زهرا احمدی - in Soil Science, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
آیدا عباسی - Department of Soil Science and Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
محمود شهابی - of Soil Science, University of Tabriz
عبدالحسین بوعلی - in Desert Management and Control, University of Agriculture and Natural Recourses Sciences of Gorgan, Gorgan, Iran

   شور شدن خاک یکی از مهمترین پدیده ­های تخریب خاک در مناطق خشک و نیمه ­خشک است. در سال­های اخیر از روش ­های غیرمستقیم برای برآورد شوری خاک استفاده می­ شود. بدین­ منظور ۱۰۰ نمونه از عمق ۳۰-۰ سانتی­متری اطراف دریاچه ارومیه برداشته و آزمایش شد و شوری خاک با استفاده از شاخص ­های تصویر ماهواره لندست ۸ و مدل رقومی ارتفاع برآورد شد. به­ منظور مدل­سازی شوری خاک از مدل­های درخت تصمیم و شبکه عصبی مصنوعی استفاده شد. براین اساس داده­ ها به دو سری آموزشی (۸۰%) و ارزیابی (۲۰%) تقسیم شد. نتایج ارزیابی مدل­ها بر اساس شاخص ­های ریشه­ ی مربعات خطا، میانگین خطا و ضریب تبیین نشان داد که مدل درخت تصمیم دارای بالاترین دقت در پیش­ بینی ویژگی­ های خاک است. نتایج ضریب کاپا و صحت کلی حاصل از دو مدل نشان داد که مدل درخت تصمیم با دارا بودن درصد ضریب کاپا (۵۶/۵۶) و صحت کلی (۴۶/۷۳) میزان توافق بیشتری با شوری خاک منطقه داشته است. به­ طور کلی براساس نتایج بدست آمده نشان داده شد که برای پیش ­بینی کلاس شوری خاک شاخص­های CRSI و NDSI مهمترین پارامترها هستند و بیشترین همبستگی را با داده ­های زمینی دارند. لذا پیشنهاد می ­شود در مطالعات آینده برای تهیه نقشه رقومی  شوری خاک از مدل­های درختی و شاخص ­های CRSI و  NDSI  استفاده شود.

Artificial neural network, Decision tree, Modeling, Soil Salinity g, درخت تصمیم, شوری خاک, شبکه عصبی مصنوعی, مدل سازی