بررسی امکان پیش بینی ظرفیت تبادل کاتیونی خاک با استفاده از پارامترهای زودیافت خاک

هزارجریبی, ابوطالب; نصرتی کاریزک, فهیمه; قربانی, خلیل

doi:10.22067/jsw.v0i0.28092

بررسی امکان پیش بینی ظرفیت تبادل کاتیونی خاک با استفاده از پارامترهای زودیافت خاک

نوع مقاله : مقالات پژوهشی

نویسندگان

10.22067/jsw.v0i0.28092

چکیده

ظرفیت تبادل کاتیونی یکی از مهم ترین ویژگی های شیمیایی خاک است که توانایی خاک را برای نگهداری مواد غذایی و آب در خاک و همچنین مدیریت آلودگی خاک نشان می دهد. از طرفی به علت آن که اندازه گیری آن کاری دشوار و وقت گیر است، بنابراین تخمین آن از طریق خصوصیات زود یافت خاک مطلوب می باشد. هدف از انجام این تحقیق ارزیابی تخمین ظرفیت تبادل کاتیونی خاک با استفاده از شبکه های عصبی مصنوعی است. به این منظور، در منطقه چهل دین در محدوده شهرستان گرگان نمونه‌برداری خاک از 69 نقطه قرار گرفته بر روی یک شبکه صورت گرفت. سپس ویژگی های زودیافت خاک از قبیل درصد شن، سیلت و رس، جرم ویژه ظاهری، جرم ویژه حقیقی، مواد آلی، درصد آهک،pH ، EC، تخلخل کل، میانگین هندسی اندازه ذرات و انحراف معیار هندسی آنها در آزمایشگاه اندازه گیری و نتایج اولیه به دست آمد. نتایج نشان داد که روش شبکه عصبی مصنوعی روش مناسبی در برآورد ظرفیت تبادل کاتیونی خاک است به طوری که می تواند 82 درصد تغییرپذیری ظرفیت تبادل کاتیونی خاک پیش بینی نماید. بافت خاک موثرترین پارامتر بر روی CEC بود. آنالیز حساسیت داده ها با استفاده از مدل توسعه یافته با شبکه عصبی مصنوعی نشان داد که پارامترهای درصد رس، سیلت و شن، میانگین هندسی اندازه ذرات، انحراف معیار هندسی اندازه ذرات، درصد ماده آلی و تخلخل کل به‌ترتیب مهمترین فاکتورهای موثر بر ظرفیت تبادل کاتیونی خاک در منطقه می‌باشند. مدلی با پارامترهای ورودی درصد رس، سیلت و شن، میانگین هندسی و انحراف معیار هندسی اندازه ذرات به عنوان بهترین مدل پیش بینی کننده ظرفیت تبادل کاتیونی خاک در منطقه مورد مطالعه انتخاب گردید.

کلیدواژه‌ها

20.1001.1.20084757.1392.27.4.5.0

عنوان مقاله [English]

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

نویسندگان [English]

A. Hezarjaribi
F. Nosrati Karizak
K. Abdollahnezhad

چکیده [English]

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 (σg) 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.

کلیدواژه‌ها [English]