انتشارات دانشگاه تهران- University of Tehran Press نشریه محیط زیست طبیعی 2008-7764 78 2 2025 09 21 Modeling and estimation of soil organic carbon using satellite images and machine learning algorithm in Alborz province مدل‌سازی و برآورد کربن آلی خاک با استفاده از تصاویر ماهواره‌ای و الگوریتم یادگیری ماشین در استان البرز 299 314 104252 10.22059/jne.2025.394148.2801 FA سعید سعادت موسسة تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی،‌ کرج، ایران. 0000-0002-0398-619X لیلا اسماعیل نژاد موسسة تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی،‌ کرج، ایران. 0000-0001-8133-7833 حامد رضائی موسسة تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی،‌ کرج، ایران. 0000-0002-0805-5167 رسول میرخانی موسسة تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی،‌ کرج، ایران. 0000-0003-0119-9771 امیررضا اسفندیار گروه مهندسی جنگلداری و اقتصاد جنگل، دانشکدة منابع طبیعی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. 0009-0000-4262-4493 Journal Article 2025 04 26 This study was conducted to model and estimate the spatial distribution of soil organic carbon (SOC) in the agricultural lands of Alborz province by integrating Landsat 8 satellite data with the Random Forest machine learning algorithm. The model was based on field data from 257 soil samples collected via a regular grid method, with their SOC content measured using the Walkley-Black method. Predictor variables included visible, near-infrared (NIR), and short-wave infrared (SWIR) spectral bands, along with relevant vegetation indices. The model's performance evaluation confirmed its high accuracy, with a coefficient of determination (R2) of 0.83 and a normalized root mean square error (NRMSE) of 12.5%. The resulting map showed an average SOC of 0.23% for the region, with the highest values concentrated in the northern and central parts of the province. Additionally, a trend analysis over the last decade showed no statistically significant changes in the mean SOC. The findings demonstrate the significant potential of combining machine learning algorithms with remote sensing data for accurate and efficient mapping of soil organic carbon at a regional scale. This approach can serve as an effective tool for sustainable soil resource management and greenhouse gas emission reduction strategies. پژوهش حاضر به‌منظور مدل‌سازی و برآورد توزیع مکانی کربن آلی خاک در اراضی کشاورزی استان البرز با تلفیق داده‌های ماهواره‌ای لندست ۸ و الگوریتم یادگیری ماشین جنگل تصادفی انجام شد. کاربرد الگوریتم‌های پیشرفته در مقیاس منطقه‌ای، پتانسیل قابل توجهی برای نقشه‌برداری دقیق و کارآمد کربن آلی خاک از طریق تلفیق یادگیری ماشین و سنجش از دور دارد و می‌تواند به‌عنوان ابزاری مؤثر در مدیریت پایدار منابع خاک و راهبردهای کاهش انتشار گازهای گلخانه‌ای به‌کار گرفته شود. اساس مدل بر داده‌های میدانی ۲۵۷ نمونه خاک استوار بود که با روش شبکه‌بندی منظم جمع‌آوری و میزان کربن آلی آنها به روش والکلی-بلک اندازه‌گیری شد. متغیرهای پیش‌بین شامل باندهای طیفی مرئی، مادون قرمز نزدیک، مادون قرمز موج کوتاه و شاخص‌های گیاهی مرتبط بودند. ارزیابی عملکرد مدل، دقت بالای آن را با ضریب تعیین R² برابر با 0/83 و خطای استاندارد نسبی NRMSE معادل 12/5درصد تأیید نمود. نقشة تولیدی، میانگین کربن آلی خاک منطقه را 0/23 درصد نشان داد که بیشترین مقادیر در نواحی شمالی و مرکزی استان متمرکز بود. همچنین تحلیل روند ده سالة اخیر، تغییرات آماری معنی‌داری را در میانگین کربن آلی خاک نشان نداد. نتایج این تحقیق، پتانسیل قابل توجه الگوریتم‌های یادگیری ماشین در تلفیق با داده‌های سنجش از دور را برای نقشه‌برداری دقیق و کارآمد کربن آلی خاک در مقیاس منطقه‌ای اثبات می‌کند و این رویکرد می‌تواند به‌عنوان ابزاری مؤثر در مدیریت پایدار منابع خاک و راهبردهای کاهش انتشار گازهای گلخانه‌ای به‌کار گرفته شود. https://jne.ut.ac.ir/article_104252_e732b84af8e033529e17550b87b64c50.pdf