علوم آب و خاک

---

گنجایش تبادل کاتیونی (CEC) از مهم‌ترین ویژگی‌های شیمیایی خاک است که کیفیت خاک‌ها را از جنبه‌های مختلف تحت تأثیر قرار می‌دهد. CEC در برآورد پتانسیل خطر فلزات سنگین و برخی آلاینده‌های آلی کاتیونی نیز مؤثر است، و یکی از مهم‌ترین پارامتر‌های ورودی در بسیاری از مدل‌های کامپیوتری، از جمله مدل EPIC است. روش‌های آزمایشگاهی که در اندازه‌گیری این ویژگی به کار می‌روند معمولاً وقت‌گیر و مشکل‌اند. از این رو، داشتن مدلی که بتواند CEC خاک را از روی دیگر ویژگی‌های خاک تخمین بزند ضروری است. در این پژوهش رابطه CEC (به عنوان متغیر تابع) با درصد اندازه ذرات، درصد مواد آلی و pH خاک (به عنوان متغیرهای مستقل) بررسی گردید. این بررسی با استفاده از اطلاعات 464 نمونه خاک از افق‌های مختلف صورت گرفت. نتایج نشان داد CEC خاک‌ها با درصد شن هم‌بستگی معکوس (*** 389/0- = r)، و با درصد مواد آلی (*** 772/0= r)، درصد رس (*** 391/0= r) و درصد سیلت (*** 233/0= r) هم‌بستگی مستقیم دارد. میان CEC و pH خاک‌ها ارتباط معنی‌داری دیده نشد. جدا سازی خاک‌ها به افق‌های A، B و C نشان داد سهم رس و مواد آلی در CEC افق‌های مختلف یکسان نیست. جدا کردن خاک‌های اریدی‌سول و انجام هم‌بستگی‌های چند متغیره، در مقایسه با کل خاک‌ها، تخمین دقیق‌تری به دست نیاورد. جدا سازی خاک‌های اسیدی و انجام هم‌بستگی‌های چند متغیره نشان داد که در این خاک‌ها ماده آلی مهم‌ترین عامل مؤثر بر CEC خاک است.

---

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.