فرسایش خاک یکی از مهم ترین مشکلات محیط زیست جهانی محسوب می شود که محصول اکوسیستم ناپایدار بوده و خود نیز در تشدید ناپایداری اکوسیستم نقش بسیار مهمی دارد. در این راستا تشخیص نقاط بحرانی فرسایش خاک، اولین گام جهت مبارزه و کاهش فرسایش مخرب می باشد. مدل های متعددی به تخمین فرسایش خاک می پردازند که در صورت به کارگیری داده های ورودی دقیق تر، امکان پیش بینی بهتری از میزان فرسایش خاک را خواهند داشت. مقاومت برشی خاک سطحی یکی از مهم ترین پارامتر های ورودی مدل های فرسایش خاک است که اندازه گیری مستقیم آن در سطح حوضه آبخیز دشوار، هزینه بر و وقت گیر می باشد. این پژوهش با هدف پیش بینی مقاومت برشی سطحی خاک و تعیین و رتبه بندی مهم ترین فاکتور?های موثر بر مقاومت برشی خاک سطحی، با استفاده از مدل?سازی توسط روش های رگرسیون چندمتغیره خطی، شبکه عصبی مصنوعی و سیستم نرو فازی، انجام شد. برای اندازه گیری مقاومت برشی خاک سطحی در صحرا، دستگاه جعبه برش مستقیم طراحی و ساخته شد. این دستگاه قادر به تعیین هر دو پارامتر چسبندگی (c) و زاویه اصطکاک داخلی (?) خاک می باشد. منطقه مورد مطالعه با مساحت 3500 کیلو متر مربع در اراضی شهرستان سمیرم، واقع در استان اصفهان با کاربری مرتع، کشت آبی و کشت دیم انتخاب و مقاومت برشی خاک سطحی توسط دستگاه جعبه برش مستقیم در 100 نقطه اندازه گیری شد. نمونه برداری خاک نیز در این 100 نقطه از لایه 5-0 سانتی متری خاک انجام گرفت. ویژگی های توزیع اندازه ذرات، درصد رس ریز، مقدار ماده آلی (om)، درصد آهک، چگالی ظاهری و درصد سنگ ریزه خاک روی نمونه های برداشت شده اندازه گیری شدند. شاخص پوشش گیاهی (ndvi) نیز به کمک تصاویر ماهواره ای تعیین گردید. مدل های رگرسیون چندمتغیره خطی (mlr)، شبکه عصبی مصنوعی (anns) و سیستم نرو فازی (anfis) برای پیش بینی و مدل سازی مقاومت برشی سطحی خاک، با استفاده از دو گروه داده ورودی شامل: 1) ویژگی های زودیافت خاک (توابع انتقالی خاک، ptfs) و 2) ویژگی های زودیافت خاک به همراه ndvi (توابع پیش بینی فضایی خاک، sspfs)، انجام شد. هم بستگی قوی منفی بین دو پارامتر c و ? خاک در منطقه مورد بررسی وجود دارد. هم چنین هم بستگی زیادی بین c و مقدار رس (به ویژه رس ریز) و بین ? و میزان شن و سنگ ریزه دیده شد. نتایج نشان دادند که ndvi از جمله مهم ترین عوامل موثر بر هر دو پارامتر مقاومت برشی خاک می باشد. آزمون مقایسه میانگین lsd جهت بررسی تأثیر نوع کاربری اراضی بر مقاومت برشی سطحی خاک نشان داد که، کشت دیم با بیش ترین میانگین میزان رس، رس ریز و c، دارای کم ترین میانگین شن، سنگ ریزه و ? می باشد. هم-چنین نتایج نشان داد که کشت آبی با بیش ترین میانگین شن و کم ترین میانگین رس، دارای کم ترین میانگین c می باشد. کاربری مرتع و کشت آبی دارای اختلاف معنی داری از نظر c و ? خاک نبودند. مدل های پیش بینی کننده مقاومت برشی حاصل از گروه 2 (sspfs)، مناسب تر از مدل های گروه 1 (ptfs) بودند. به منظور مقایسه روش های مدل سازی از شاخص های دقت مدل سازی برای بهترین نتیجه بدست آمده از هر یک از این روش ها، استفاده شد. نتایج نشان داد که مدل های anns با دقتی بسیار بیش تر از روش های mlr و anfis به پیش بینی پارامتر های مقاومت برشی خاک پرداخته اند. در پیش بینی c خاک anns 90 درصد، mlr 43 درصد و anfis 37 درصد از تغییر پذیری را توجیه نمودند. در مورد ? خاک نیز anns 92 درصد، mlr 57 درصد و anfis52 درصد از تغییرات را توجیه نمودند. با توجه به نتایج به دست آمده می توان بیان داشت که anns به دلیل توانایی زیاد در کشف و بررسی روابط پیچیده غیر-خطی بین تخمین گر ها تکنیک مناسب تری جهت مدل سازی دقیق تر مقاومت برشی خاک سطحی می باشد. نتایج آنالیز حساسیت بر اساس مدل های شبکه عصبی توسعه یافته برای پارامتر c نشان داد که، ndvi، چگالی ظاهری و میزان رس ریز فاکتور هایی هستند که بیش ترین تأثیر را بر این پارامتر در منطقه مورد مطالعه دارند. تنها دو پارامتر نسبت om/clay و میزان سیلت دارای حساسیت کم تر از 1 بوده، بنابراین در تغییر پذیری c خاک سطحی در منطقه مورد بررسی، نقش موثری ندارند. این نتایج در مورد پارامتر ? مشخص کرد که میزان شن، چگالی ظاهری و ndvi تأثیر گذار ترین عوامل بر آن می باشند. هم چنین نسبت om/clay و میزان مواد آلی دارای کم ترین تأثیر بر ? خاک در این منطقه بوده اند.