توصيفگر ها :
هم دماهاي جذب , لانگموير , فروندليچ , رگرسيون چندمتغيره , شبكه عصبي مصنوعي , درخت تصميم گيري
چكيده فارسي :
روي از عناصر ضروري كم¬مصرف براي رشد و توسعه گياهان است. با اين وجود غلظت زياد آن در محلول خاك ممكن است اثر سمي گياهي داشته و عملكرد و كيفيت محصول را محدود كند. جذب روي توسط فاز جامد خاك مهمترين فرايندي است كه فراهمي، تحرك و سميت اين عنصر را در خاكها كنترل مي¬كند. شاخص هاي جذب روي خاك ها توسط هم¬دماي جذب تعيين مي¬شوند. هم دماهاي جذب، اطلاعات مفيدي درباره گنجايش نگهداري و قدرت جذب روي درخاك فراهم مي¬كنند. آزمايشهاي همدماي جذب بسيار وقت گير و پرهزينه بوده و اين امر تعيين ويژگيهاي جذبي خاك را با مشكل مواجه مي¬كند. اما با تخمين ويژگيهاي جذبي روي با استفاده از ويژگي¬هاي زوديافت خاك مي¬توان بر اين مشكل غلبه نمود. اين تحقيق با هدف امكان¬سنجي پيش¬بيني پارامترهاي جذبي روي در سطح حوضه آبخيز در منطقه قروه استان كردستان با استفاده از روشهاي رگرسيوني و مدل هاي يادگيري ماشين انجام گرفت. بدين منظور براي برآورد پارامترهاي جذب روي، 101 نمونه خاك از دشت قروه استان كردستان تهيه گرديده و همدماهاي جذب روي اين خاكها در آزمايشگاه اندازه گيري شده. پس از برازش مدل هاي مزبور برخي شاخص هاي جذب شامل حداكثر جذب سطحي روي (Qmax)، انرژي پيوند(KL)، ثابت جذب روي فرندوليچ (KF)، شاخص شدت جذب روي (N)، ظرفيت بافري حداكثر (MBC) و ظرفيت بافري روي در غلظت واحد (ZBC1) محاسبه شدند. سپس ارتباط اين شاخص¬ها با برخي ويژگي¬هاي فيزيكي و شيميائي خاك نظير درصد رس، سيلت و شن، درصد آهك، ظرفيت تبادل كاتيوني و مواد آلي خاك به كمك مدل رگرسيون چندمتغيره خطي و روش هاي ماشين يادگيري شامل شبكه عصبي مصنوعي(ANN)، جنگل تصادفي(RF)، ماشين هاي بردار پشتيبان(SVM)، K- نزديك ترين همسايه(KNN) بررسي شد. نتايج اين مطالعه نشان داد روش رگرسيون خطي در ايجاد ارتباط بين ويژگيهاي خاك و پارامترهاي جذب روي موفق نيستند، در حالي كه مدل¬هاي جنگل تصادفي و ماشين بردار پشتيبان به دليل داشتن ضريب تبيين بزرگتر دقت بيشتري نسبت به بقيه مدل¬ها نشان دادند. در مورد پارامتر Qmax مدل RF با 65/0= R2 ، در مورد KL مدل RF با 59/0= R2 ، براي پارامتر KF مدل SVM با 59/0= R2 ، براي پارامترN نيز مدلRF با 54/0= R2 ، و براي MBC مدل SVM با 52 /0= R2 بهترين عملكرد را نشان دادند. نتايج آناليز حساسيت نشان داد كه از ويژگي¬هاي خاك درصد رس، ماده آلي، درصد سيلت،گنجايش تبادل كاتيوني وكربنات كلسيم مهم ترين پارامترهايي بودند كه تغييرات اين ضرائب را كنترل مي¬كنند. بطوركلي نتايج اين تحقيق نشان داد با توجه به اندازه¬گيري پرهزينه همراه با محاسبات زمان بر تعيين شاخص¬هاي جذب عنصر روي در سطح وسيع و تعداد زياد نمونه مي¬توان بر اساس روشهاي رقومي و استفاده از داده¬هاي بانك اطلاعاتي خاك به راحتي اين پارامترها را تخمين زده و از آنها در مديريت كودي و ارزيابي حاصلخيزي خاكها استفاده نمود.
چكيده انگليسي :
Zinc (Zn) is an essential micronutrient for plant growth and development. However, high concentrations in soil solution may have phytotoxic effects and limit crop yield and quality. Zinc sorption by the soil solid phase is the most important process controlling its availability, mobility, and toxicity in soils. Soil Zn sorption indices are determined by sorption isotherms, providing useful information about the retention capacity and sorption strength of Zn in soil. However, isotherm experiments are time-consuming and costly, posing significant challenges in determining Zn sorption characteristics for a large number of soil samples. This challenge can be overcome by estimating Zn sorption characteristics using easily measurable soil properties. This research aimed to assess the feasibility of predicting Zn sorption parameters at the watershed level in the Qorveh region of Kurdistan Province using regression methods and machine learning models. For this purpose, 101 soil samples were collected from the Qorveh plain in Kurdistan Province, and Zn sorption isotherms were measured in the laboratory for all soils. After fitting the Langmuir and Freundlich isothermal models to the data, some Zn sorption indices including maximum sorption capacity (Qmax), binding energy (KL), Freundlich Zn sorption constant (KF), Zn sorption intensity index (N), maximum buffering capacity (MBC), and buffering capacity at unit concentration (ZBC1) were derived from the fitted models. Subsequently, the relationship between the Zn sorption indices and some physical and chemical soil properties such as clay, silt, and sand percentages, carbonate percentage, cation exchange capacity, and soil organic matter was examined using multiple linear regression models and machine learning methods including Artificial Neural Network (ANN), Random Forest (RF), Support Vector Machines (SVM), and K-Nearest Neighbors (KNN). The results of this study showed that the linear regression method is not successful in establishing a relationship between soil properties and Zn sorption parameters, while Random Forest and Support Vector Machine models showed higher accuracy compared to other models due to their larger coefficient of determination. For the Qmax parameter, the RF model with R²=0.65, for KL the RF model with R²=0.59, for KF the SVM model with R²=0.59, for N the RF model with R²=0.54, and for MBC the SVM model with R²=0.52 showed the best performance. Sensitivity analysis results showed that among soil properties, clay, organic matter, silt, and calcium carbonate equivalent contents as well as cation exchange capacity were the most important parameters controlling the variations of the Zn sorption parameters in the soils of studied area. Overall, the results of this research showed that given the expensive and time-consuming measurements involved in determining Zn sorption indices on a large scale and for a large number of samples in the laboratory, these parameters can be easily estimated based on digital methods and using soil database data, which can then be applied in fertilizer management and soil fertility assessment in the region.
