به این منظور تعداد 5 پروفیل در پنج موقعیت: قله شیب، شانه شیب، شیب پشتی، پای شیب و پنجه شیب با کاربری زراعی و یک پروفیل شاهد در موقعیت قله شیب با پوشش طبیعی جنگل تشریح و طبقه بندی شد. همچنین به منظور بررسی تغییرات سطحی کربن آلی خاک تعداد 234 نمونه از عمق 0 تا 20 سانتی متری به صورت سیستماتیک و منظم از اجزاء مختلف شیب تهیه شد. مطالعه تکامل پروفیل خاک نشان داد که خاک های موقعیت شانه شیب تحت عنوان calcic halpoxeralfs طبقه بندی شدند و خاک های سایر موقعیت ها تحت رده اینسپتی سولز قرار گرفتند. در بررسی تغییرات مکانی کربن آلی خاک، نتایج نشان داد که مدل های زمین آماری توانستند 70 درصد از تغییرات مکانی کربن آلی و مدل های شبکه عصبی مصنوعی 82 درصد از تغییرات را در منطقه مورد مطالعه توجیه نماید. همچنین سه روش زمین آماری کریجینگ، کوکریجینگ و وزن دهی معکوس فاصله مورد ارزیابی قرار گرفت. معیار ارزیابی در این پژوهش مقادیر میانگین خطا و مجذور میانگین مربعات خطا با استفاده از روش اعتبارسنجی متقابل بود. نتایج نشان داد که در تخمین کربن آلی خاک در کل تپه ماهوری روش کوکریجینگ معمولی با متغیر کمکی رس و مقدار rmse برابر با 2552/0 نسبت به دو روش کریجینگ و روش وزن دهی معکوس فاصله نتایج بهتری ارایه می دهد. نقشه درون یابی شده کربن آلی کل موقعیت شیب نشان داد که با افزایش ارتفاع و درجه شیب مقدار کربن آلی خاک کمتر شده است. نسبت همبستگی مکانی کربن آلی برای موقعیت های مختلف شیب متفاوت بود که این الگوها کاملا به ساختار توپوگرافی وابسته بود.

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.

نسبت بارش یک روزه به بارش سالانه، معیاری برای شناسایی شدت بارش های روزانه است. در این پژوهش حداکثر داده¬های شدت بارش 24 ساعته از هشت ایستگاه زابل، زهک، زاهدان، خاش، سراوان، ایرانشهر، کنارک و چابهار در استان سیستان و بلوچستان مورد بررسی قرار گرفت. این داده ها از ایستگاه¬های سینوپتیک استان تهیه و مورد ارزیابی قرار گرفتند. ابتدا داده¬ها به نرم افزار hyfa و best fit وارد و به کمک توابع چگالی احتمال مختلف تحلیل فراوانی بارش روزانه انجام گردید. در این تحقیق برآورد پارامترها با استفاده از سه روش حداکثر درستنمایی، گشتاورها و گشتاورهای خطی مورد ارزیابی قرار گرفت و بهترین تابع توزیع برای هر ایستگاه با استفاده از آزمون¬های مربع کای و کلوموگروف- اسمیرنوف تعیین گردید. در این روش¬ها توزیع¬¬های مقادیر حدی تعمیم یافته، پیرسون نوع 3، لوگ پیرسون نوع 3، لجستیک تعمیم یافته، پارتو تعمیم یافته، لوگ نرمال 3 پارامتری و ویکبی 5 پارامتری مقایسه گردیدند. با توجه به اینکه در برخی ایستگاه¬ها چند توزیع به عنوان توزیع برتر با استفاده از آزمون¬های مربع کای و کلوموگروف- اسمیرنوف شناخته شد، انتخاب بهترین توزیع برای تحلیل فراوانی حداکثر شدت بارندگی روزانه در هرکدام از هشت ایستگاه سینوپتیک استان با استفاده از کمترین میانگین مربعات مجذور خطا صورت گرفت. در این پژوهش با استفاده از آزمون نکوئی برازش بهترین توزیع منطقه¬ای انتخاب گردید. بنابر این در نیمه شمالی استان توزیع-های لجستیک تعمیم یافته و مقادیر حدی تعمیم یافته به عنوان توزیع¬های منتخب شناخته شدند. نظر به اینکه مقدار آماره برای توزیع لجستیک تعمیم یافته کمتر است، این توزیع به عنوان توزیع منتخب در نیمه شمالی استان انتخاب گردید. در نیمه جنوبی استان نیز توزیع لجستیک تعمیم یافته به عنوان توزیع منتخب شناخته شد. تابع توزیع لجستیک تعمیم یافته برای هر دو نیمه شمالی و نیمه جنوبی استان به عنوان بهترین توزیع منطقه¬ای شناخته شد و پارامترهای توزیع منتخب، چندک¬ها و در نهایت حداکثر بارش 24 ساعته با دوره¬های بازگشت برای هر ایستگاه بدست آمدند.

امروزه در دنیا، آب و منابع آب، یکی از پایه های اصلی توسعه پایدار به شمار می رود. تغییر و تحول کمی و کیفی منابع آب تحت تأثیر فعالیت های مختلف در هر حوضه هیدرولوژیکی رخ می دهد که با توجه به محدودیت منابع آب، جلوگیری از آن بسیار مهم و حیاتی می باشد. در زمینه تبخیر از تشتک مدل های زیادی ارائه شده است که بیشتر این مدل ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آنها مشکل است و یا اندازه گیری آنها محتاج صرف هزینه و زمان زیادی می باشد. در این تحقیق از دو مدل، شبکه عصبی مصنوعی و رگرسیون خطی جهت برآورد تبخیراز تشتک در ایستگاه¬های زابل، زهک، زاهدان، خاش، ایرانشهر، چابهار و سراوان بصورت روزانه استفاده شده است. در این مطالعه بهترین ترکیب برای ورودی شبکه برای هر هفت ایستگاه بطور یکسان میانگین دما، میانگین رطوبت نسبی، سرعت باد، ساعات آفتابی می باشد. پس از اجرای برنامه مذکور نتایج تحلیل آماری ann برای ایستگاه زابل r2= 0.87، rmse= 2.55، و mae= 1.25 نتایج تحلیل آماری رگرسیون ایستگاه زابل r2= 0.82، rmse= 2.55، و mae= 1.25 برای ایستگاه زهک نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.95، rmse= 1.2، و mae= 0.84 ، r2= 0.95، rmse= 2.6، و mae= 2.46 برای ایستگاه زاهدان نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.68، rmse= 1.55، و mae= 1.2 ، r2= 0.68، rmse= 4.77، و mae= 4.53برای ایستگاه خاش نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.45، rmse= 1.1، و mae= 0.82 ، r2= 0.21، rmse= 3.56، و mae= 3.18 برای ایستگاه ایرانشهر نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.85، rmse= 1.2، و mae= 0.82 ، r2= 0.82، rmse= 2.71، و mae= 2.6 برای ایستگاه چابهار نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.75، rmse= 1.45، و mae= 1.1 ، r2= 0.72، rmse= 3.1، و mae= 2.9و ایستگاه چابهار نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.55، rmse= 1.66، و mae= 1.24 ، r2= 0.32، rmse= 2.33، و mae= 2.12نتایج در این هفت ایستگاه نشان از برتری بهتر مدل شبکه عصبی مصنوعی در پیش بینی فرآیند تبخیر از تشتک نسبت به رگرسیون خطی می باشد.