fa برآورد برخی از نقاط منحنی مشخصه رطوبتی خاک شامل FC و PWP با استفاده از توابع انتقالی خاک و روش رگرسیونی در بردسیر کرمان عمومی Ggeneral پژوهشي Research گنجایش زراعی و نقطه پژمردگی دائم، از مهم‌ترین داده‌های مورد نیاز در مطالعات آبیاری مزارع می‌باشند که اندازه‌گیری آنها دشوار و وقت‌گیر است. با این وجود، می‌توان آنها را از روی برخی ویژگی‌های زودیافت خاک مانند بافت، ماده آلی و مقدار آهک با استفاده از توابع انتقالی خاک، با دقت قابل قبولی تخمین زد. به‌همین منظور پژوهشی برای بررسی دقت مدل شبکه عصبی ROSETTA با سطوح مختلف برای تخمین رطوبت‌های گنجایش زراعی و نقطه پژمردگی دائم و ایجاد توابع انتقالی رگرسیونی بین این نقاط رطوبتی و ویژگی‌های زودیافت خاک مانند: درصد رس، شن، سیلت، آهک و گچ در منطقه بردسیر کرمان انجام شد. نمونه‏برداری در 20 منطقه و به دو روش (دست‏نخورده برای تعیین چگالی ظاهری و دست‏خورده برای تعیین سایر ویژگی‌های خاک) و به تعداد 120 نمونه انجام و ویژگی‌های زودیافت و دیریافت مورد نظر تعیین گردیدند. نتایج نشان داد، ارتقای مدل شبکه عصبی از سطح پایین‌تر به سطحی بالاتر، نیازمند تعداد ورودی بیشتری بوده، در حالی که تخمین‌ها تقریباً مشابه بود. بدین معنی که در اکثر خاک‌ها، افزایش ارتقای سطح مدل و استفاده از ورودی‌های بیشتر، موجب افزایش قابل ملاحظه دقت پیش‌بینی‌های مدل نشد. هم‌چنین نتایج به دست آمده از ایجاد توابع رگرسیونی نشان داد، همبستگی بین نقطه پژمردگی دائم با درصد رس مثبت و معنی‌دار بود (83%= r) که بیانگر تأثیر زیاد رس بر این نقطه رطوبتی است. گنجایش زراعی با مقدار شن، همبستگی معنی‌دار و منفی(80%- = r) و با مقدار سیلت، همبستگی مثبت و معنی‌دار (76%= r) داشت. Field capacity and permasent wilting point are the most important parameters in designing and programming irrigation, whose measurements are troublesome and time-consuming. But these parameters could be estimated by easy data characteristics such as soil texture, organic matter and gypsum, using Pedotransfer Functions (PTFs) with high precision. In order to estimate soil moisture at FC and PWP by easy data characteristic, using neural network (ROSETA) and regression models ,20 soil samples with 6 replications were collected from around Bardsir area in Kerman province and the charactersifics including, bulk density, clay, sand, silt, FC, PWP,T.N.V and organic matter were determined for each sample. The results showed that progress in neural network from a low level up to higher level needs new inputs (charactersifics), but without any considerable increase in the precision of prediction. Also, regression analysis for estimation of linear models to predict FC and PWP showed that PWP has a significant positive correlation with clay, and FC significantly correlated with sand, silt and clay. Therefore, two prediction models were constructed for FC and PWP with (R2= 69.2) and (R2= 76.6), respectively. گنجایش زراعی، نقطه پژمردگی دائم، توابع انتقالی خاک، بردسیر کرمان FC, PWP, Pedotransfer functions, Bardsir-Kerman. 141 151 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-742-4&slc_lang=fa&sid=1 H. Shirani حسین شیرانی shirani379@yahoo.com Yes