fa نقشه‌برداری رقومی کربنات کلسیم معادل خاک با استفاده از تصاویر ماهواره‌ای لندست 8 و داده‌های کمکی توسط مدل‌های یادگیری ماشین در حوضه آبخیز بدر، استان کردستان عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">کربنات کلسیم معادل خاک (CCE) یکی از ویژگی‌های مهم خاک است. پیش‌بینی مقدار کربنات کلسیم معادل خاک برای مدیریت پایدار حاصلخیزی خاک ضروری است. مطالعه حاضر با هدف نقشه‌برداری رقومی کربنات کلسیم معادل با استفاده از متغیرهای کمکی محیطی و تصاویر ماهواره لندست 8 و مدل‌های پیش‌بینی‌کننده و معرفی بهترین مدل‌ها، در حوضه آبخیز بدر در جنوب شهرستان قروه انجام گرفت. برای انجام این پژوهش در مرحله اول، نقشه ژئومرفولوژی با استفاده از نقشه زمین‌شناسی و بر اساس روش ژئوپدولوژی زینک در محیط سامانه اطلاعات جغرافیائی ترسیم شد. در مرحله دوم، محل 125 خاکرخ مطالعاتی بر اساس تکنیک ابر مکعب لاتین تعیین شد و کربنات کلسیم معادل افق‌های خاک با روش تیتراسیون با اسید اندازه‌گیری شد. متغیرهای کمکی شامل مشتقات مدل رقومی ارتفاع، شاخص‌های سنجش‌ازدور دریافتی از ماهواره لندست 8 و نقشه ژئوپدولوژی بودند که انتخاب متغیرهای کمکی مناسب با استفاده از روش تجزیه مؤلفه‌های اصلی (PCA) انجام شد. در مرحله سوم، مدل‌سازی انجام، نقشه‌های رقومی کلاس‌ها و ویژگی‌های خاک تهیه شد و ارزیابی مدل‌ها صورت گرفت. برای برآورد کربنات کلسیم معادل خاک، در مطالعه حاضر دو حالت مختلف بررسی شد. در حالت اول، مدل‌های شبکه عصبی مصنوعی، تحلیل درخت تصمیم، جنگل تصادفی، مدل نزدیک‌ترین همسایه K برای پیش‌بینی استفاده شدند. همچنین به‌منظور ترکیب نتایج مدل‌ها، از مدل رگرسیون خطی چندگانه استفاده شد. در میان مدل‌های استفاده‌شده برای پیش‌بینی مقدار کربنات کلسیم معادل با استفاده از روش اعتبارسنجی کافلد 10 مکانی، مدل رگرسیون خطی چندگانه (MLR) با ضریب تعیین 0/796 و ریشه دوم متوسط مربعات خطا 6/514 از بیشترین دقت برای پیش‌بینی برخوردار بوده است. این در حالی است که با استفاده از روش اعتبارسنجی کافلد 5 تصادفی، مدل نزدیک‌ترین همسایه K (KNN) با ضریب تعیین 0/9845 و ریشه دوم متوسط مربعات خطا 2/1258 از بیشترین دقت برای پیش‌بینی برخوردار بوده است. به‌دلیل مکانی بودن روش اعتبارسنجی کافلد 10 مکانی، استفاده از این روش بر روش اعتبارسنجی کافلد 5 تصادفی ارجحیت دارد. همچنین متغیرهای کمکی مهم در پیش‌بینی کربنات کلسیم معادل خاک به‌ترتیب اهمیت شامل شاخص کربنات، جهت شیب، ژئومورفولوژی، سطح ‌مبنای شبکه آبراهه و شیب حوضه آبخیز بودند.</div> <div style="text-align: justify;"><span style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">The calcium carbonate equivalent (CCE) in soil is one of the most important soil properties. Predicting the amount of calcium carbonate equivalent in soil is essential for sustainable soil fertility management. The present study aimed to digitally map calcium carbonate equivalent using auxiliary environmental variables, Landsat 8 satellite images, and predictive models and to present the best models in the Badr watershed in the south of Qorveh district. In the first phase, a geomorphologic map was created using a geologic map and based on the ZINC method in a geographic information system environment. In the second phase, the location of 125 survey profiles was determined using the Latin hypercube technique, and the calcium carbonate equivalent of the soil horizons was measured by acid titration. The auxiliary variables included derivatives of the digital elevation model, remote sensing indices from the Landsat 8 satellite, and a geopedological map. The principal component analysis (PCA) method was used to select suitable auxiliary variables. In the third phase, the modeling was carried out, digital maps of the soil classes and properties were created, and the models were evaluated. Two different cases were investigated in this study to estimate the calcium carbonate equivalent of the soil. In the first case, artificial neural network models, decision tree analysis, random forest, and the K-nearest neighbor model were used for prediction. The multiple linear regression model was also used to combine the results of the models. Among the models used to predict the equivalent amount of calcium carbonate using the 10-fold cross-validation method, the multiple linear regression (MLR) model had the highest prediction accuracy with a coefficient of determination of 0.796 and a mean square error of 6.514. In the 5-fold cross-validation method, the K-nearest neighbor (KNN) model had the highest predictive accuracy with a coefficient of determination of 0.9845 and a root mean square error of 2.1258. Due to the spatial nature of the 10-fold cross-validation method, the use of this method is preferable to the 5-fold cross-validation method. In addition, the most important auxiliary variables in order of importance to predict the calcium carbonate equivalent in soil were the carbonate index, slope direction, geomorphology, the base level of the catchment network, and the slope of the catchment.</span></span></div> شبکه عصبی مصنوعی, مدل‌های پیش‌بینی‌کننده, شاخص کربنات, متغیرهای کمکی Artificial neural network, Predictive models, Carbonate index, Auxiliary variables 81 96 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-6461-1&slc_lang=fa&sid=1 M. Zarinibahador مسلم زرینی بهادر moslem.zarini@ymail.com Yes Agricultural and Natural Resources Research and Training Center of Tehran Province, Agricultural Research, Education and Extension Organization, Tehran, Iran. مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان تهران، سازمان تحقیقات، آموزش و ترویج کشاورزی (تات)، تهران، ایران.