پيش بيني ظرفيت تبادل كاتيوني خاك هاي استان گيلان با استفاده از مدل هاي هوشمند

Prediction of Cation Exchange Capacity in the Soils of Gilan Province Using Intelligent Models

ظرفيت تبادل كاتيوني (CEC) يكي از مهم‌ترين ويژگي‌هاي خاك در ارتباط با نگهداري مواد غذايي، آب در خاك و همچنين مديريت آلودگي خاك مي‌باشد. اندازه‌گيري CEC كاري دشوار و وقت‌گير است، بنابراين تخمين آن از طريق خصوصيات زود يافت خاك مطلوب مي‌باشد. در اين پژوهش با كمك مدل‌هاي هوشمند و با استفاده از خصوصيات فيزيكي و شيميايي خاك مانند توزيع اندازه ذرات، كربن آلي، ميزان رس، شن، فسفر، نيتروژن، pH و EC به پيش‌بيني CEC خاك پرداخته شد. سه مدل هوشمند شامل شبكه‌هاي عصبي مصنوعي از نوع MLP، شبكه‌هاي عصبي مصنوعي از نوع RBF و مدل عصبي-فازي تطبيقي (ANFIS) براي پيش‌بيني مورداستفاده قرار گرفت. 250 نمونه‌ي خاك جمع‌آوري‌شده به دودسته‌ي آموزش (80 درصد داده‌ها) و صحت سنجي (20 درصد داده‌ها) تقسيم شدند. دقت پيش‌بيني مدل مورداستفاده به‌وسيله شاخص‌هاي آماري مانند ميانگين قدر مطلق خطا (MAE)، ضريب تبيين (R2) و ريشه دوم ميانگين مربعات خطا (RMSE) مورد ارزيابي قرار گرفت. نتايج به‌دست‌آمده كارايي بالاتر مدل شبكه عصبي مصنوعي MLP را در مقايسه با دو مدل مذكور با مقادير MAE، RMSE، R2 به ترتيب برابر با 1/79، 2/54 و 0/81 نشان داد. همچنين آناليز حساسيت انجام‌شده بر روي ‌داده‌هاي ورودي به مدل نشان داد كربن آلي بيشترين و pH كمترين همبستگي را با ظرفيت تبادل كاتيوني دارند. با توجه به نتايج اين مطالعه استفاده از شبكه عصبي مصنوعي براي تخمين ظرفيت تبادل كاتيوني خاك به‌خوبي امكان‌پذير است و مي‌تواند با كارايي مناسب در جهت سهولت در اندازه‌گيري و صرفه‌جويي در زمان و هزينه‌ها به كار گرفته شود.

Cation exchange capacity (CEC) is one of the most important characteristics of soils in relation to nutrient elements and water storage in the soil, as well as soil pollution management. CEC measurement is difficult and time-consuming. So, estimating it by use of soil readily available properties is good. In this study, intelligent model was employed and the parameters used were the physical and chemical properties of the soil such as particle size distribution, organic carbon, clay and sands content, phosphorus, nitrogen, PH and EC. The methods of artificial neural network (MLP), (RBF) and Adaptive-network-based fuzzy inference system (ANFIS) were used to assess CEC. Then, the ability of this method to predict CEC was investigated by using 250 soil samples in two groups: 80 percent for training and 20 percent for validation. To determine the accuracy of the model prediction of CEC, statistical indices including Mean Absolute Error (MAE), the coefficient of determination (R2), and Root Mean Square error (RMSE) were evaluated. The results showed higher efficiency of artificial neural network MLP compared to the other models with the values of MAE, RMSE, R2 equal to 1.79, 2.54, and 0.8, respectively1. The sensitivity analysis performed on the input data to the model showed that organic carbon and the pH had the highest and lowest correlation with the cation exchange capacity. The results show that use of artificial neural network to estimate the soil cation exchange capacity is possible and can be used to facilitate the measurement, lower economic cost, and save time.