fa کاربرد مدل‌های هوشمند در تخمین مقدار ظرفیت تبادل کاتیونی در خاک‌های شمال و شمال‌غرب ایران عمومی Ggeneral پژوهشي Research <p>گنجایش تبادل کاتیونی در خاک مجموع نقاط تبادلی کلوئیدهای آلی و معدنی خاک است. مدل‌سازی و تخمین گنجایش تبادل کاتیونی یک شاخص مفید برای حاصلخیزی خاک می‌باشد. از رویکردهای جدید جایگزین‌شده برای تخمین ظرفیت تبادل کاتیونی، روش‌های غیرمستقیم و مبتنی بر مدل‌های هوشمند است. در‌این مطالعه، به‌منظور تخمین ظرفیت تبادل کاتیونی ، تعداد 485 نمونه خاک از دو منطقه چپرسر(مازندران در شمال ایران) و بستان‌آباد(آذربایجان‌شرقی در شمال‌غرب ایران) تهیه گردید. در‌این تحقیق ضمن معرفی برنامه‌ریزی ژنتیک، پارامترهای ورودی که شامل درصد رس، کربن آلی و سیلت می‌باشد با‌استفاده از مدل‌های برنامه‌ریزی ژنتیک، شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازی مورد ارزیابی قرار گرفت. نتایج حاصل حاکی از توانایی مطلوب مدل‌های هوشمند در تخمین مقدار ظرفیت تبادل کاتیونی خاک می‌باشد. با‌توجه به شاخص‌های آماری به‌کار گرفته‌شده در تحقیق حاضر، مدل برنامه‌ریزی ژنتیک با جذر میانگین مربعات خطا 78/1 و ضریب تبیین 95/0 نسبت به مدل‌های دیگر دارای کارایی بالاتری‌بوده و قادر است نتایج قابل قبولی را ارائه نماید. هم‌چنین راه حل‌های صریحی که نشانگر ارتباط بین متغیر‌های ورودی و خروجی باشد، بر مبنای برنامه‌ریزی ژنتیک ارائه گردیدند که این امر بر ارجحیت مدل برنامه‌ریزی ژنتیک بر مدل‌های دیگر می افزاید. تجزیه رگرسیون گام به گام جهت تعیین سهم هر یک از پارامترهای ورودی در مقدار گنجایش تبادل کاتیونی نشان داد که مواد آلی با داشتن ضریب تبیین 84 درصد بیشترین میزان تغییرات گنجایش تبادل کاتیونی را توجیه نموده‌است و رس و سیلت به‌ترتیب دارای ضریب تبیین 10 و 6 درصد بوده‌اند.</p> <p>CEC of the soil is the exchange sites of organic and inorganic soil colloids. Modeling and Estimation of CEC is a useful indicator for fertility. The new alternative approaches for estimating CEC are indirect methods based on intelligent models. In this research in order to estimate CEC, 485 soil samples were prepared from two regions, chaparsar (Mazandaran in northern Iran) and Bostanabad (North of West Azarbaijan, Iran).In this paper introduces the application of genetic programming. Input parameters that are percent Clay, Organic Carbon and Silt, evaluate using genetic programming, neural network and Neural Inference Systems-Fuzzy models. The results indicate a good ability to intelligent models for CEC Estimation According to indices used in this study. Genetic programming model with a root mean square error of 1.78 and coefficient of determination 0.95 compared to other models have been more efficient and is able to provide satisfactory results, Also are the explicit solutions that reflect the relationship between input an output variable, was presented based on genetic programming. This preferred the genetic programming model adds the other models. Stepwise regression analysis to determine the contribution of each of the parameters indicated in the CEC that organic materials having Most coefficient of variation of 84% is justified CEC and clay and silt, respectively, with a correlation coefficient of 10% and 6% respectively.</p> برنامه ریزی ژنتیک, خاک‌های شمال و شمال غرب ایران, ظرفیت تبادل کاتیونی, مدل های هوشمند مصنوعی Artificial Intelligence Models, CEC, Genetic programming, Soils in the North and North West Iran. 257 268 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1-73&slc_lang=fa&sid=1 M. R. Shoaibi Nobariyan محمدرضا شعیبی نوبریان shoaibimohammadreza@gmail.com Yes Dept. of Soil Sci., College of Agric. Sci., Tarbiat Modares, Tehran, Iran. گروه خاکشناسی، دانشکده علوم کشاورزی، دانشگاه تربیت مدرس تهران H. Torabi Golsefidi حسین ترابی گل‌سفیدی No Dept. of Soil Sci., College of Agric. Sci., Shahed Univ., Tehran, Iran. گروه خاکشناسی، دانشکده علوم کشاورزی، دانشگاه شاهدتهران Sabereh Darbandi صابره دربندی No Dept. of Water Eng., College of Agric.l Sci., Tabriz Univ., Tabriz, Iran. گروه مهندسی آب، دانشکده علوم کشاورزی، دانشگاه تبریز