خاک مهم ترین منبع طبیعی تجدید پذیر هر کشور بوده که به عنوان حلقه ی رابط بین اقلیم و نظام های زمین شیمیایی، نقشی مهم در توانایی بوم سامان های خشکی برای تأمین نیازهای بشری ایفا می کند. امروزه مدیریت منطقی منابع پایه، برای تأمین غذا و مواد لیفی متناسب با خواسته های جمعیت آینده، بیش از هر زمان دیگری نیازمند به دست آوردن مقادیر زیادی اطلاعات دقیق از خاک است. از این رو درک ارتباط بین خاک و زمین نما به منظور مدیریت پایدار از اهمیت زیادی برخوردار است. بدین منظور این مطالعه در سه بخش شامل بررسی و تعیین بهترین الگو نمونه بردای خاک و اثر تراکم بر آن، قابلیت و کارایی داده های طیفی در تخمین ویژگی های خاک در محدوده مرئی، مادون قرمز نزدیک و میانی و پیش بینی ویژگی های خاک با استفاده از مدل-های مبتنی بر یادگیری ماشین در منطقه ای به مساحت تقریبی 110903 هکتار در بخشی از اراضی استان کردستان با برداشت 346 نمونه انجام شد. به منظور رسیدن به اهداف این مطالعه در بخش های مختلف از داده های متفاوتی استفاده شد که به صورت کلی شامل مجموعه ای از شاخص های استخراج شده از تصاویر ماهواره ای، مدل رقومی ارتفاع، نقشه زمین شناسی، نقشه های موضوعی و طیف های بازتابی خاک بودند. نتایج بررسی الگو و تراکم نمونه بردای خاک نشان داد که با افزایش تراکم نمونه ها پارامترهای آماری زیرمجموعه به جامعه اصلی نزدیک تر می شود و روش CLHS توانایی بیشتری در الگوبندی نمونه برداری خاک دارد. نتایج ارزیابی تکنیک های طیف سنجی در محدوده 350 تا 2500 نانومتر برای پیش بینی درصد رس، شن، سیلت، کربن آلی خاک، کربنات کلسیم معادل، هدایت الکتریکی و پ-هاش خاک با استفاده از مدل های MLR، PLSR، SVM، RF، GPR و پیش پردازش های CR، Detrend، SGD، SNV و MSC نشان داد که عملکرد برای درصد رس (91/1= RPIQ)، سیلت (87/1= RPIQ)، کربن آلی خاک (65/1= RPIQ) مناسب و عملکرد در پیش بینی درصد شن (21/2= RPIQ)، درصد کربنات کلسیم معادل (41/3= RPIQ) و پ-هاش (29/2= RPIQ) عالی بود. ضعیف ترین عملکرد در پیش بینی هدایت الکتریکی (16/1= RPIQ) مشاهده شد. نتایج تخمین ویژگی های خاک با استفاده از طیف های بازتابی در محدوده استفاده شده گویای این مهم بود که این روش به عنوان یک روش غیرمستقیم می تواند، برای برآورد ویژگی های خاک مورد استفاده قرار بگیرد. نتایج پیش بینی مکانی ویژگی های خاک نشان داد که ترکیبی از شاخص های سنجش از دور، مشتقات توپوگرافی، نقشه-های موضوعی و ویژگی های خاک بهترین عملکرد را در پیش بینی فلزات سنگین و ویژگی های مغناطیسی خاک داشتند. علاوه بر این نتایج نشان داد که ترکیب متغیرهای سنجش از نزدیک با متغیرهای ذکر شده در مدل های پیش بینی ویژگی های خاک، می تواند نقش بسزایی را ایفا کند. تجزیه و تحلیل اهمیت متغیرهای ورودی نشان داد که بر اساس سناریوهای استفاده شده برخی از ویژگی های خاک مانند مقادیر رس و سیلت، کربنات کلسیم، کربن آلی خاک و پ-هاش، ویژگی های توپوگرافی مانند ارتفاع و عمق دره، داده های سنجش از دور باندهای 1،2،3، شاخص پوشش گیاهی تبدیل شده، شاخص آهن، گوسان و لاتریت و نقشه های موضوعی مانند زمین شناسی و فاصله تا معادن و مولفه های اصلی بدست آمده از طیف های بازتابی خاک و پارامترهای پذیرفتاری مغناطیسی حائز اهمیت بودند. نتایج مدل سازی و اعتبارسنجی متقابل نشان داد که جنگل تصادفی و کیوبیست نسبت به مدل ماشین بردار پشتیبان توانایی بیشتری در پیش بینی پارامترهای خاک دارند. این مطالعه توانایی بالای روش های یادگیری ماشین در استفاده از داده های محیطی برای پیش بینی ویژگی های خاک مورد مطالعه در مقیاس بزرگ که برای تصمیم گیری در مدیریت پایدار کشاورزی و زیست محیطی ضروری هستند، ثابت کرد.
