موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 57 2 2026 04 21 Modeling and Digital Mapping of Soil Quality Index using Interpolation and Machine Learning مدلسازی رقومی شاخص کیفیت خاک با استفاده از روش‌های درون یابی و یادگیری ماشین 309 332 106934 10.22059/ijswr.2026.407603.670067 FA نسیبه گراوند گروه مهندسی آب و خاک، دانشکده کشاورزی، دانشگاه ایلام محمود رستمی نیا گروه مهندسی آب و خاک، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران اصغر رحمانی موسسه تحقیقات خاک و آب کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران سید روح اله موسوی دانش آموحته دکتری مدیریت منابع خاک ، گروه علوم و مهندسی خاک، دانشگاه تهران، کرج ، ایران Journal Article 2025 12 05 Soil quality assessment is a key tool for evaluating the sustainability of agricultural and natural resource systems. This study aimed to model and digitally map the soil quality index (SQI) using machine learning algorithms and spatial interpolation methods in Ilam Province, western Iran. A total of 76 surface soil samples (0-20 cm) were collected using the conditioned Latin hypercube sampling (cLHS) approach, and 10 physicochemical properties were measured. Principal component analysis (PCA) was applied to identify the minimum data set (MDS), from which five variables were selected. Soil quality was assessed using the Integrated Quality Index (IQI) and Nemoro Quality Index (NQI) for both the total data set (TDS) and minimum data set (TDS) and MDS under linear and nonlinear scoring methods. Also, correlation coefficient(r) between TDS and MDS achieved 0.65 and 0.40 for IQI-LS and IQI-NON-LS, respectively. While theses value for NQI were 045 and 0.19, so these results represented that it might be acceptability to calculate SQI based on MDS instead TDS in the IQI-LS approach., in contrast, we cannot applied MDS instead TDS with acceptable confidence for calculating SQI in the other approaches (i.e. IQI-NON-LS, LS and NON-LS NQI. Spatial prediction of SQI was performed using ordinary kriging (MDS) under linear and nonlinear scoring functions. Spatial prediction of SQI was performed using ordinary kriging (OK) and inverse distance weighting (IDW), as well as two machine-learning models: random forest (RF) and k-Nearest Neighbors (k-NN). Results indicated that the soils of the study area fall within a low quality class due to low organic carbon and available phosphorus, along with high pH, sand content, and bulk density. Among interpolation methods, OK outperformed IDW, exhibiting higher accuracy and lower prediction error. RF showed the highest performance for most SQI computations, whereas k-NN performed best for NQITDS. Variable importance analysis revealed that topographic factors include Topographic position index, Analitical hillshading, Channel network distance, Modified catchment area, Aspect, Standardized height, Mass balance index, LS-factor, Covcexity, Diffuse insolation, Normalized Height and Wind effect were the most influential predictors of soil quality. Overall, combining OK with the MDS, particularly when samples are selected using cLHS, provides more accurate predictions of soil quality indices. ارزیابی کیفیت خاک ابزاری مهم برای بررسی پایداری خاک در سامانه‌های کشاورزی و منابع طبیعی است. این پژوهش با هدف مدل‌سازی و نقشه‌برداری رقومی شاخص کیفیت خاک با بهره‌گیری از الگوریتم‌های یادگیری ماشین و روش‌های درون‌یابی در استان ایلام انجام شد. بدین منظور، ۷۶ نمونه خاک سطحی (20-0 سانتی‌متر) با استفاده از روش ابرمکعب لاتین مشروط برداشت و ۱۰ ویژگی فیزیکوشیمیایی خاک اندازه‌گیری شد. بر اساس تحلیل مؤلفه‌های اصلی، از میان ویژگی‌ها، پنج متغیر به‌عنوان مجموعه حداقل داده‌ها (MDS) انتخاب شد. شاخص کیفیت خاک (SQI) با دو مدل IQI و NQI و برای هر یک از دو مجموعه داده TDS و MDS با امتیازدهی خطی و غیرخطی محاسبه شد. برای پیش‌بینی SQI، دو روش درون‌یابی کریجینگ معمولی (OK) و وزن‌دهی معکوس فاصله (IDW) و هم‌چنین دو الگوریتم یادگیری ماشین جنگل تصادفی (RF) و نزدیک‌ترین همسایه (k-NN) به‌کار گرفته شد. نتایج نشان داد که خاک‌ها به دلیل کمبود کربن آلی و فسفر قابل جذب و نیز مقادیر بالایpH، درصد شن و جرم مخصوص ظاهری در رده کیفیت ضعیف قرار دارند. ارزیابی مدل‌ها نشان داد که روش OK در مقایسه با IDW دقت بالاتری در پیش‌بینی SQI دارد. هم‌چنین در میان مدل‌های یادگیری ماشین،RF  بهترین عملکرد را در اغلب شاخص‌ها ارائه نمود. نتایج اهمیت متغیرها نشان داد که عوامل توپوگرافی بیشترین نقش را در پیش‌بینی کیفیت خاک دارند. در مجموع، ترکیب کریجینگ و مجموعه حداقل داده‌ها، به‌ویژه همراه با نمونه‌برداری مبتنی بر ابرمکعب لاتین مشروط، دقت بالایی در پیش‌بینی شاخص کیفیت خاک فراهم می‌کند. https://ijswr.ut.ac.ir/article_106934_5c75cb7f633992d83d8429ad06200d16.pdf