@article { author = {Ghorbani, Zhila and Sefidi, Kiomars and Keivan Behjou, Farshad and Moameri, Mehdi and Soltani Tolarod, Ali Ashraf}, title = {Predicting the soil fragmentation caused by grazing using adaptive neuro-fuzzy inference system (ANFIS)}, journal = {Journal of Range and Watershed Managment}, volume = {72}, number = {2}, pages = {557-568}, year = {2019}, publisher = {University of Tehran}, issn = {5044-2008}, eissn = {2423-7795}, doi = {10.22059/jrwm.2019.255862.1250}, abstract = {The most current way for measuring the soil fragmentation is determination of mean weight diameter (MWD). In this study, the adaptive neuro-fuzzy inference system (ANFIS) was used to predict of range soil fragmentation affected by different grazing intensities, distance from village and sampling depth. Present study conducted at 2015 in 3 adjacent rural areas (Alvars, Aldashin and Asbe marz) in Darvishchai watershed in Ardabil County. The studied parameters on the soil fragmentation including different grazing intensities in 3 levels (low, medium and high intensity), distance from village in 3 levels (200, 400 and 600 meters) and the soil sampling depths in 2 levels (0-15cm and 15-30cm). Obtained data were transferred to MATLAB software for the development of ANFIS models. For evaluating the models operation, mean squares error (MSE) and correlation (R2) were used. The result of best ANFIS model in prediction of soil fragmentation was compared with results of regression model. The results show that different grazing intensities, distance from village, sampling depth and their combinations had significant effect on the soil fragmentation. Increase of grazing intensity resulted in increment of soil fragmentation. With increment the distance from village from 200 to 400 meters, soil fragmentation decreased but with increment of distance, increased. Soil fragmentation in all conditions was higher at depth of 0-15 cm than depth of 15-30 cm. ANFIS model had more precision in prediction of soil fragmentation (R2=0.96) relative to regression model (R2=0.76).}, keywords = {grazing intensity,soil fragmentation,clods mean weight diameter,Artificial Intelligence,ANFIS}, title_fa = {پیش‌بینی خردشدگی خاک در اثر چرای دام با استفاده از سامانۀ استنتاج فازی- عصبی (ANFIS)}, abstract_fa = {متداول­ترین راه­ جهت اندازه­گیری میزان خردشدگی خاک، تعیین میانگین وزنی قطر خاک­دانه­ها (MWD) است. در این پژوهش، از سامانۀ­ استنتاج فازی - عصبی (انفیس) به منظور پیش­بینی میانگین وزنی قطر خاک­دانه­ها در اثر شدت­های مختلف چرای دام، فاصله از روستا و عمق نمونه­برداری استفاده گردید. این مطالعه در سال 1394 در سه روستای معرف همجوار (آلوارس، آلداشین و اسب مرز) در حوزۀ آبخیز درویش­چای استان اردبیل اجرا شد. پارامترهای مورد مطالعه شامل شدت­های مختلف چرای دام در سه سطح (شدت چرای کم، متوسط و زیاد)، فاصله از روستا در سه سطح (200، 400 و600 متری) و عمق نمونه­برداری در دو سطح (15-0 و30-15سانتی­متر) بود. داده­های به­دست آمده به نرم افزار متلب (MATLAB) برای ایجاد مدل­های انفیس منتقل شد. برای ارزیابی مدل‌های انفیس از میانگین مربعات خطا (MSE) و ضریب تبیین (R2) استفاده گردید. نتایج بهترین مدل انفیس با نتایج مدل رگرسیونی مقایسه گردید. نتایج نشان داد که شدت­های مختلف چرا، فاصله از روستا و عمق نمونه­برداری و ترکیبات مختلف آن­ها اثر معنی­داری بر خردشدگی خاک دارند. با افزایش شدت چرا، خردشدگی خاک بیشتر شد. با افزایش فاصله از روستا از 200 به 400 متر، خردشدگی خاک کاهش و با بیشترشدن فاصله، خردشدگی افزایش یافت (که این امر می­تواند به خاطر تردد بیشتر دام در فواصل نزدیک و به خاطر سنگلاخی بودن و یا ویژگی­های فیزیکی خاک در فواصل دور باشد). خردشدگی خاک در تمامی حالات در عمق 0-15 سانتی­متر بیشتر از عمق30-15 سانتی­متر بود. به علاوه، مدل انفیس با دقت بالاتری (96/0R2=) نسبت به مدل رگرسیونی (76/0R2=)، خردشدگی خاک را پیش­بینی نمود.}, keywords_fa = {grazing intensity,soil fragmentation,clods mean weight diameter,Artificial Intelligence,ANFIS}, url = {https://jrwm.ut.ac.ir/article_73327.html}, eprint = {https://jrwm.ut.ac.ir/article_73327_3536cf01870cfafa4811047d4ab10b5f.pdf} }