موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 56 7 2025 09 23 Random Forest Algorithm Training and Test for Monitoring Soil Salinity Changes in Pistachio Orchards آموزش و آزمون الگوریتم جنگل تصادفی برای پایش تغییرات شوری خاک باغات پسته 1931 1947 104198 10.22059/ijswr.2025.391946.669907 FA یوسف هاشمی نژاد استادیار پژوهش، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی 0000-0002-7901-1161 فرهاد دهقانی عضو هیئت علمی مرکز ملی تحقیقات شوری، سازمان تحقیقات، آموزش و ترویج کشاورزی، یزد، ایران 0000-0002-4736-1669 حسین بیرامی عضو هیات علمی مرکز ملی تحقیقات شوری، سازمان تحقیقات، آموزش و ترویج کشاورزی، یزد، ایران. 0000-0001-7967-8495 مراد مرتاض دانش آموخته کارشناسی ارشد باغبانی، دانشگاه ایالتی کالیفرنیا، دیویس، یزد، ایران 0009-0006-8217-4857 مهدی شیران تفتی مرکز ملی تحقیقات شوری، سازمان تحقیقات، آموزش و ترویج کشاورزی ، یزد، ایران 0009-0006-5081-3490 Journal Article 2025 03 17 A total of 720 soil samples collected from 240 sampling locations within pistachio orchards in the provinces of Yazd and Khorasan Razavi were used for training and testing the Random Forest algorithm. The auxiliary variables used in this modeling included the median values of 32 surface reflectance variables and spectral indices derived from Sentinel-2 satellite images, covering the period from March 1 to October 1 of the sampling year. These variables were extracted for the sampling points using the Google Earth Engine platform. The Random Forest model was developed and optimized through coding in the R environment. The Leave-One-Out Cross-Validation (LOOCV) method was used to validate the model. After identifying and removing outliers, 191 points remained for retraining and retesting the Random Forest algorithm. The RMSE was 1.1 dS/m in the training set and 2.6 dS/m in the test set. The R² value was 93% in both datasets. This algorithm was then used to predict changes in soil salinity in the studied areas and years. Based on the results, in the Tanour Lahour drainage project, Class 3 of salinity is decreasing while Class 2 land area is increasing. In the Mortazieh farm, Class 3 salinity has decreased but shifted to Class 4. In the Rezaei farm, Class 4 land area is significantly increasing. Likewise, in the Dadyar farm in Khorasan Razavi Province, Class 4 salinity area has relatively increased. The results of this study demonstrated that the Random Forest algorithm is capable of successfully predicting soil salinity changes within the study areas and similar regions. تعداد 720 نمونه خاک که از 240 موقعیت نمونه‌برداری در داخل باغات پسته از دو استان یزد و خراسان رضوی جمع‌آوری شده بود برای آموزش و آزمون الگوریتم جنگل تصادفی مورد استفاده قرار گرفتند. متغیرهای کمکی که برای این مدل‌سازی مورد استفاده قرار گرفتند عبارت بودند از مقادیر میانه 32 متغیر بازتاب سطحی و شاخص‌های طیفی مستخرج از تصاویر ماهواره‌ای سنتینل 2 از اول مارس تا اول اکتبر سال نمونه‌برداری بود که توسط پلتفرم گوگل ارث انجین برای نقاط نمونه‌برداری استخراج شده بود. مدل جنگل تصادفی از طریق کدنویسی در محیط R توسعه و بهینه‌سازی شد. برای اعتبارسنجی مدل از روش کنارگذاشتن یک نقطه استفاده شد. پس از شناسایی و حذف نقاط پرت، تعداد 191 نقطه برای آموزش و آزمون مجدد الگوریتم جنگل تصادفی باقی ماند. مقدار RMSE در دسته آموزش 1/1 و در دسته آزمون 6/2 دسی‌زیمنس بر متر بود . مقدار R2 در هر دو دسته 93 درصد بود. این الگوریتم برای پیش‌بینی تغییرات شوری خاک در مناطق و سال‌های مورد مطالعه استفاده شد. بر اساس این نتایج در پروژه زهکشی تنور لاهور، مساحت اراضی کلاس 3 در حال کاهش و اراضی کلاس 2 در حال افزایش است. در مزرعه مرتاضیه شوری کلاس 3 کاهش یافته ولی در عوض به کلاس 4 افزوده شده است. در مزرعه رضایی نیز به شدت اراضی کلاس 4 در حال افزایش است. همچنین در مزرعه دادیار در استان خراسان رضوی نیز بطور نسبی اراضی کلاس 4 شوری افزایش یافته است. نتایج این تحقیق نشان داد که الگوریتم جنگل تصادفی بطور موفقیت‌آمیزی قادر به پیش‌بینی تغییرات شوری خاک در محدوده‌های مورد مطالعه و مناطق مشابه می‌باشد.  https://ijswr.ut.ac.ir/article_104198_a69ce885b5f7c830ced7eb7cf32cd572.pdf