سابقه و هدف: استفاده بی رویه از منابع اراضی به دلیل افزایش نیاز به غذا توسط انسان منجر به تخریب و کاهش سطح اراضی قابل کشت شده است. یکی از راه های افزایش تولید در واحد سطح، ارزیابی تناسب اراضی می باشد. ارزیابی تناسب اراضی عبارتست از تطابق یک تیپ از اراضی برای استفاده تعریف شده. بررسی تغییرات مکانی کلاس های تناسب اراضی، جهت افزایش تولید و جلوگیری از تخریب اراضی ضروری می باشد. تعیین کلاس تناسب اراضی مستلزم اندازه گیری ویژگی های خاک، توپوگرافی، رطوبتی و اقلیم می باشد که اندازه گیری این ویژگی ها پرهزینه و زمان بر می باشد. یکی از راه های حل این مشکل، استفاده از ماشین های یادگیری و داده های کمکی می باشد. ماشین های یادگیری برای برقراری ارتباط ویژگی های مختلف با متغیرهای کمکی جهت بررسی تغییرات مکانی و زمانی آنها به کاربرده می شوند. ماشین یادگیری جنگل تصادفی یکی از معمول ترین و پرکاربردترین ماشین های یادگیری است. هدف از این پژوهش ارزیابی تناسب اراضی بر اساس چهارچوب تناسب اراضی فائو و روش پارامتریک برای سه محصول مهم آبی منطقه شامل یونجه، سیب زمینی و گندم آبی و پیش بینی کلاس های تناسب آنها با استفاده از ماشین یادگیری جنگل تصادفی و داده های کمکی می باشد. مواد و روش ها: 122 پروفیل و مته خاک در منطقه قروه استان کردستان (با وسعت 6500 هکتار) حفر، تشریح و نمونه برداری برداشت شد. در کلیه نمونه های خاک خصوصیات بافت، اسیدیته، کربن آلی، آهک، گچ، ESP، هدایت الکتریکی و سنگریزه اندازه گیری شد. علاوه بر این داده های اقلیم و توپوگرافی هم ثبت شد. با استفاده از خصوصیات اقلیم، خاک و توپوگرافی و بر اساس چهارچوب تناسب اراضی فائو و روش پارامتریک کلاس های تناسب اراضی تعیین گردید. متغیرهای محیطی استفاده شده در این پژوهش پارامترهای سرزمین، نقشه اجزاء واحد اراضی و داده های تصویر +ETM بودند. جهت ارتباط بین کلاس تناسب اراضی و متغیرهای کمکی از ماشین یادگیری جنگل تصادفی استفاده شد و با استفاده از روش اعتبارسنجی تقاطعی و شاخصه های آماری صحت کلی و شاخص کاپا مورد ارزیابی قرار گرفت. یافته ها: نتایج نشان داد که که کلاس تناسب منطقه مورد مطالعه برای گندم آبی، یونجه و سیب زمینی به ترتیب دارای 31، 47 و 57 درصد کلاس N2، 21، 34 و 27 درصد کلاس N1 و 48، 19 و 16 درصد کلاس S3 می باشد. محدودیت های اصلی منطقه برای کشت این محصولات شامل شیب زیاد، خاک کم عمق، سنگریزه و اسیدیته می باشد. برای پیش بینی کلاس تناسب اراضی یونجه، سیب زمینی و گندم آبی متغیرهای کمکی شامل شاخص بالای پشته با درجه تفکیک بالا، شاخص همواری دره با درجه تفکیک بالا، فاکتورLS، ارتفاع، شاخص خیسی و نقشه اجزاء واحد اراضی مهم ترین بودند. نتایج این پژوهش نشان داد که ماشین یادگیری جنگل تصادفی جهت پیش بینی کلاس تناسب اراضی گندم آبی با 78/0 و 71/0، یونجه با 75/0 و 70/0 و سیب زمینی با 79/0 و 72/0 به ترتیب برای صحت کلی و شاخص کاپا دارای دقت مناسب برای پیش بینی کلاس تناسب اراضی می باشد. نتیجه گیری: پستی و بلندی مهمترین فاکتورهای خاک سازی بوده و در توزیع مکانی کلاس تناسب اراضی موثر می باشد. منطقه مورد مطالعه به علت محدودیت های خاک و توپوگرافی دارای تناسب کم تا نامناسب برای کشت این محصولات می باشد و عملیات اصلاح اراضی مناسب جهت افزایش تولید و مدیریت پایدار اراضی توصیه می شود. ماشین یادگیری جنگل تصادفی دقت مناسبی جهت برآورد کلاس تناسب اراضی داشت. لذا پیشنهاد می گردد جهت نقشه برداری کلاس تناسب اراضی تکنیک های ماشین یادگیری (همچون جنگل تصادفی) و داده های کمکی از قبیل پارامترهای سرزمین، تصاویر ماهواره ای و نقشه اجزاء اراضی استفاده شود. واژه های کلیدی: نقشه اجزاء اراضی، لندست، خصوصیات سرزمین، کردستان
