fa مقایسه روش‌های k نزدیک‌ترین همسایگی و شبکه عصبی مصنوعی برای پهنه‌بندی رقومی شوری خاک در منطقه چاه ‌افضل اردکان عمومی Ggeneral پژوهشي Research <p dir="RTL">استفاده از داده‌های کمکی رقومی و ارتباط آنها با داده‌های مشاهداتی صحرایی از طریق روش‌های کامپیوتری که اصطلاحاً نقشه‌برداری رقومی خاک خوانده می‌شود، نسبت به روش‌های سنتی نقشه‌برداری خاک قابل‌اعتمادتر و کم ‌هزینه‌تر است. بنابراین در مطالعه حاضر، از مدل‌های شبکه عصبی مصنوعی و <span dir="LTR">k</span> نزدیک‌ترین همسایگی جهت پیش‌بینی مکانی شوری خاک در منطقه‌ای خشک به وسعت 700 کیلومتر مربع در شمال شهرستان اردکان استفاده گردید. در این منطقه براساس روش شبکه‌بندی منظم 180 نمونه خاک مشخص‌شده و سپس نمونه‌برداری و خصوصیات فیزیکی- شیمیایی خاک اندازه‌گیری شدند. متغیرهای محیطی استفاده ‌شده در این مطالعه شامل پارامترهای استخراج‌ شده از مدل رقومی ارتفاع، داده‌های تصویر <span dir="LTR">ETM⁺</span> ماهواره لندست و هدایت الکتریکی ظاهری (اندازه‌گیری شده توسط دستگاه هدایت‌گر الکترومغناطیس) بودند. نتایج این تحقیق نشان داد که مدل <span dir="LTR">k</span> نزدیک‌ترین همسایگی دارای دقت بیشتری نسبت به شبکه عصبی مصنوعی به‌منظور پیش‌بینی شوری خاک است. به‌طوری‌که این مدل به‌خوبی توانسته ارتباط قوی بین داده‌های شوری خاک و اطلاعات محیطی برقرار کند. مجموع ریشه مربعات خطا و ضریب تبیین مدل <span dir="LTR">k</span> نزدیک‌ترین همسایگی به‌ترتیب 73/18 و 92/0 است. نتایج نشان داد که برای پیش‌بینی شوری خاک، هدایت الکتریکی ظاهری، شاخص‌های سنجش ‌از دور و شاخص خیسی مهم‌ترین پارامترها بودند.</p> <p class="Bnazanin" style="text-align:justify;text-justify:kashida;text-kashida: 0%;direction:ltr;unicode-bidi:embed"><span style="font-size: 10pt;">Digital soil mapping techniques which incorporate the digital auxiliary environmental data to field observation data using software are more reliable and efficient compared to conventional surveys. Therefore, this study has been conducted to use <i>k</i>- Nearest Neighbors (<i>k</i>-NN) and artificial neural network (ANN) to predict spatial variability of soil salinity in Ardekan district in an area of 700 km², in Yazd province. In this study, 180 soil samples were collected in a grid sampling manner and then soil chemical and physical properties were measured in laboratory. Environmental auxiliary variables were included topographic attributes, remote sensing data (ETM+) and apparent electrical conductivity (ECa). The result of the study showed that the K-mean nearest neighborhood had higher accuracy than ANN models for predicting soil electrical conductivity (ECe). Overall, <i>k</i>-NN models could provide significant relationships between soil salinity data and environmental auxiliary variables. The <i>k</i>-NN model had the root mean square and coefficient of determination of 12.10 and 0.92, respectively, between predicted and observed ECe data. Also, apparent EC, and remotely sensed indices and wetness index were identified as the most important factors for predicating the soil salinity in the studied area.<!--stripped--><!--stripped--></span></p> شوری خاک, داده‌های کمکی, نقشه‌برداری رقومی خاک auxiliary data, digital soil mapping, soil salinity. 59 71 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1-205&slc_lang=fa&sid=1 S. Ayoubi شمس‌الله ایوبی ayoubi@cc.iut.ac.ir Yes 1. Dept. of Soil Sci., College of Agric., Isf. Univ. of Techno., Isfahan, Iran. 1. گروه خاک‌شناسی، دانشکده کشاورزی، دانشگاه صنعتی اصفهان R. Taghizadeh روح‌اله تقی‌زاده No 2. Dept. of Arid Land Management, College of Agric. and Natu. Resour. Ardekan Univ. Ardekan, Iran. 2. گروه مدیریت مناطق خشک، دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان Z. Namazi زینب نمازی No 1. Dept. of Soil Sci., College of Agric., Isf. Univ. of Techno., Isfahan, Iran. 1. گروه خاک‌شناسی، دانشکده کشاورزی، دانشگاه صنعتی اصفهان A. Zolfaghari علی ذوالفقاری No 3. Faculty of Desert Sci., Semnan Univ., Semnan, Iran. 3. گروه بیابان‌زدایی، دانشکده کویرشناسی، دانشگاه سمنان F. Roustaee Sadrabadi فاطمه روستایی صدرآبادی No 2. Dept. of Arid Land Management, College of Agric. and Natu. Resour. Ardekan Univ. Ardekan, Iran. 2. گروه مدیریت مناطق خشک، دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان