fa کاربرد روش‏های رگرسیونی و شبکه‏های عصبی به‌ منظور تخمین هدایت هیدرولیکی اشباع خاک منطقه زاگرس مرکزی عمومی Ggeneral پژوهشي Research <p>در سال‌های ‌اخیر با‌ ظهور سامانه اطلاعات جغرافیایی و تکنولوژی سنجش از دور، ویژگی&rlm;های توپوگرافیکی (ارتفاع، شیب و جهت شیب) و ویژگی&rlm;های پوشش گیاهی به‌ راحتی به‌وسیله مدل&rlm;های رقومی ارتفاع و شاخص پوشش گیاهی (NDVI) در مقیاس&rlm;های مختلف (حوزه&rlm;ای و منطقه&rlm;ای) قابل دسترس می&rlm;باشد. هدف از انجام این‌ پژوهش، بررسی امکان استفاده از ویژگی&rlm;های توپوگرافیکی و پوشش گیاهی به‌همراه ویژگی&rlm;های خاک به‌عنوان ویژگی&rlm;های زود یافت برای تخمین هدایت هیدرولیکی اشباع خاک است. برای این‌ کار توزیع اندازه ذرات خاک، کربن آلی، کربنات کلسیم و چگالی ظاهری در افق&rlm;های رویین و زیرین و ویژگی&rlm;های توپوگرافیکی و NDVI از افق رویین خاک اندازه&rlm;گیری شدند. سه ساختار شبکه عصبی پرسپترون برای مقایسه با رگرسیون چند‌متغیره‌ خطی مورد استفاده قرار گرفتند. کارایی توابع انتقالی خاک و توابع پیش&rlm;بینی مکانی خاک به وسیله ضریب همبستگی اسپیرمن (r)، میانگین مربعات خطای نرمال شده (NMSE) و میانگین خطای مطلق(MAE) بین مقادیر اندازه&rlm;گیری ‌‌شده و مشاهده‌ شده مورد ارزیابی قرار گرفت. نتایج نشان‌ داد که ویژگی&rlm;های توپوگرافیکی و پوشش گیاهی از متغیر&rlm;های حساس در تخمین هدایت هیدرولیکی اشباع خاک در مراتع زاگرس مرکزی می&rlm;باشند. به‌طور‌ کلی شبکه&rlm;های عصبی (87/0=r) داری کارایی بهتری از رگرسیون چند‌متغیره ‌خطی (69/0=r) در تخمین هدایت هیدرولیکی اشباع خاک هستند.</p> <p>With the advent of advanced geographical informational systems (GIS) and remote sensing technologies in recent years, topographic (elevation, slope, and aspect) and vegetation attributes are routinely available from digital elevation models (DEMs) and normalized difference vegetation index (NDVI) at different spatial (watershed, regional) scales. This study explores the use of topographic and vegetation attributes in addition to soil attributes to develop pedotransfer functions (PTFs) for estimating soil saturated hydraulic conductivity in the rangeland of central Zagros. We investigated the use of artificial neural networks (ANNs) in estimating soil saturated hydraulic conductivity from measured particle size distribution, bulk density, topographic attributes, normalized difference vegetation index (NDVI), soil organic carbon (SOC), and CaCo3 in topsoil and subsoil horizon. Three neural networks structures were used and compared with conventional multiple linear regression analysis. The performances of the models were evaluated using spearman&rsquo;s correlation coefficient (r) based on the observed and the estimated values and normalized mean square error (NMSE). Topographic and vegetation attributes were found to be the most sensitive variables to estimate soil saturated hydraulic conductivity in the rangeland of central Zagros. Improvements were achieved with neural network (r=0.87) models compared with the conventional multiple linear regression (MLR) model (r=0.69).</p> شبکه عصبی مصنوعی, هدایت هیدرولیکی اشباع خاک, مدل‏های ریاضی- فیزیکی, مراتع زاگرس مرکزی Artificial Neural Network, Soil Saturated Hydraulic Conductivity, Process based models, Central Zagros Rangelands. 217 228 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1-99&slc_lang=fa&sid=1 B. Khalili Moghadam بیژن خلیلی‌مقدم moghaddam623@yahoo.ie Yes Dept of Soil Sci. Ramin Agric. and Natur. Resour. Univ. of Khozestan, Ahvaz, Iran. گروه خاک‌شناسی، دانشکده کشاورزی و منابع طبیعی رامین خوزستان M. Afyuni مجید افیونی No Dept of Soil Sci. College of Agric. Isfahan Univ. of Technol. Isfahan, Iran. گروه خاک‌شناسی، دانشکده کشاورزی، دانشگاه صنعتی اصفهان A. Jalalian احمد جلالیان No Dept of Soil Sci. College of Agric. Isfahan Univ. of Technol. Isfahan, Iran. گروه خاک‌شناسی، دانشکده کشاورزی، دانشگاه صنعتی اصفهان K. C. Abbaspour کریم عباسپور No Swiss Federal Institute for Environ. Sci. and Technol. EAWAG, 8600 Dübendorf, Switzerland. گروه علوم و تکنولوژی آب مؤسسه تحقیقاتی EWAG سوئیس A. A. Dehghani امیر‌احمد دهقانی No Faculty of Agric. Eng. Gorgan Univ. of Agric.and Natur. Resour., Gorgan, Iran. گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی گرگان