ثریا بندک - Gorgan University of Agricultural Sciences and Natural Resources
سید علیرضا موحدی نائینی - Gorgan University of Agricultural Sciences and Natural Resources
چوقی بایرام کمکی - Gorgan University of Agricultural Sciences and Natural Resources
محمد کاکوئی - Chalmers University of Technology,Gothenburg,Sweden
جوکم ورلست - University of Valencia,Valencia, Spain

کربن آلی خاک (SOC) که یکی از حیاتی ترین خصوصیات فیزیکی و شیمیایی خاک است، نقش مهمی در تولید پایدار کشاورزی دارد و از تخریب و فرسایش خاک جلوگیری می کند. داده کاوی و مدل سازی مکانی همراه با تکنیک های یادگیری ماشینی به منظور بررسی میزان کربن آلی خاک مبتنی بر داده های سنجش از دور به صورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه بررسی تغییرات مقدار SOC با استفاده از تکنیک سنجش از دور در مقایسه با روش های نمونه برداری مزرعه ای در مناطقی از گنبد کاووس و جنگل نیلی آزادشهر است. نمونه های خاک به منظور اندازه گیری مقدار SOC در آزمایشگاه جمع آوری شد. داده ها به دو دسته ۷۰ درصد برای واسنجی (آموزشی) و ۳۰ درصد اعتبارسنجی (آزمون) دسته بندی شدند و از الگوریتم های یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، درخت تصمیم پیشرفته، و افزایش گرادیان اکسترمم برای برآورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیر های کمکی پیش بینی کربن آلی خاک شامل باندها، شاخص های منتج از ماهواره لندست ۸ و سنتینل ۲، اقلیم و توپوگرافی است. نتایج نشان داد که استخراج مولفه های مربوط به باند ها همراه با محاسبه شاخص هایی مانند تفاوت پوشش گیاهی نرمال شده، شاخص خیسی، شاخص همواری دره به عنوان متغیر های کمکی نقش مهمی در برآورد صحیح تر مقدار ماده آلی خاک دارند. همچنین مقایسه رگرسیون های مختلف تخمین نشان داد، مدل جنگل تصادفی در ماهواره سنتینل ۲ و مدل درخت تصمیم پیشرفته در لندست ۸ به ترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین خطای مطلق ۰/۶۴، ۰/۰۵ و ۰/۱۷ بهترین کارایی را نسبت به سایر رویکرد های استفاده شده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه کردند. نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری در تخمین مکانی کربن آلی خاک دلالت دارد و می تواند به عنوان روشی جایگزین برای روش های آزمایشگاهی در تعیین برخی ویژگی های خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.

Soil organic carbon, Machine learning, Regression, Remote sensing, Validation, کربن آلی خاک, یادگیری ماشین, رگرسیون, سنجش از دور, اعتبارسنجی