پيش‌بيني و نقشه‌برداري كربن آلي خاك با استفاده از سنجش از دور و الگوريتم‌هاي يادگيري ماشين

كربن آلي خاك (SOC) كه يكي از حياتي‌ترين خصوصيات فيزيكي و شيميايي خاك است، نقش مهمي در توليد پايدار كشاورزي دارد و از تخريب و فرسايش خاك جلوگيري مي‌كند. داده‌كاوي و مدل‌سازي مكاني همراه با تكنيك‌هاي يادگيري ماشيني به‌منظور بررسي ميزان كربن آلي خاك مبتني بر داده‌هاي سنجش از دور به‌صورت گسترده مورد توجه قرار گرفته است. هدف از اين مطالعه بررسي تغييرات مقدار SOC با استفاده از تكنيك سنجش از دور در مقايسه با روش‌هاي نمونه‌برداري مزرعه‌اي در مناطقي از گنبد كاووس و جنگل نيلي آزادشهر است. نمونه‌هاي خاك به‌منظور اندازه‌گيري مقدار SOC در آزمايشگاه جمع‌آوري شد. داده‌ها به دو دسته 70 درصد براي واسنجي (آموزشي) و 30 درصد اعتبارسنجي (آزمون) دسته‌بندي شدند و از الگوريتم‌هاي يادگيري ماشين شامل جنگل تصادفي، ماشين بردار پشتيبان، درخت تصميم پيشرفته، و افزايش گراديان اكسترمم براي برآورد و تهيه نقشه كربن آلي خاك استفاده شد. متغير‌هاي كمكي پيش‌بيني كربن آلي خاك شامل باندها، شاخص‌هاي منتج از ماهواره لندست 8 و سنتينل 2، اقليم و توپوگرافي است. نتايج نشان داد كه استخراج مؤلفه‌هاي مربوط به باند‌ها همراه با محاسبه شاخص‌هايي مانند تفاوت پوشش گياهي نرمال شده، شاخص خيسي، شاخص همواري دره به‌عنوان متغير‌هاي كمكي نقش مهمي در برآورد صحيح‌تر مقدار ماده آلي خاك دارند. همچنين مقايسه رگرسيون‌هاي مختلف تخمين نشان داد، مدل جنگل تصادفي در ماهواره سنتينل 2 و مدل درخت تصميم پيشرفته در لندست 8 به‌ترتيب با مقادير ضريب تبيين، خطاي جذر ميانگين مربعات و ميانگين خطاي مطلق 0/64، 0/05 و 0/17 بهترين كارايي را نسبت به ساير رويكرد‌هاي استفاده شده در برآورد كربن آلي خاك سطحي در منطقه مطالعاتي ارائه كردند. نتايج اين مطالعه بر قابليت دادهاي سنجش از دور و مدل يادگيري در تخمين مكاني كربن آلي خاك دلالت دارد و مي‌تواند به‌عنوان روشي جايگزين براي روش‌هاي آزمايشگاهي در تعيين برخي ويژگي‌هاي خاك از جمله كربن آلي خاك مورد توجه قرار گيرد.