مقايسه روش‌هاي K- نزديك‌ترين همسايگي و شبكه عصبي مصنوعي در برآورد ظرفيت تبادل كاتيوني خاك

Comparison of K-nearest neighbor and artificial neural network methods for predicting cation exchange capacity of soil

اندازه‌گيري ظرفيت تبادل كاتيوني خاك در سطوح وسيع، معمولاً بسيار پرهزينه و وقت‌گير است. تخمين اين كميت به‌وسيله ويژگي‌هاي زوديافت خاك، از طريق توسعه توابع غيرپارامتريك مي‌تواند رويكرد مناسبي باشد. در اين پژوهش روش غيرپارامتريكي با عنوان K- نزديك‌ترين همسايگي در تخمين CEC خاك استفاده شد و نتايج آن با يكي از پركاربردترين روش‌هاي مرسوم مبتني بر مدل‌هاي شبكه عصبي مصنوعي (ANN) مورد مقايسه قرار گرفت. 683 نمونه خاك از مناطق مركزي ايران انتخاب شدند كه 120 عدد از آن‌ها به‌عنوان داده‌هاي مورد آزمون (هدف) و 563 عدد به‌عنوان بانك داده مرجع (آموزش) قرار گرفتند. مقادير پارامترهاي رس، سيلت، شن و كربن آلي خاك به‌عنوان متغير مستقل ورودي (زوديافت) و CEC به‌عنوان متغير وابسته خروجي بودند. نتايج نشان داد كه بيش‌ترين خطاي برآورد (MaxE) در روش K-NN برابر cmol+/kg 81/4 و اين مقدار در روش ANN برابر cmol+/kg 26/5 بود. ريشه ميانگين مربعات خطا در روش K-NN، 51/1 و در روش ANN، 53/1 بود، كه نشان مي‌دهد هر دو روش قادرند با دقت بالا و يكساني CEC خاك‌هاي هدف را پيش‌بيني نمايند. مقادير مثبت آماره ميانگين خطا (ME) براي اين دو روش نيز نشان داد كه هر دوي آن‌ها متمايل به برآورد كم‌تر مقدار CEC مي‌باشند. همچنين نتايج بررسي كارايي مدل‌ها نشان داد كه هر دو روش از كارايي بالايي (88/0=EF) در برآورد ظرفيت تبادل كاتيوني خاك برخوردار هستند.

Cation exchange capacity (CEC) measurement is a very expensive and time-consuming method in large scale assessments. It can be an appropriate approach to predict CEC from readily available properties via developing nonparametric models. In the present study, a nonparametric technique has been used for estimating CEC and compared with the most common nonparametric models which is based on artificial neural networks (ANN). 683 soils were selected from central Iran that 120 of them were used as target data and the others (563) were the reference data set. The parameters, clay, silt, sand and organic carbon content were the input independent variables (readily available properties) and the CEC was as an output dependent variable in this work. The results showed that the maximum error (MaxE) in K-NN and ANN techniques were 4.81 and 5.26 cmol+/kg, respectively. Root mean squared error (RMSE) for the K-NN and ANN were 1.51 and 1.53, respectively. This indicated that both methods are able to properly and equally predict CEC. The positive values of mean error (ME) showed that both models tended to underestimate CEC values in samples. The results analysis also showed that the efficiency of models (EF=0.88) were high by the estimation of CEC values in target soils.