ارزیابی روش های یادگیری ماشین در نقشه برداری رقومی کربن آلی خاک های زراعی (بخشی از دشت خرم آباد)

شناخت توزیع مکانی کربن آلی خاک یکی از ابزارهای کاربردی در تعیین استراتژی های مدیریت پایدار اراضی است. طی دو دهه اخیر استفاده از رویکردهای داده کاوی در مدل سازی مکانی کربن آلی خاک با استفاده از تکنیک های یادگیری ماشین به طور گسترده ای مورد توجه قرار گرفته است. یکی از گام های اساسی در کاربرد این روش ها، تعیین متغیرهای بهینه پیش بینی کننده کربن آلی خاک است. این مطالعه به منظور مدل سازی و نقشه برداری رقومی کربن آلی خاک سطحی با استفاده از روش های یادگیری ماشین و ویژگی های خاک شامل درصد سیلت، رس، شن، کربنات کلسیم معادل، میانگین وزنی قطر خاکدانه و اسیدیته انجام پذیرفت. بدین منظور دقت عملکرد مدل های جنگل تصادفی، کوبیست، رگرسیون حداقل مربعات جزیی، رگرسیون خطی چندمتغیره و کریجینگ معمولی برای برآورد میزان کربن آلی خاک سطحی، در 141 نمونه از عمق 30-0 سانتی متر در بخشی از اراضی کشاورزی دشت خرم آباد با مساحت 680 هکتار مورد ارزیابی قرار گرفتند. نتایج آنالیز حساسیت متغیرهای پیش ران در مدل سازی کربن آلی نشان داد که به ترتیب سه ویژگی درصد سیلت، آهک و میانگین وزنی قطر خاکدانه بیشترین تاثیر را روی تغییرپذیری مکانی کربن آلی خاک داشتند. همچنین مقایسه رویکردهای مختلف تخمین کربن آلی نشان داد که مدل جنگل تصادفی به ترتیب با مقادیر ضریب تبیین (R2) و مجذور میانگین مربعات خطا (RMSE) 0/75 و 0/25 درصد بهترین کارایی را نسبت به سایر رویکردهای مورد استفاده در منطقه مطالعاتی ارایه کرد. در مجموع مدل های با رویکرد غیرخطی صحت بالاتری نسبت به مدل های خطی در مدل سازی تغییرات مکانی کربن آلی خاک نشان دادند.