ویژگی های خاک و توپوگرافی از پارامترهای اصلی موثر بر عملکرد هستند که باید در بهره وری کشاورزی و مدیریت اراضی در کشاورزی دیم به آنها توجه شود. این تحقیق به منظور بررسی تاثیر ویژگی های خاک و توپوگرافی بر عملکرد گندم دیم با استفاده از روشهای رگرسیونی و شبکه های عصبی مصنوعی در اراضی دیم منطقه سیساب استان خراسان شمالی انجام شد. داده های عملکرد گندم و نمونه های خاک سطحی از 100 پلات 1×1 متر در منطقه ای به وسعت800 هکتار جمع آوری و ویژگی های اولیه و ثانویه توپوگرافی با استفاده از مدل رقومی ارتفاع و ویژگی های فیزیکی و شیمیایی خاک اندازه گیری شدند. نتایج بیانگر آن است که روش شبکه عصبی دارای دقت بیشتری در برآورد مولفه های عملکرد گندم نسبت به روش رگرسیون چند متغیره خطی می باشد. به گونه ای که شبکه عصبی پرسپترون چند لایه با آرایش 1-20-16 نزدیک به 92 درصد از تغییرات مولفه های عملکرد گندم را با استفاده از ویژگی های توپوگرافی و خاک پیش بینی نمود ولی معادلات رگرسیون حاصله تنها توانستند 43-40درصد از تغییرات عملکرد را توجیه کنند. نتایج آنالیز حساسیت نشان داد از میان ویژگی های خاک، درصد سنگریزه ، مقدار ماده آلی و درصد کربنات کلسیم و از میان شاخص های توپوگرافی، انحنای سطحی، شاخص خیسی و ارتفاع مهمترین پارامترهای موثر بر تغییرپذیری مولفه های عملکرد در منطقه مورد مطالعه هستند. به عبارتی آن دسته از پارامترهایی که در ذخیره و توزیع رطوبت، قابلیت نفوذ و فرسایش پذیری خاک موثرترند سهم بیشتری در توجیه تغییرپذیری مولفه های عملکرد منطقه از خود نشان دادند.

با توجه به وسعت خاکهای شور و سدیمی درکشور و اینکه زمینهای کشاورزی ما روز به روز شورتر شده و مسأله کمبود منابع زمینی مناسب برای کشاورزی پیش آمده روشهای مختلفی برای بهسازی این خاکها مد نظر است. امروزه استفاده از روشهای شبکه عصبی مصنوعی و زمین آمار برای پیش بینی ویژگی های خاک بسیار رایج می باشد. esp و sar دو ویژگی شوری و سدیمی بودن خاک ها می باشد. تحقیق حاضر به منظور ارزیابی دو ویژگی نسبت جذب سدیمی و درصد سدیم تبادلی با استفاده از دو روش زمین آمار و شبکه عصبی مصنوعی در منطقه میانکنگی استان سیستان و بلوچستان انجام گرفت. به این منظور تعداد 189 نمونه خاک از سطح منطقه به صورت شبکه بندی منظم جمع آوری و خصوصیات فیزیکوشیمیایی آنها مورد مطالعه قرار گرفت. برای تهیه نقشه شوری و سدیمی خاک با استفاده از شاخص rmse بهترین مدل انتخاب و سپس نقشه esp و sar تهیه شد. برای پیش بینی این دو ویژگی با استفاده از شبکه عصبی mlp و با استفاده از دو ویژگی ec و ph که بیشترین همبستگی را با esp و sar داشتند بهترین شبکه بوسیله ی r2 و rmse انتخاب شد.برای esp بهترین مدل، مدل کروی انتخاب شد و برای پهنه بندی روش میانیابی کوکریجینگ ساده با متغیر کمکی هدایت الکتریکی و 686/6=rmse بهترین روش برای تهیه نقشه انتخاب شد.برای sar بهترین مدل، مدل کروی و برای پهنه بندی روش میانیابی کوکریجینگ ساده با متغیر کمکی هدایت الکتریکی و 662/6=rmse بهترین روش انتخاب شد. برای esp شبکه عصبی mlp با تعداد 10 نرون در لایه پنهان، مقدار بیشینه 97/0=r2 و مقدار ریشه میانگین مربعات خطا 0453/0=rmse، برآورد بهتری ارائه داده است. و برای sar شبکه عصبی mlp با تعداد 7 نرون در لایه پنهان، مقدار بیشینه 95/0=r2 و کمترین مقدار ریشه میانگین مربعات خطا 0187/0=rmse، برآورد بهتری ارائه داده است. نتایج مقایسه روش زمین آمار و شبکه عصبی مصنوعی نشان داد که برای esp شبکه عصبی با 86/0=r2 و 207/3=rmse نسبت به روش کوکریجینگ ساده با متغیر کمکی هدایت الکتریکی با 53/0=r2 و 899/6=rmse ارزیابی بهتری داشته است. و برای sar شبکه عصبی با 83/0=r2 و 859/2=rmse نسبت به روش کوکریجینگ ساده با متغیر کمکی هدایت الکتریکی با 52/0=r2 و 988/6=rmse ارزیابی بهتری داشته است. با توجه به هزینه بالا و زمان بر بودن اندازه گیری دو ویژگی sar و esp می توان از طریق روشهای زمین آمار و شبکه عصبی مصنوعی هم برای شناسایی و تعیین نقاط حساس به شوری و سدیمی و هم برای پیش بینی و مدل سازی استفاده کرد.

