fa مقایسه توابع انتقالی رگرسیونی و شبکه عصبی مصنوعی در برآورد گنجایش عمومی Ggeneral پژوهشي Research 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. Measuring the cation exchange capacity (CEC) as one of the most important chemical soil properties is very time consuming and costly. Pedotransfer functions (PTFs) provide an alternative to direct measurement by estimating CEC. The objective of this study was to develop PTFs for predicting CEC of Guilan province soils using artificial neural network (ANN) and multiple-linear regression method and also determine whether grouping based on soil textural class and organic carbon content improved estimating CEC by two methods. For this study, 1662 soil samples of Guilan province were used from soil chemistry laboratory database of Rice Research Institute. 1109 data were used for training (the development of PTFs) and 553 data for testing (the validation of PTFs) of the models. The results showed that organic carbon was the most important variable in the estimation of cation exchange capacity for total data and all classes in textural and organic C groups in both methods. ANN performed better than the regression method in predicting CEC in all data, and grouping of data only improved the prediction of PTFs in Sand and Sandy clay loam classes by ANN method. گنجایش تبادل کاتیونی، توابع انتقالی، شبکه عصبی مصنوعی، رگرسیون، ویژگی‌های خاک Cation exchange capacity, Pedotransfer functions, Artificial neutral network, Regression, Soil properties 169 182 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1489-1&slc_lang=fa&sid=1 S. Moallemi سمیه معلمی No N.Davatgar ناصر دوات‌گر n_davatgar@yahoo.com Yes