@ARTICLE{AmiriMijan, author = {AmiriMijan, F. and Shirani, H. and Esfandiarpour, I. and Besalatpour, A. and Shekofteh, H. and }, title = {Identifying the Determinant Factors Influencing S Index in Calcereous Soils Using Anneling Simulated– Artificial Neural Network Hybrid Algorithm}, volume = {23}, number = {3}, abstract ={استفاده از شیب منحنی مشخصه رطوبتی خاک در نقطه عطف (شاخص S)، یکی از شاخص‎های مهم ارزیابی کیفیت خاک در برنامه‎ریزی مدیریت اراضی زراعی و باغی محسوب می‎‌شود. هدف از این پژوهش، تعیین مؤثرترین ویژگی‎های خاک در منطقه جیرفت بر تخمین شاخص S با استفاده از الگوریتم هیبرید شبیه‎سازی تبرید - شبکه عصبی مصنوعی بود. به ‎ا‎ین ‎منظور، 350 نمونه خاک دست‎خورده و 350 نمونه خاک دست‎نخورده ‎ا‎ز 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 روش‎های استاندارد اندازه‎گیری 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، ویژگی‎های مؤثر بر مدل‎‌سازی شاخص S استخراج شدند. در‌نهایت با استفاده از پنج ویژگی استخراج شده (درصد ش و رس، قابلیت هدایت‌الکتریکی، چگالی ظاهری و ظرفیت زراعی)، مدل‏سازی شاخص S توسط شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که با کاهش متغییرهای ورودی، دقت مدل‎سازی افزایش یافت. به‎علاوه، نتایج آنالیز حساسیت نشان داد چگالی ظاهری با بالاترین ضریب حساسیت (ضریب حساسیت 5/0) به‌عنوان مهم‎‌ترین ویژگی در مدل‎سازی شاخص S محسوب می‌شود. بنابراین، از آنجا که افزایش تعداد ویژگی‎ها لزوماً باعث افزایش دقت مدل‌سازی نمی‎شود، کاهش ویژگی‎های ورودی به‎سبب کاهش هزینه و زمان انجام پژوهش مقرون به‎صرفه است. }, URL = {http://jstnar.iut.ac.ir/article-1-3692-fa.html}, eprint = {http://jstnar.iut.ac.ir/article-1-3692-fa.pdf}, journal = {Journal of Water and Soil Science}, doi = {10.47176/jwss.23.3.17551}, year = {2019} }