مقایسه روش‌های K- نزدیک‌ترین همسایگی و شبکه عصبی مصنوعی در برآورد ظرفیت تبادل کاتیونی خاک

اندازه‌گیری ظرفیت تبادل کاتیونی خاک در سطوح وسیع، معمولاً بسیار پرهزینه و وقت‌گیر است. تخمین این کمیت به‌وسیله ویژگی‌های زودیافت خاک، از طریق توسعه توابع غیرپارامتریک می‌تواند رویکرد مناسبی باشد. در این پژوهش روش غیرپارامتریکی با عنوان k- نزدیک‌ترین همسایگی در تخمین cec خاک استفاده شد و نتایج آن با یکی از پرکاربردترین روش‌های مرسوم مبتنی بر مدل‌های شبکه عصبی مصنوعی (ann) مورد مقایسه قرار گرفت. 683 نمونه خاک از مناطق مرکزی ایران انتخاب شدند که 120 عدد از آن‌ها به‌عنوان داده‌های مورد آزمون (هدف) و 563 عدد به‌عنوان بانک داده مرجع (آموزش) قرار گرفتند. مقادیر پارامترهای رس، سیلت، شن و کربن آلی خاک به‌عنوان متغیر مستقل ورودی (زودیافت) و cec به‌عنوان متغیر وابسته خروجی بودند. نتایج نشان داد که بیش‌ترین خطای برآورد (maxe) در روش k-nn برابر cmol+/kg 81/4 و این مقدار در روش ann برابر cmol+/kg 26/5 بود. ریشه میانگین مربعات خطا در روش k-nn، 51/1 و در روش ann، 53/1 بود، که نشان می‌دهد هر دو روش قادرند با دقت بالا و یکسانی cec خاک‌های هدف را پیش‌بینی نمایند. مقادیر مثبت آماره میانگین خطا (me) برای این دو روش نیز نشان داد که هر دوی آن‌ها متمایل به برآورد کم‌تر مقدار cec می‌باشند. همچنین نتایج بررسی کارایی مدل‌ها نشان داد که هر دو روش از کارایی بالایی (88/0=ef) در برآورد ظرفیت تبادل کاتیونی خاک برخوردار هستند.