ریحانه سلیمانی - Department of Soil Science, Collage of Agriculture, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran.
الهام چاوشی - Department of Soil Science, Collage of Agriculture, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran.
حسین شیرانی - Department of Soil Science, Collage of Agriculture, Vali-e-Asr University of Rafsanjan, Kerman, Iran.
عیسی اسفندیارپور بروجنی - Department of Soil Science, Collage of Agriculture, Vali-e-Asr University of Rafsanjan, Kerman, Iran.

برآورد سریع و صحیح آب فراهم خاک به عنوان یکی از مهم ترین شاخص های کیفیت خاک نقش اساسی در مدیریت منابع آب کشاورزی دارد. در پژوهش حاضر با استفاده از روش هوش مصنوعی (ترکیب شبکه عصبی و الگوریتم ژنتیک) و بهره گیری از ویژگی های زود یافت خاک، مقدار دامنه رطوبتی با حداقل محدودیت (LLWR) در ۲۵۰ نمونه خاک برداشت شده از دشت خان میرزا در استان چهارمحال و بختیاری برآورد شد. در این مدل ها، ۹ متغیر شامل درصد شن، سیلت، رس، درصد کربن آلی، چگالی ظاهری (BD)، چگالی حقیقی (PD)، pH، رسانایی الکتریکی (EC) و کربنات کلسیم معادل (CCE)، به عنوان پارامترهای ورودی و مقدار LLWR به عنوان تابع خروجی در نظر گرفته شده است. از تعداد کل ۲۵۰ داده، ۲۰۰ عدد برای آموزش و ۵۰ داده برای آزمون مدل استفاده شد. بررسی نتایج شاخص های آماری نشان داد که شبکه عصبی به خوبی قادر به برآورد LLWR با ضریب تبیین ۰/۹۳ است. در نهایت مشخص شد که مدل تلفیقی شبکه عصبی مصنوعی-الگوریتم ژنتیک با بیش ترین ضریب تبیین (۰/۹۶ = R۲) برای برآورد LLWR مناسب ترین مدل است. به طور کلی دو مدل شبکه عصبی مصنوعی و الگوریتم ژنتیک نسبت به معادلات رگرسیونی کارایی مناسب تری برای برآورد LLWR را نشان دادند.

Artificial neural network, Least limiting water range (LLWR), Readily available soil properties, Khanmirza plain., شبکه عصبی مصنوعی, دامنه رطوبتی با حداقل محدودیت (LLWR), ویژگی های زودیافت خاک, دشت خان میرزا