fa نقشه‌برداری رقومی افق‌های مشخصه و گروه‌های بزرگ خاک در منطقه زرند کرمان عمومی Ggeneral پژوهشي Research نقشه‌برداری رقومی خاک شامل پیش‌بینی مکانی خاک‌ها و ویژگی‌های آنها براساس ارتباط با متغیرهای کمکی می‌باشد. این مطالعه به منظور نقشه‌برداری رقومی خاک با استفاده از مدل‌های رگرسیونی لاجیستیک دوتایی و درختی توسعه‌یافته در منطقه زرند کرمان طراحی گردید. یک طرح نمونه‌برداری طبقه‌بندی شده در منطقه‌ای به مساحت نود هزار هکتار تعریف شد و در نهایت، 123 خاک‌رخ حفر و تشریح گردید. در هر دو مدل، ابتدا احتمال حضور افق‌های مشخصه از طریق ارتباط دادن با متغیرهای کمکی، تخمین زده شد و سپس حضور کلاس‌های مختلف خاک پیش‌بینی گردید. متغیرهای کمکی شامل نقشه ژئومرفولوژی، اجزای سرزمین و شاخص‌های سنجش از دور بودند. نتایج نشان داد که نقشه ژئومرفولوژی، یک ابزار مهم در روش‌های نقشه-برداری رقومی خاک است که به افزایش دقت پیش‌بینی کمک می‌کند. پس از سطوح ژئومرفیک، اجزای سرزمین به‌عنوان پارامترهای کمکی مؤثر شناخته شدند. هر دو مدل، احتمال بالای حضور افق سالیک را در سیمای اراضی پلایا، افق جیپسیک را در تپه‌های گچی و افق کلسیک را در مخروط‌افکنه‌ها پیش‌بینی کردند. در بین کلاس‌های خاک مورد پیش‌بینی، کلاس "کلسی‌جیپسیدز"، دقت و قابلیت اعتبار تخمین پایینی را نشان داد، در صورتی‌که تخمین کلاس‌های "هپلوسالیدز" و "هپلوجیپسیدز" از دقت بالایی برخوردار بود. Digital soil mapping includes soils, spatial prediction and their properties based on the relationship with covariates. This study was designed for digital soil mapping using binary logistic regression and boosted regression tree in Zarand region of Kerman. A stratified sampling scheme was adopted for the 90,000 ha area based on which, 123 soil profiles were described. In both approaches, the occurrence of relevant diagnostic horizons was first mapped, and subsequently, various maps were combined for a pixel-wise classification by combining the presence or absence of diagnostic horizons. Covariates included a geomorphology map, terrain attributes and remote sensing indices. Among the predictors, geomorphology map was identified as an important tool for digital soil mapping approaches as it helped increase the prediction accuracy. After geomorphic surfaces, the terrain attributes were identified as the most effective auxiliary parameters in predicting the diagnostic horizons. The methods predicted high probability of salic horizon in playa landform, gypsic horizon in gypsiferous hills and calcic horizon in alluvial fans. Both models predicted Calcigypsids with very low reliability and accuracy, while prediction of Haplosalids and Haplogypsids was carried out with high accuracy. رگرسیون لاجیستیک دوتایی، رگرسیون درختی توسعه یافته، افق‌های مشخصه خاک، کلاس خاک، رده‌بندی خاک آمریکایی Binary logistic regression, Boosted regression tree, Soil diagnostic horizon, Soil class, Soil taxonomy. 177 193 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-591-7&slc_lang=fa&sid=1 A. Jafari اعظم جعفری No H. Khademi حسین خادمی hkhademi@cc.iut.ac.ir Yes SH. Ayoubi شمس الله ایوبی No