fa برآورد نفوذپذیری خاک توسط شبکه عصبی مصنوعی و رگرسیون خطی در اراضی کشاورزی و بکر مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی پژوهشي Research <table align="left" cellpadding="0" cellspacing="0" hspace="0" vspace="0"> <tbody> <tr> <td align="left"> <p dir="RTL"></p> <p dir="RTL">در سال‌های اخیر استفاده از روش‌های غیرمستقیم برای برآورد خصوصیات خاک مورد توجه قرار گرفته است. در روش‌های معمول، اندازه‌گیری نفوذپذیری نیاز به وقت و هزینه زیادی دارد از طرفی وجود عبارات غیرخطی در روابط نفوذپذیری، مدل‌سازی آنها را با مشکل همراه کرده است. امروزه روش شبکه عصبی مصنوعی با کارایی بالا در مدل‌سازی مسایل غیرخطی کاربرد روزافزون آن را سبب شده است. در این پژوهش 200 نمونه خاک جمع‌آوری شده از منطقه قوشه واقع در استان سمنان مورد آزمایش قرار گرفت. نیمی از نمونه‌ها از اراضی بکر با کاربری مرتع دست نخورده و نیمی از اراضی کشاورزی منطقه جمع‌آوری شد. پارامترهای فیزیکی و شیمیایی خاک شامل هدایت الکتریکی، فراوانی نسبی ذرات، درصد آهک، نسبت جذب سدیم <span dir="LTR">(</span><span dir="LTR">SAR</span><span dir="LTR">)</span> و وزن مخصوص ظاهری به عنوان ویژگی‌های زود‌یافت و نفوذپذیری نهایی به عنوان پارامتر دیر‌یافت مورد بررسی قرار گرفت. داده‌های جمع آوری شده به دو دسته آموزش و صحت‌سنجی تقسیم شدند و از آنها برای آموزش و ارزیابی مدل‌های شبکه عصبی شامل پرسپترون چند لایه <span dir="LTR">MLP</span><span dir="LTR">)</span>) و توابع پایه شعاعی <span dir="LTR">RBF</span><span dir="LTR">)</span>) و همچنین رگرسیون خطی استفاده شد. نتایج حاصل از این تحقیق کارایی بالاتر مدل شبکه عصبی مصنوعی را نسبت به روش رگرسیون خطی نشان می‌دهد. علاوه بر آن شبکه <span dir="LTR">MLP</span> دارای عملکرد بهتری نسبت به شبکه <span dir="LTR">RBF</span> در دو مرحله آموزش و صحت‌سنجی بوده است. همچنین به منظور تعیین همبستگی هر یک از پارامترهای ورودی مستقل با مقدار نفوذپذیری خاک از آنالیز حساسیت نیز استفاده گردید.</p> </td> </tr> </tbody> </table> <div style="clear:both"></div> <table align="left" cellpadding="0" cellspacing="0" dir="ltr" hspace="0" vspace="0"> <tbody> <tr> <td align="left"> <p></p> <p style="text-align: justify">Common methods to determine the soil infiltration need extensive time and are expensive. However, the existence of non-linear behaviors in soil infiltration makes it difficult to be modeled. With regards to the difficulties of direct measurement of soil infiltration, the use of indirect methods toestimate this parameter has received attention in recent years. Despite the existence of various theoreticaland experimental equations, other indirect methods such as artificial neural networks are used to estimate this soil phenomenon. Currently, artificial neural networks are highly efficient in modeling non-linear equations. In the present studywe have collected 200 soil samples from Ghoshe location in Semnan Province. Half of samples were collected from agricultural lands and the other half were collected from nearby pasture lands. Some soil chemical as well as physical properties such as electrical conductivity (EC), soil texture, lime percentage, sodium adsorption ration (SAR) and bulk density were considered to be easy, rapidly obtainable features whereas soil permeability was considered to be a difficult, time consuming feature. The collected data were randomly divided in two categories of training and testing to be used for two artificial neural networks, multi-layer perception using back-propagation algorithm (MLP/BP).radial basis functions (RBF) and a nonlinear regression model. Results of this research showedthe high efficiency of the artificial neural network compared with multiple regression. The MLP network was better than the RBF network. Sensitive analysis was used to determine the correlation between independent parameters and permeability.</p> <p></p> </td> </tr> </tbody> </table> <div style="clear:both"></div> آنالیز حساسیت, خصوصیات فیزیکی و شیمیایی, شبکه عصبی مصنوعی, مدل‌سازی, نفوذپذیری خاک Artificial Neural Network, Modeling, Physical and Chemical Properties, Sensitivity Analysis, Soil Infiltration 19 34 http://magazine.hormozgan.ac.ir/browse.php?a_code=A-10-1-5&slc_lang=fa&sid=1 حامد کاشی h_Kashi2010@yahoo.com 10031947532846002642 10031947532846002642 Yes دانشگاه صنعتی شاهرود صمد امامقلی‌زاده s_gholizadeh517@yahoo.com 10031947532846002643 10031947532846002643 No دانشگاه صنعتی شاهرود هادی قربانی ghorbani1969@yahoo.com 10031947532846002644 10031947532846002644 No دانشگاه صنعتی شاهرود سیدعلی‌اصغر هاشمی hashemiaa12@gmail.com 10031947532846002645 10031947532846002645 No عضو هیات علمی مرکز تحقیقات کشاورزی و منابع طبیعی استان سمنان