Journal of Water and Soil Science

fa مدل‌سازی شاخص S و تعیین عوامل مؤثر بر آن با استفاده از الگوریتم هیبرید شبیه‎سازی تبرید- شبکه عصبی مصنوعی در خاک‌های آهکی جنوب‌شرق ایران Identifying the Determinant Factors Influencing S Index in Calcereous Soils Using Anneling Simulated– Artificial Neural Network Hybrid Algorithm عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">استفاده از شیب منحنی مشخصه رطوبتی خاک در نقطه عطف (شاخص S)، یکی از شاخص&lrm;های مهم ارزیابی کیفیت خاک در برنامه&lrm;ریزی مدیریت اراضی زراعی و باغی محسوب می&lrm;‌شود. هدف از این پژوهش، تعیین مؤثرترین ویژگی&lrm;های خاک در منطقه جیرفت بر تخمین شاخص S با استفاده از الگوریتم هیبرید شبیه&lrm;سازی تبرید - شبکه عصبی مصنوعی بود. به &lrm;ا&lrm;ین &lrm;منظور، 350 نمونه خاک دست&lrm;خورده و 350 نمونه خاک دست&lrm;نخورده &lrm;ا&lrm;ز اراضی زراعی و باغی برداشت و سپس برخی از ویژگی‌های فیزیکی و شیمیایی خاک، شامل درصد شن، سیلت، رس، قابلیت هدایت‌الکتریکی اشباع، چگالی ظاهری، درصد تخلخل کل، درصد مواد آلی و درصد کربنات کلسیم معادل با استفاده از روش&lrm;های استاندارد اندازه&lrm;گیری شدند. همچنین با استفاده از دستگاه صفحات فشاری، مقدار رطوبت خاک در مکش‌های 0، 30،10، 50، 100، 300، 500، 1000 و 1500 کیلوپاسکال تعیین شد. در ادامه با استفاده از الگوریتم هیبریدی شبکه عصبی مصنوعی- شبیه‌سازی تبرید، ویژگی&lrm;های مؤثر بر مدل&lrm;‌سازی شاخص S استخراج شدند. در‌نهایت با استفاده از پنج ویژگی استخراج شده (درصد ش و رس، قابلیت هدایت‌الکتریکی، چگالی ظاهری و ظرفیت زراعی)، مدل&rlm;سازی شاخص S توسط شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که با کاهش متغییرهای ورودی، دقت مدل&lrm;سازی افزایش یافت. به&lrm;علاوه، نتایج آنالیز حساسیت نشان داد چگالی ظاهری با بالاترین ضریب حساسیت (ضریب حساسیت 5/0) به‌عنوان مهم&lrm;‌ترین ویژگی در مدل&lrm;سازی شاخص S محسوب می‌شود. بنابراین، از آنجا که افزایش تعداد ویژگی&lrm;ها لزوماً باعث افزایش دقت مدل‌سازی نمی&lrm;شود، کاهش ویژگی&lrm;های ورودی به&lrm;سبب کاهش هزینه و زمان انجام پژوهش مقرون به&lrm;صرفه است.</div> <div style="text-align: justify;">Use of the curve gradient of the Soil Water Retention Curves (SWRC) in the inflection point (S Index) is one of the main indices for assessing the soil quality for management objectives in agricultural and garden lands. In this study Anneling Simulated – artificial neural network (SA-ANN) hybrid algorithm was used to identify the most effective soil features on estimation of S Index in Jiroft plain. For this purpose, 350 disturbed and undisturbed soils samples were collected from the agricultural and garden lands and then some physical and chemical soil properties including Sand, Silt, Clay percent, Electrical Conductivity at saturation, Bulk Density, total porosity, Organic Mater, and percent of equal Calcium Carbonate were measured. Moreover, the soil moisture amount was determined within the suctions of 0, 10, 30, 50, 100, 300, 500, 1000, 1500 KP using pressure plate. Then, the determinant features influencing the modeling of S Index were derived using SA-ANN hybrid algorithm. The results indicated that modeling precision increased by reducing the input variables. According to the sensitivity analysis, the Bulk Density had the highest sensitivity coefficient (sensitivity coefficient=0.5) and was identified as the determinant feature for modeling the S Index. So, since increasing the number of features does not necessarily increase the accuracy of modeling, reducing input features is due to cost reduction and time-consuming research.</div> کیفیت فیزیکی خاک, انتخاب ویژگی, تحلیل حساسیت, الگوریتم‎های تکاملی soil physical quality, feature selection, sensitivity analysis, meta-heuristic algorithms 381 394 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1755-1&slc_lang=fa&sid=1 F. AmiriMijan فهیمه امیری میجان fahime.amiri@gmail.com Yes 1. Department of Soil Science, College of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran. 1. گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولیعصر (عج) رفسنجان H. Shirani حسین شیرانی shirani@vru.ac.ir No 1. Department of Soil Science, College of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran. 1. گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولیعصر (عج) رفسنجان I. Esfandiarpour عیسی اسفندیارپور esfandiarpoor@vru.ac.ir No 1. Department of Soil Science, College of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran. 1. گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولیعصر (عج) رفسنجان A. Besalatpour علی اصغر بسالت پور a.besalatpour@vru.ac.ir No 2. Inter 3 GmbH - Institut for Ressources management, Berlin, Germany. 2. مؤسسه مدیریت یکپارچه منابع آب، برلین، آلمان H. Shekofteh حسین شکفته hoseinshekofteh@yahoo No 3. Department of Soil Science, Faculty of Agriculture, University of Jiroft, Jiroft, Kerman, Iran. 3. گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه جیرفت