ارزیابی تاثیر گروه‌بندی بر پایه ویژگی‌های مختلف بر عملکرد توابع در تخمین ظرفیت تبادل کاتیونی خاک

ظرفیت تبادل کاتیونی خاک یکی از مهمترین عوامل موثر در حاصلخیزی خاک است که اندازه‌گیری آن دشوار، زمان‌بر و هزینه‌بر است. استفاده از مدل‌ها و معادلات مختلف یکی از ساده‌ترین، ارزان‌ترین و سریع‌ترین روش‌های ارزیابی ظرفیت تبادل کاتیونی خاک است. لذا هدف از مطالعه حاضر ارزیابی تاثیر گروه بندی بر پایه ویژگی‌های مختلف بر عملکرد توابع در تخمین ظرفیت تبادل کاتیونی خاک و معرفی نوعی از گروه‌بندی که بهترین نتایج تخمین را دربرداشته باشد و همچنین مقایسه قابلیت تخمین ظرفیت تبادل کاتیونی با استفاده از روش شبکه‌های عصبی مصنوعی است. این مطالعه در سال 1400 در دانشگاه بوعلی سینا همدان انجام شد. در این پژوهش از 45948 نمونه خاک مربوط به پایگاه اطلاعاتی یکنواخت شده خاک‌های جهان استفاده گردید. ابتدا نمونه خاک‌های پایگاه اطلاعاتی در حالت‌های مختلف گروه‌بندی شدند. سپس برای کل داده و کلاس‌های مختلف هر گروه با استفاده از 9 متغیر تخمینگر شامل اجزای بافت خاک، کربن آلی، سولفات کلسیم، کربنات کلسیم، جرم مخصوص ظاهری، درصد اشباع بازی، مجموع کاتیون‌های بازی قابل تبادل واکنش خاک در 11 مدل ارزیابی شد. نتایج نشان داد در کلاس‌های بافتی ضریب بهبود نسبی در بخش آزمون شبکه عصبی مصنوعی برابر 87 درصد بود. همچنین نتایج نشان داد که rmse در بخش آزمون در کلاس درشت بافت برابر 0.257 و برای کلاس ریز بافت برابر با 0.364 بود. به طورکلی نتایج نشان داد که استفاده از توابع به دست آمده که گروه‌بندی در آن‌ها موجب بهبود تخمین ظرفیت تبادل کاتیونی شده روشی آسان و کم هزینه در تخمین ظرفیت تبادل کاتیونی به شمار می‌رود.

evaluation of the effect of grouping based on different characteristics on the performance of functions in estimating soil cation exchange capacity

this study addresses the challenge of measuring soil cation exchange capacity (cec), a vital factor influencing soil fertility, by exploring the impact of grouping soil samples based on different characteristics on the performance of estimation models. recognizing the difficulties associated with traditional cec measurement methods, the study employs a cost-effective and rapid approach using various models and equations. the research, conducted at bu ali sina university in hamedan, utilizes a substantial dataset of 45,948 soil samples from the standardized database of world soils. soil samples are initially categorized into different groups, and nine estimator variables are examined across 11 models for the entire dataset and specific classes within each group. these variables include soil texture components, organic carbon, calcium sulfate, calcium carbonate, bulk density, base saturation percentage, total exchangeable base cations, and soil reaction. the results demonstrate that grouping soil samples, especially based on texture classes, significantly improves the performance of artificial neural network models, with a remarkable 87% relative improvement coefficient in the test section. the study reveals that data grouping enhances the model’s estimation capabilities, as evidenced by reduced root mean square error (rmse) values in the test sections for different texture classes. in conclusion, the findings suggest that utilizing functions derived from grouped data offers an effective and cost-efficient method for estimating soil cation exchange capacity. this approach provides valuable insights for soil fertility management, offering a simplified yet accurate means of assessing this critical soil parameter.