fa تخمین ظرفیت تبادل کاتیونی خاک با استفاده از رگرسیون و شبکه عصبی و اثر تفکیک داده‌ها بر دقت و صحت توابع عمومی Ggeneral پژوهشي Research منظور نمودن شاخص‌های حاصل‌خیزی خاک از جمله ظرفیت تبادل کاتیونی(CEC) می‌تواند در ارتقا و افزایش کیفیت نقشه‌های خاک مفید باشد. برای اندازه‌گیری CEC که زمان‌بر و پرهزینه است می‌توان از برآورد آن از طریق توابع انتقالی استفاده کرد. در این تحقیق، ابتدا چند محدوده (Delineation)‌ از دو واحد نقشه همگون (Consociation)، شامل دو فامیل خاک واقع در دشت شهرکرد، یک واحد نقشه شامل سری شهرک و دیگری شامل سری چهارمحال، مشخص شد. سپس، از اعماق صفر تا20 و30 تا50 سانتی‌متری محدوده‌ها نمونه‌گیری و چند ویژگی فیزیکی- شیمیایی هر نمونه در آزمایشگاه اندازه‌گیری شد. سه ویژگی درصد رس، درصد ماده آلی و رطوبت در پتانسیل 1500- کیلو پاسکال بیشترین هم‌بستگی را با CEC نشان دادند. توابع انتقالی با استفاده از رگرسیون خطی و شبکه عصبی استخراج شد. در این مطالعه، برای تمام مدل‌های شبکه عصبی یک لایه میانی به همراه یک گره کافی به نظر رسید. در هر دو روش، مدلی که شامل پارامتر‌های زود یافت ماده آلی و رس بود به وسیله روش رگرسیون با 81/0=R2 و 2/7= RMSE و از طریق شبکه عصبی با ضریب یادگیری 3/0 و تعدادتکرار(Epoch) 40 و 88/0=R2 و34/0= RMSE بهترین و دقیق‌ترین تخمین را در بین مدل‌ها جهت تخمین CEC نشان داد. تفکیک داده برحسب لایه و فامیل باعث افزایش دقت و صحت توابع گردید. تکنیک شبکه عصبی در مقایسه با رگرسیون، مدل‌هایی باR2 بیشتر و RMSE کمتر تولید کرد. Soil fertility measures such as cation exchange capacity (CEC) may be used in upgrading soil maps and improving their quality. Direct measurement of CEC is costly and laborious. Indirect estimation of CEC via pedotransfer functions, therefore, may be appropriate and effective. Several delineations of two consociation map units consisting of two soil families, Shahrak series and Chaharmahal series, located in Shahrekord plain were identified. Soil samples were taken from two depths of 0-20 and 30-50 cm and were analyzed for several physico-chemical properties. Clay and organic matter percentages as well as moisture content at -1500 kPa correlated best with CEC. Pedotransfer functions were successfully developed using regression and artificial neural networks. In this research, it seemed that one hidden layer with one node was sufficient for all neural networks models. The best regression model consisting of organic matter and clay variables showed R2=0.81 and RMSE=7.2 while best corresponding neural network with a learning coefficient of 0.3 and an epoch of 40 had R2=0.88 and RMSE=0.34. Data partitioning according to soil series and soil depths increased the accuracy and precision of the functions. Compared to regression, artificial neural network technique gave pedotransfer functions with greater R2 and smaller RMSE. ظرفیت تبادل کاتیونی، توابع انتقالی، رگرسیون، شبکه عصبی، تفکیک خاک Cation exchange capacity (CEC), Pedotransfer, Regression, Artificial neural network, Soil partitioning. 83 97 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-311-1&slc_lang=fa&sid=1 R Mohajer رضا مهاجر No M.H Salehi محمدحسن صالحی mehsalehi@yahoo.com Yes H Beigi Herchegani حبیب اله بیگی هرچگانی No