ارزيابي روش‌هاي يادگيري ماشين در نقشه‌برداري رقومي كربن آلي خاك‌هاي زراعي (بخشي از دشت خرم‌آباد)

شناخت توزيع مكاني كربن آلي خاك يكي از ابزارهاي كاربردي در تعيين استراتژي‌هاي مديريت پايدار اراضي است. طي دو دهه اخير استفاده از رويكردهاي داده‌كاوي در مدل‌سازي مكاني كربن آلي خاك با استفاده از تكنيك‌هاي يادگيري ماشين به‌طور گسترده‌اي مورد توجه قرار گرفته است. يكي از گام‌هاي اساسي در كاربرد اين روش‌ها، تعيين متغيرهاي بهينه پيش‌بيني كننده كربن آلي خاك است. اين مطالعه به‌منظور مدل‌سازي و نقشه‌برداري رقومي كربن آلي خاك سطحي با استفاده از روش‌هاي يادگيري ماشين و ويژگي‌هاي خاك شامل درصد سيلت، رس، شن، كربنات كلسيم معادل، ميانگين وزني قطر خاكدانه و اسيديته انجام پذيرفت. بدين منظور دقت عملكرد مدل‌هاي جنگل تصادفي، كوبيست، رگرسيون حداقل مربعات جزئي، رگرسيون خطي چندمتغيره و كريجينگ معمولي براي برآورد ميزان كربن آلي خاك سطحي، در 141 نمونه از عمق 30-0 سانتي‌متر در بخشي از اراضي كشاورزي دشت خرم آباد با مساحت 680 هكتار مورد ارزيابي قرار گرفتند. نتايج آناليز حساسيت متغيرهاي پيش‌ران در مدل‌سازي كربن آلي نشان داد كه به‌ترتيب سه ويژگي درصد سيلت، آهك و ميانگين وزني قطر خاكدانه بيشترين تأثير را روي تغييرپذيري مكاني كربن آلي خاك داشتند. همچنين مقايسه رويكردهاي مختلف تخمين كربن آلي نشان داد كه مدل جنگل تصادفي به‌ترتيب با مقادير ضريب تبيين (R2) و مجذور ميانگين مربعات خطا (RMSE) 0/75 و 0/25 درصد بهترين كارايي را نسبت به ساير رويكردهاي مورد استفاده در منطقه مطالعاتي ارائه كرد. در مجموع مدل‌هاي با رويكرد غيرخطي صحت بالاتري نسبت به مدل‌هاي خطي در مدل‌سازي تغييرات مكاني كربن آلي خاك نشان دادند.