روح اله تقی زاده - دانشجوی دکتری، دانشگاه تهران
شهلا محمودی - استاد، دانشگاه تهران
علی اکبرزاده - دانشجوی کارشناسی ارشد، دانشگاه تهران
هادی رحیمی لاکه - کارشناس ارشد، دانشگاه گیلان

تخمین پارامترهای دیریافت خاک با استفاده از اطلاعات موجود خاک، توابع انتقالی نامیده می شود. جهت توسعه توابع انتقالی می توان از مدل های رگرسیون چند متغیره، شبکه عصبی مصنوعی و نروفازی استفاده کرد. بنابراین در این مطالعه به منظور مقایسه مدل های مذکور، ۱۵۳ نمونه جمع آوری شده از ناحیه شمالی شهرستان رشت مورد آزمایش قرار گرفته و درصد شن، سیلت، رس و کربن آلی به عنوان ویژگی های زودیافت و ظرفیت تبادل کاتیونی به عنوان ویژگی دیریافت اندازه گیری شدند. سپس کل داده ها به دو سری داده، شامل سری آموزش (۸۰% داده ها) و سری ارزیابی (۲۰% داده ها) تقسیم گردید. نتایج ارزیابی نشان داد که مدل نروفازی بر اساس شاخص های ریشه مربعات خطا، میانگین خطا و ضریب تبیین به ترتیب ۷۳/۰، ۰۷/۰- و ۶۶/۰ دارای بالاترین دقت در پیش بینی ظرفیت تبادل کاتیونی خاک می باشد. همچنین این مدل بر اساس شاخص درصد کاهش ریشه مربعات خطا به میزان ۱۴ درصد دقت پیش بینی ویژگی CEC را نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه های عصبی مصنوعی پس انتشار، پایه شعاعی و آبشاری به ترتیب نسبت به معادلات رگرسیونی کارائی بهتری داشته اند.

., Artificial Neural Networks, multivariate regression, neuro-fuzzy, Pedotransfer Function