در استراتژی های مدیریت پایدار اراضی یکی از ابزارهای کاربردی، شناخت توزیع مکانی کربن آلی خاک است. استفاده از داده کاوی طی دو دهه اخیر برای مدل سازی کربن آلی خاک با استفاده از روش های یادگیری ماشین به طور گستردهای مورد توجه واقع شده 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 انجام گرفت. بدین منظور دقت عملکرد مدل های جنگل تصادفی و کوبیست برای برآورد میزان کربن آلی خاک سطحی در 150 نمونه از عمق 0-10 سانتیمتری در حوزه کیالنه واقع در استان کردستان با مساحت 12 هزار هکتار مورد ارزیابی قرار گرفت. مقایسه رویکردهای تخمین کربن آلی نشان داد که مدل جنگل تصادفی به ترتیب با مقادیر ضریب تبیین (R2) و مجذور میانگین مربعات خطا (RMSE) 0.8 و 0.27 درصد کارایی بهتری را نسبت به مدل کوبیست در منطقه مطالعاتی ارائه کرد.
