియోగంలో నేల వాపు సూచిక వంటివి పరిశోధించబడ్డాయి. పరీక్షలో 90 ఉదాహరణలు 3 ప్రత్యేక ప్రాంతాల నుండి సేకరించబడ్డాయి. ఇరాన్‌లోని కరాజ్ భూభాగంలోని వ్యవసాయ భూమి నుండి 20 మీ (20*20)లో లాటిస్ పరిమాణం 20 మీ. భూమి లెవలింగ్ కోసం జీవశక్తి వినియోగాన్ని అంచనా వేయడానికి ఉత్తమ డైరెక్ట్ మోడల్ అడాప్టివ్ న్యూరో-ఫజీ ఇన్ఫరెన్స్ సిస్టమ్ (ANFIS) మరియు సెన్సిటివిటీ అనాలిసిస్‌ను నిర్ణయించడం ఈ పని యొక్క ఉద్దేశ్యం. సున్నితత్వ విశ్లేషణ యొక్క అనంతర ప్రభావాల ద్వారా సూచించబడినట్లుగా, కేవలం మూడు సరిహద్దులు; సాంద్రత, సాయిల్ కంప్రెసిబిలిటీ ఫ్యాక్టర్ మరియు, ఎంబాంక్‌మెంట్ వాల్యూమ్  ఇండెక్స్ ఇంధన వినియోగంపై క్లిష్టమైన ప్రభావాన్ని చూపాయి. పునఃస్థితి యొక్క అనంతర ప్రభావాల ప్రకారం, కేవలం మూడు సరిహద్దులు; స్లోప్, కట్-ఫిల్ వాల్యూమ్ (V) మరియు, సాయిల్ స్వెల్లింగ్ ఇండెక్స్ (SSI) జీవశక్తి వినియోగంపై భారీ ప్రభావాన్ని చూపాయి. పని శక్తి, ఇంధన శక్తి, పూర్తి ఉపకరణం ఖర్చు మరియు అన్ని హార్డ్‌వేర్ జీవశక్తిని అంచనా వేయడానికి బహుముఖ న్యూరో-మెత్తటి డెరివేషన్ ఫ్రేమ్‌వర్క్‌ను ఉపయోగించడం సమర్థవంతంగా వివరించబడుతుంది. ANNతో పరస్పర సంబంధంలో, అన్ని ICA-ANN మోడల్‌లు వాటి అధిక R2 విలువ మరియు తక్కువ RMSE గౌరవం ద్వారా అంచనాలో అధిక ఖచ్చితత్వాన్ని కలిగి ఉన్నాయి.