علوم آب و خاک

---

وضعیت پتاسیم و اثر خواص فیزیکی و شیمیایی خاک بر آن در شالیزارهای استان گیلان با استفاده از یک صد و نه نمونه خاک سطحی از چهار ناحیه در استان گیلان مورد بررسی قرار گرفت. پتاسیم قابل استخراج‌ به وسیله استات آمونیوم یک مولار خنثی (K-NH₄OAc)، پتاسیم قابل استخراج به وسیله اسیدنیتریک یک مولار جوشان (K-HNO₃) و پتاسیم محلول در آب اندازه‌گیری شدند. نتایج بررسی نشان داد که توزیع فراوانی جمعیت رس و ظرفیت تبادل کاتیونی نرمال بود و توزیع فراوانی جمعیت متغیرهای سیلت، کربن‌آلی و pH غیر نرمال (با چولگی و یا کشیدگی معنی‌دار) و برای شن، K-NH₄OAc و K-HNO₃ لگاریتم نرمال بود. پتاسیم محلول تحت تأثیر اثر توام شن، pH، کربن آلی و K-NH₄OAc قرار داشت ( ** 73/0 =² R_a). پتاسیم قابل استخراج به وسیله استات آمونیوم تحت تأثیر پتاسیم محلول، پتاسیم غیرقابل تبادل و ظرفیت تبادل کاتیونی قرار گرفت ( ** 72/0= ² R_a ). پتاسیم قابل‌استخراج به وسیله اسید نیتریک‌جوشان تحت‌ تأثیر پتاسیم‌ تبادلی و جزء سیلت خاک قرار داشت ( ** 55/0= ² R_a ). توزیع جغرافیایی داده‌های K-NH₄OAc  نشان دادکه مقدار آن در گیلان ‌مرکزی، به‌ ویژه در حوزه آبخیز سپیدرود، بیشتر از بقیه نواحی است. در ناحیه فومنات مقدار رس، ظرفیت تبادل کاتیونی، K-NH₄OAc و K-HNO₃ کمتر از بقیه نواحی است. بر اساس بررسی وضعیت انجام شده 8/68 درصد شالیزارهای استان از نظر پتاسیم قابل جذب در وضعیت متوسط تا خیلی کم قرار دارند.

---

گنجایش تبادل کاتیونی یکی از ویژگی‌های شیمیایی مهم خاک بوده که اندازه‌گیری آن بسیار پرهزینه و وقت‌گیر است. توابع انتقالی، می‌تواند راه‌کاری مناسب در برآورد این پارامتر به جای اندازه‌گیری‌ مستقیم باشد. هدف از این تحقیق، توسعه چند تابع انتقالی مناسب برای برآورد گنجایش تبادل کاتیونی خاک‌های استان گیلان با استفاده از دو روش رگرسیون خطی چندگانه و شبکه عصبی مصنوعی و تأثیر گروه‌بندی خاک‌ها بر پایه کلاس‌های بافتی و کربن آلی بر بهبود توانایی برآورد گنجایش تبادل کاتیونی به وسیله دو روش بود. برای این تحقیق از 1662 داده مربوط به خاک‌های استان گیلان از بانک اطلاعات آزمایشگاه شیمی خاک مؤسسه تحقیقات برنج کشور استفاده شد. نتایج نشان داد که کربن آلی مهم‌ترین متغیر در برآورد گنجایش تبادل کاتیونی در کل داده‌ها و کلیه کلاس‌های بافتی و کربن آلی در هر دو روش رگرسیون و شبکه عصبی بوده است. شبکه عصبی مصنوعی نسبت به روش رگرسیون در برآورد گنجایش تبادل کاتیونی در کل داده‌ها، کارایی بهتری داشت و گروه‌بندی داده‌ها تنها در کلاس‌های بافتی شن و شنی رسی لومی در روش شبکه عصبی مصنوعی، موجب بهبود محسوس پیش‌بینی‌ها نسبت به کل داده‌ها شد.