بررسي امكان پيش بيني ظرفيت تبادل كاتيوني خاك با استفاده از پارامترهاي زوديافت خاك

The Prediction Possibility of Soil Cation Exchange Capacity by Using of Easily Accessible Soil Parameters

ظرفيت تبادل كاتيوني يكي از مهم ترين ويژگي هاي شيميايي خاك است كه توانايي خاك را براي نگهداري مواد غذايي و آب در خاك و همچنين مديريت آلودگي خاك نشان مي دهد. از طرفي به علت آن كه اندازه گيري آن كاري دشوار و وقت گير است، بنابراين تخمين آن از طريق خصوصيات زود يافت خاك مطلوب مي باشد. هدف از انجام اين تحقيق ارزيابي تخمين ظرفيت تبادل كاتيوني خاك با استفاده از شبكه هاي عصبي مصنوعي است. به اين منظور، در منطقه چهل دين در محدوده شهرستان گرگان نمونه‌برداري خاك از 69 نقطه قرار گرفته بر روي يك شبكه صورت گرفت. سپس ويژگي هاي زوديافت خاك از قبيل درصد شن، سيلت و رس، جرم ويژه ظاهري، جرم ويژه حقيقي، مواد آلي، درصد آهك،pH ، EC، تخلخل كل، ميانگين هندسي اندازه ذرات و انحراف معيار هندسي آنها در آزمايشگاه اندازه گيري و نتايج اوليه به دست آمد. نتايج نشان داد كه روش شبكه عصبي مصنوعي روش مناسبي در برآورد ظرفيت تبادل كاتيوني خاك است به طوري كه مي تواند 82 درصد تغييرپذيري ظرفيت تبادل كاتيوني خاك پيش بيني نمايد. بافت خاك موثرترين پارامتر بر روي CEC بود. آناليز حساسيت داده ها با استفاده از مدل توسعه يافته با شبكه عصبي مصنوعي نشان داد كه پارامترهاي درصد رس، سيلت و شن، ميانگين هندسي اندازه ذرات، انحراف معيار هندسي اندازه ذرات، درصد ماده آلي و تخلخل كل به‌ترتيب مهمترين فاكتورهاي موثر بر ظرفيت تبادل كاتيوني خاك در منطقه مي‌باشند. مدلي با پارامترهاي ورودي درصد رس، سيلت و شن، ميانگين هندسي و انحراف معيار هندسي اندازه ذرات به عنوان بهترين مدل پيش بيني كننده ظرفيت تبادل كاتيوني خاك در منطقه مورد مطالعه انتخاب گرديد.

Cation Exchange Capacity (CEC) is an important characteristic of soil in view point of nutrient and water holding capacity and contamination management. Measurement of CEC is difficult and time-consuming. Therefore, CEC estimation through other easily-measurable properties is desirable. The purpose of this research was to investigate CEC estimating using easily accessible parameters with Artificial Neural Network. In this study, the easily accessible parameters were sand, silt and clay contents, bulk density, particle density, organic matter (%OM), calcium carbonate equivalent (%CCE), pH, geometric mean diameter (dg) and geometric standard deviation of particle size (?g) in 69 points from a 1×2 km sampling grid. The results showed that Artificial Neural Network is a precise method to predict CEC that it can predict 82% of CEC variation. The most important influential factor on CEC was soil texture. The sensitivity analysis of the model developed by using of Artificial Neural Network represented that clay%, silt%, sand%, geometric mean diameter and geometric standard deviation of particle size, OM% and total porosity were the most sensitive parameters, respectively. The model with clay%, silt%, sand%, geometric mean diameter and geometric standard deviation of particle size as inputs data was selected as the base model to predict CEC at studied area.