TY - JOUR JF - JSTNAR JO - jwss VL - 24 IS - 4 PY - 2021 Y1 - 2021/2/01 TI - Evaluation of Machine Learning Methods in Digital Mapping of Soil Organic Carbon (part of Khorramabad Plain) TT - ارزیابی روش‌های یادگیری ماشین در نقشه‌برداری رقومی کربن آلی خاک‌های زراعی (بخشی از دشت خرم‌آباد) N2 - شناخت توزیع مکانی کربن آلی خاک یکی از ابزارهای کاربردی در تعیین استراتژی‌های مدیریت پایدار اراضی است. طی دو دهه اخیر استفاده از رویکردهای داده‌کاوی در مدل‌سازی مکانی کربن آلی خاک با استفاده از تکنیک‌های یادگیری ماشین به‌طور گسترده‌ای مورد توجه قرار گرفته است. یکی از گام‌های اساسی در کاربرد این روش‌ها، تعیین متغیرهای بهینه پیش‌بینی کننده کربن آلی خاک است. این مطالعه به‌منظور مدل‌سازی و نقشه‌برداری رقومی کربن آلی خاک سطحی با استفاده از روش‌های یادگیری ماشین و ویژگی‌های خاک شامل درصد سیلت، رس، شن، کربنات کلسیم معادل، میانگین وزنی قطر خاکدانه و اسیدیته انجام پذیرفت. بدین منظور دقت عملکرد مدل‌های جنگل تصادفی، کوبیست، رگرسیون حداقل مربعات جزئی، رگرسیون خطی چندمتغیره و کریجینگ معمولی برای برآورد میزان کربن آلی خاک سطحی، در 141 نمونه از عمق 30-0 سانتی‌متر در بخشی از اراضی کشاورزی دشت خرم آباد با مساحت 680 هکتار مورد ارزیابی قرار گرفتند. نتایج آنالیز حساسیت متغیرهای پیش‌ران در مدل‌سازی کربن آلی نشان داد که به‌ترتیب سه ویژگی درصد سیلت، آهک و میانگین وزنی قطر خاکدانه بیشترین تأثیر را روی تغییرپذیری مکانی کربن آلی خاک داشتند. همچنین مقایسه رویکردهای مختلف تخمین کربن آلی نشان داد که مدل جنگل تصادفی به‌ترتیب با مقادیر ضریب تبیین (R2) و مجذور میانگین مربعات خطا (RMSE) 0/75 و 0/25 درصد بهترین کارایی را نسبت به سایر رویکردهای مورد استفاده در منطقه مطالعاتی ارائه کرد. در مجموع مدل‌های با رویکرد غیرخطی صحت بالاتری نسبت به مدل‌های خطی در مدل‌سازی تغییرات مکانی کربن آلی خاک نشان دادند. SP - 327 EP - 342 AU - Matinfar, H. R. AU - Mghsodi, Z. AU - Mossavi, S. R. AU - Jalali, M. AD - 1. Soil Science and Engineering Department, Lorestan University, Khorramabad, Iran. KW - Spatial variability KW - Digital soil mapping KW - Modeling approaches KW - SOC prediction. UR - http://jstnar.iut.ac.ir/article-1-3986-fa.html DO - 10.47176/jwss.24.4.8411 ER -