زیبا مقصودی - ۱. Science and Soil Engineering Department, College of Agriculture, Ilam University, Ilam, Iran
محمود رستمینیا - ۱. Science and Soil Engineering Department, College of Agriculture, Ilam University, Ilam, Iran
مرزبان فرامرزی - ۲. Rangeland and Watershed Management Group, Faculty of Agriculture, Ilam University, Ilam, Iran.
علی کشاورزی - ۳. Science and Soil Engineering Department, Faculty of Agricultural Engineering and Technology, College of Agriculture & Natural Resources, Tehran University, Kraj, Iran.
اصغر رحمانی - ۳. Science and Soil Engineering Department, Faculty of Agricultural Engineering and Technology, College of Agriculture & Natural Resources, Tehran University, Kraj, Iran.
سید روح اله موسوی - ۳. Science and Soil Engineering Department, Faculty of Agricultural Engineering and Technology, College of Agriculture & Natural Resources, Tehran University, Kraj, Iran.

نقشهبرداری رقومی خاک همگام با پیشرفتهای زیرساخت دادههای مکانی، نقش مهمی را در جهت ارتقا دانش مطالعات خاکشناسی ایفا میکند. لذا تحقیق حاضر با هدف تهیه نقشه رقومی کلاس فامیل خاک با استفاده از مدلهای جنگل تصادفی و رگرسیون درختی توسعهیافته در بخشی از اراضی نیمهخشک استان ایلام اجرا شد. متغیرهای محیطی از مدل رقومی ارتفاع با قدرت تفکیک مکانی ۳۰ متر با استفاده از نرمافزار SAGAGIS نسخه ۷/۳ استخراج شد. تعداد ۴۶ خاکرخ حفر و ویژگیهای فیزیکوشیمیایی نمونههای خاک اندازهگیری و بر اساس سامانه آمریکایی ۲۰۱۴ در سطح فامیل ردهبندی شد. در محدوده مورد مطالعه سه رده مالیسولز، اینسپتیسولز و انتیسولز شناسایی شد. بر اساس نتایج دادهکاوی متغیرهای محیطی با استفاده از آنالیز تورم واریانس (VIF)، متغیرهای کمکی ارتفاع، ارتفاع استاندارد شده و شاخص زبری پستی و بلندی بیشترین میزان تغییرپذیری مکانی خاکها را در منطقه مدلسازی میکند. بهترین پیشبینی مکانی کلاسهای خاک مربوط به فامیل خاکFine, carbonatic, thermic, Typic Haploxerolls است. همچنین نتایج نشان میدهد که مدلهای جنگل تصادفی و رگرسیون درختی توسعهیافته بهترتیب صحت عمومی ۰/۸۰ و ۰/۶۴ و شاخص کاپای ۰/۷۰ و ۰/۵۵ را ارائه میکند. بنابراین، روش جنگل تصادفی میتواند یک روش قابل اعتماد و با دقت مناسب باشد که حتی با تعداد نمونه کم تخمین قابل قبولی را ارائه کند.

Spatial prediction, Soil class, Boosted Regression Tree, Random Forest, پیشبینی مکانی, کلاس خاک, رگرسیون درختی توسعهیافته, جنگل تصادفی