مدل‌سازی شاخص S و تعیین عوامل موثر بر آن با استفاده از الگوریتم هیبرید شبیه‎سازی تبرید- شبکه عصبی مصنوعی در خاک‌های آهکی جنوب‌شرق ایران

استفاده از شیب منحنی مشخصه رطوبتی خاک در نقطه عطف (شاخص s)، یکی از شاخص های مهم ارزیابی کیفیت خاک در برنامه ریزی مدیریت اراضی زراعی و باغی محسوب می ‌شود. هدف از این پژوهش، تعیین موثرترین ویژگی های خاک در منطقه جیرفت بر تخمین شاخص s با استفاده از الگوریتم هیبرید شبیه سازی تبرید شبکه عصبی مصنوعی بود. به ا ین منظور، 350 نمونه خاک دست خورده و 350 نمونه خاک دست نخورده ا ز 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 روش های استاندارد اندازه گیری 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، ویژگی های موثر بر مدل ‌سازی شاخص s استخراج شدند. در‌نهایت با استفاده از پنج ویژگی استخراج شده (درصد ش و رس، قابلیت هدایت‌الکتریکی، چگالی ظاهری و ظرفیت زراعی)، مدل سازی شاخص s توسط شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که با کاهش متغییرهای ورودی، دقت مدل سازی افزایش یافت. به علاوه، نتایج آنالیز حساسیت نشان داد چگالی ظاهری با بالاترین ضریب حساسیت (ضریب حساسیت 0.5) به‌عنوان مهم ‌ترین ویژگی در مدل سازی شاخص s محسوب می‌شود. بنابراین، از آنجا که افزایش تعداد ویژگی ها لزوماً باعث افزایش دقت مدل‌سازی نمی شود، کاهش ویژگی های ورودی به سبب کاهش هزینه و زمان انجام پژوهش مقرون به صرفه است.

Identifying the Determinant Factors Influencing S Index in Calcereous Soils Using Anneling Simulated– Artificial Neural Network Hybrid Algorithm

Use of the curve gradient of the Soil Water Retention Curves (SWRC) in the inflection point (S Index) is one of the main indices for assessing the soil quality for management objectives in agricultural and garden lands. In this study Anneling Simulated - artificial neural network (SAANN) hybrid algorithm was used to identify the most effective soil features on estimation of S Index in Jiroft plain. For this purpose, 350 disturbed and undisturbed soils samples were collected from the agricultural and garden lands and then some physical and chemical soil properties including Sand, Silt, Clay percent, Electrical Conductivity at saturation, Bulk Density, total porosity, Organic Mater, and percent of equal Calcium Carbonate were measured. Moreover, the soil moisture amount was determined within the suctions of 0, 10, 30, 50, 100, 300, 500, 1000, 1500 KP using pressure plate. Then, the determinant features influencing the modeling of S Index were derived using SAANN hybrid algorithm. The results indicated that modeling precision increased by reducing the input variables. According to the sensitivity analysis, the Bulk Density had the highest sensitivity coefficient (sensitivity coefficient=0.5) and was identified as the determinant feature for modeling the S Index. So, since increasing the number of features does not necessarily increase the accuracy of modeling, reducing input features is due to cost reduction and timeconsuming research.