AU - Maghsodi, Z. AU - Rostaminia, M. AU - Faramarzi, M. AU - Keshavarzi, A AU - Rahmani, A. AU - Mousavi, S. R. TI - Digital Mapping of Soil Family Class Using the Machine Learning Approach (A Case Study: Semi-Arid lands in the West of IRAN) PT - JOURNAL ARTICLE TA - JSTNAR JN - JSTNAR VO - 24 VI - 2 IP - 2 4099 - http://jstnar.iut.ac.ir/article-1-3922-fa.html 4100 - http://jstnar.iut.ac.ir/article-1-3922-fa.pdf SO - JSTNAR 2 AB  - نقشه‌برداری رقومی خاک همگام با پیشرفت‌های زیرساخت‌ داده‌های مکانی، نقش مهمی را در جهت ارتقاء دانش مطالعات خاکشناسی ایفا می‌کند. لذا تحقیق حاضر با هدف تهیه نقشه رقومی کلاس‌ فامیل خاک با استفاده از مدل‌های جنگل تصادفی و رگرسیون درختی توسعه‌یافته در بخشی از اراضی نیمه‌خشک استان ایلام اجرا شد. متغیرهای محیطی از مدل رقومی ارتفاع با قدرت تفکیک مکانی 30 متر با استفاده از نرم‌افزار SAGAGIS نسخه 7/3 استخراج شد. تعداد 46 خاکرخ حفر و ویژگی‌های فیزیکوشیمیایی نمونه‌های خاک اندازه‌گیری و بر اساس سامانه آمریکایی 2014 در سطح فامیل رده‌بندی شد. در محدوده مورد مطالعه سه رده مالی‌سولز، اینسپتی‌سولز و انتی‌سولز شناسایی شد. بر اساس نتایج داده‌کاوی متغیرهای محیطی با استفاده از آنالیز تورم واریانس (VIF)، متغیرهای کمکی ارتفاع، ارتفاع استاندارد شده و شاخص زبری پستی و بلندی بیشترین میزان تغییرپذیری مکانی خاک‌ها را در منطقه مدل‌سازی می‌کند. بهترین پیش‌بینی مکانی کلا‌س‌های خاک مربوط به فامیل خاکFine, carbonatic, thermic, Typic Haploxerolls است. همچنین نتایج نشان می‌دهد که مدل‌های جنگل تصادفی و رگرسیون درختی توسعه‌یافته به‌ترتیب صحت عمومی 0/80 و 0/64 و شاخص کاپای 0/70 و 0/55 را ارائه می‌کند. بنابراین، روش جنگل تصادفی می‌تواند یک روش قابل اعتماد و با دقت مناسب باشد که حتی با تعداد نمونه کم تخمین قابل قبولی را ارائه کند. CP - IRAN IN - 1. Science and Soil Engineering Department, College of Agriculture, Ilam University, Ilam, Iran LG - eng PB - JSTNAR PG - 153 PT - Research YR - 2020