fa ارائه مدلی غیرپارامتریک با استفاده از تکنیک k- نزدیک‌ترین همسایه در برآورد جرم مخصوص ظاهری خاک عمومی Ggeneral پژوهشي Research در مدل‌هایی که به پیش‌بینی فرآیندهای حاکم در محیط خاک می‌پردازند، دانستن جرم ویژه ظاهری خاک به عنوان یک پارامتر ورودی، لازم است. رویکردهای غیرپارامتریک در جنبه‌های مختلفی برای تخمین متغیرهای پیوسته به کار رفته‌اند. در این پژوهش نوعی از الگوریتم‌های غیرپارامتریک از نوع یادگیرنده‌های تنبل موسوم به k- نزدیک‌ترین همسایه، برای تخمین جرم ویژه ظاهری خاک با استفاده از دیگر ویژگی‌های کمکی آن شامل توزیع اندازه ذرات خاک، pH خاک، هدایت الکتریکی عصاره اشباع خاک (EC)، درصد اشباع خاک (SP)، درصد کربن آلی خاک (OC) و مقدار آهک به کار گرفته شد. بر اساس تکنیکcross validation برای تخمین جرم ویژه ظاهری هر نمونه خاک هدف، هشت نمونه خاک که حداکثر تشابه به خاک هدف را داشتند، از بانک مرجع که حاوی 136 نمونه خاک بود، انتخاب و مقدار جرم ویژه ظاهری آنها برآورد شد. استفاده از آماره‌های ضریب هم‌بستگی پیرسون (86/0=r)، خطای ماکزیمم (15/0=ME)، ریشه میانگین مربعات خطا (5/2=RMSE)، ضریب تبیین (3/1=CD)، کارآیی مدل (75/0=EF) و ضریب جرم باقی‌مانده (001/0=CRM) نشان داد که در اکثر موارد این تکنیک به صورت قابل‌قبول توانمند است. بر این اساس، می‌توان نتیجه‌گیری کرد که استفاده از این تکنیک به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه زمانی که فراهمی داده‌های جدید؛ نیاز به اشتقاق مجدد این توابع را الزام‌آور می‌کند، می‌تواند به کار رود. Soil bulk density measurements are often required as an input parameter for models that predict soil processes. Nonparametric approaches are being used in various fields to estimate continuous variables. One type of the nonparametric lazy learning algorithms, a k-nearest neighbor (k-NN) algorithm was introduced and tested to estimate soil bulk density from other soil properties, including soil textural fractions, EC, pH, SP, OC and TNV. As many as eight nearest neighbors, based on cross validation technique were selected to perform bulk density prediction from the attributes of 136 soil samples. The nonparametric k-NN technique mostly performed equally well using Pearson correlation coefficient (r=0.86), root-mean-squared errors (RMSE=2.5) maximum error (ME=0.15), coefficient of determination (CD=1.3), modeling efficiency (EF=0.75) and coefficient of residual mass (CRM=0.001) statistics. It can be concluded that the k-NN technique is an alternative to other techniques such as pedotransfer functions (PTFs). تکنیک k- نزدیک‌ترین همسایه، جرم ویژه ظاهری خاک، مدل‌سازی k-nearest neighbor (k-NN), Soil bulk density, Modeling 181 191 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-751-3&slc_lang=fa&sid=1 V. R. Jalali وحیدرضا جلالی No M. Homaee مهدی همایی mhomaee@hotmail.com Yes