در مطالعه حاضر تغییرات مکانی فسفر و پتاسیم با استفاده از هوش مصنوعی و زمین آمار در دشت سیستان مورد بررسی قرار گرفت. در ابتدا 300 نمونه خاک با فواصل 1/5 در 1/5 کیلومتر از عمق 0 تا 30 سانتیمتر برداشت شد. برای این منظور بر روی نقشه های توپوگرافی منطقه، شبکه هایی با فواصل 1/5 در 1/5کیلومتر پیاده شد و مختصات آنها بر اساس سیستم تصویر جهانی (utm) تعیین گردید و پس از ورود مختصات نقاط به gps، برداشت نمونه ها انجام شد. و پس از انتقال نمونه¬ها به آزمایشگاه و خشک کردن نمونه¬ها و پس از عبور نمونه¬های خاک از الک 2 میلی¬متری خصوصیات فیزیکوشیمیایی نمونه¬های خاکهای منطقه مورد مطالعه اندازه¬گیری شد. نتایج بررسی¬های زمین آماری نشان داد که بهترین مدل زمین آماری برای تخمین فسفر و پتاسیم قابل استفاده کوکریجینگ ساده مدل دایره¬ای می¬باشد. نقشه¬¬های تهیه شده زمین آماری نشان داد بیشترین مقدار فسفر پتاسیم قابل استفاده را قسمت شمال و شمال غربی منطقه مورد مطالعه دارد و همچنین هر چه از غرب به سمت شرق حرکت کنیم مقدار فسفر پتاسیم قابل استفاده کاهش می¬یابد. قسمت جنوب شرقی منطقه مورد مطالعه کمترین مقدر فسفر و پتاسیم قابل استفاده را دارد که این می¬تواند به علت کم بودن ماده آلی و همچنین سبک بودن بافت خاک باشد. ساختارهای بدست آمده به وسیله شبکه عصبی مصنوعی برای پیش بینی مقدار فسفر و پتاسیم در بهترین مدل دارای 10 گره در لایه ورودی و یک گره در لایه خروجی می باشند. تعداد نرون لایه پنهان برای مقدار فسفر و پتاسیم به ترتیب 15و 13 به دست آمد. همچنین تکرار بهینه در ساختارهای بدست آمده 1000 و کارآترین تابع انتقال tansig می باشد. مقایسه بهترین روش¬های زمین آماری و شبکه عصبی پرسپترون برای برآورد فسفر و پتاسیم قابل استفاده نشان داد که شبکه عصبی پرسپترون که در آن از همه ویژگی های خاک به عنوان ورودی استفاده شده بود با rmse وmae کمتر نسبت به بهترین روش زمین آماری از دقت بالاتری در برآورد فسفر و پتاسیم منطقه برخوردار است.

شوری و سدیمی بودن خاک دو فاکتور اصلی محدود کننده تولید گیاهان در اراضی کشاورزی تحت آبیاری مسطح می باشد. درصد سدیم قابل تبادل (esp) ، بطور معمول قابل اعتمادترین شاخص در زمینه ارزیابی شوری و خطر سدیمی بودن خاک است، شناخت تغییرات esp و اطلاع از مقدار عددی آن در خاک های سدیمی یا شور و سدیمی جهت مدیریت اراضی، برآورد مقدار مواد اصلاح کننده و اجرای برنامه های هدفمند پیشگیری و مرتفع ساختن مسأله شوری و خطر سدیمی بودن به منظور بهبود کیفیت خاک و تحقق توسعه کشاورزی پایدار امری ضروری است. اندازه گیری esp همراه با خطا می باشد همچنین، به دلیل اینکه اندازه گیری cec مشکل و زمان بر است، پر هزینه است. از این رو، ارائه روشی که بتوان با استفاده از شاخص سهل الوصول دیگری، بطور غیر مستقیم esp را بدست آورد بسیار بهینه و اقتصادی تر می باشد. نتایج حاصل بیانگر توانایی و عملکرد بهتر شبکه های mlp و rbfn نسبت به مدل های رگرسیونی بود، که در این بین، مدل rbfn2 با افزایش تعداد ورودی ها و کنترل تعداد نرون ها در لایه میانی، توانایی و عملکرد بالایی (83/0r2= و 85/2rmse=) نسبت به شبکه عصبی mlp از خود نشان داد. با این حال، می توان مدل rbfn1 را نیز جهت پیش بینی esp توصیه نمود (77/0r2= و 55/3rmse=) به این دلیل که بدست آوردن پارامترهای ورودی در شبکه rbfn2 نیاز به صرف وقت و هزینه بیشتری دارد، در حالی که اندازه گیری و دسترسی به ویژگی های هدایت الکتریکی و اسیدیته خاک به عنوان ورودی در مدل rbfn1 آسان تر می باشد. نتایج آنالیز حساسیت نیز برای متغیرهای مورد استفاده در راستای تخمین درصد سدیم تبادلی در مدل rbfn2 حاکی از اهمیت هدایت الکتریکی (ec)، اسیدیته (ph)، درصد ذرات رس (caly) و چگالی (bd) ظاهری، در خاک های دشت سیستان بود.