کاربرد مدل‌های هوشمند در تخمین مقدار ظرفیت تبادل کاتیونی در خاک‌های شمال و شمال‌غرب ایران

گنجایش تبادل کاتیونی در خاک مجموع نقاط تبادلی کلوئیدهای آلی و معدنی خاک است. مدل سازی و تخمین گنجایش تبادل کاتیونی یک شاخص مفید برای حاصلخیزی خاک می باشد. از رویکردهای جدید جایگزین شده برای تخمین ظرفیت تبادل کاتیونی، روش های غیرمستقیم و مبتنی بر مدل های هوشمند است. در این مطالعه، به منظور تخمین ظرفیت تبادل کاتیونی ، تعداد 485 نمونه خاک از دو منطقه چپرسر(مازندران در شمال ایران) و بستان آباد(آذربایجان شرقی در شمال غرب ایران) تهیه گردید. در این تحقیق ضمن معرفی برنامه ریزی ژنتیک، پارامترهای ورودی که شامل درصد رس، کربن آلی و سیلت می باشد با استفاده از مدل های برنامه ریزی ژنتیک، شبکه عصبی مصنوعی و سیستم استنتاج عصبی فازی مورد ارزیابی قرار گرفت. نتایج حاصل حاکی از توانایی مطلوب مدل های هوشمند در تخمین مقدار ظرفیت تبادل کاتیونی خاک می باشد. با توجه به شاخص های آماری به کار گرفته شده در تحقیق حاضر، مدل برنامه ریزی ژنتیک با جذر میانگین مربعات خطا 78/1 و ضریب تبیین 95/0 نسبت به مدل های دیگر دارای کارایی بالاتری بوده و قادر است نتایج قابل قبولی را ارائه نماید. هم چنین راه حل های صریحی که نشانگر ارتباط بین متغیر های ورودی و خروجی باشد، بر مبنای برنامه ریزی ژنتیک ارائه گردیدند که این امر بر ارجحیت مدل برنامه ریزی ژنتیک بر مدل های دیگر می افزاید. تجزیه رگرسیون گام به گام جهت تعیین سهم هر یک از پارامترهای ورودی در مقدار گنجایش تبادل کاتیونی نشان داد که مواد آلی با داشتن ضریب تبیین 84 درصد بیشترین میزان تغییرات گنجایش تبادل کاتیونی را توجیه نموده است و رس و سیلت به ترتیب دارای ضریب تبیین 10 و 6 درصد بوده اند.

Use of the Intelligent Models to Estimate the Soil Cation Exchange Capacity in North and North West of Iran

CEC of the soil is the exchange sites of organic and inorganic soil colloids. Modeling and Estimation of CEC is a useful indicator for fertility. The new alternative approaches for estimating CEC are indirect methods based on intelligent models. In this research in order to estimate CEC, 485 soil sles were prepared from two regions, chaparsar (Mazandaran in northern Iran) and Bostanabad (North of West Azarbaijan, Iran).In this paper introduces the application of genetic programming. Input parameters that are percent Clay, Organic Carbon and Silt, evaluate using genetic programming, neural network and Neural Inference SystemsFuzzy models. The results indicate a good ability to intelligent models for CEC Estimation According to indices used in this study. Genetic programming model with a root mean square error of 1.78 and coefficient of determination 0.95 compared to other models have been more efficient and is able to provide satisfactory results, Also are the explicit solutions that reflect the relationship between input an output variable, was presented based on genetic programming. This preferred the genetic programming model adds the other models. Stepwise regression analysis to determine the contribution of each of the parameters indicated in the CEC that organic materials having Most coefficient of variation of 84% is justified CEC and clay and silt, respectively, with a correlation coefficient of 10% and 6% respectively.