Toprak Organik Karbonu Ölçek Küçültme Işlemi Için Farklı Makine Öğrenmesi Algoritmalarının Karşılaştırılması: Kahramanmaraş/Ekinözü İlçesi Örneklem Alanı

Bu çalışma son zamanlarda dijital toprak haritalama alanında öne çıkan makine öğrenmesi algoritmalarının, çevresel ortak değişkenlere dayalı konumsal ölçek küçültme işlemi model performanslarının karşılaştırmasını sağlamak üzere kurgulanmıştır. R-Studio 4.4.2 ortamında gerçekleştirilen model denemeleri Kahramanmaraş’ın Ekinözü ilçesi idari sınırları içerisinde kalan alanı kapsamaktadır. 250 m çözünürlüğe sahip toprak organik karbonu katmanı tüm çalışma alanı için 30 m konumsal çözünürlükte düzenlenen çevresel ortak değişkenler (eğim, topografik ıslaklık indeksi, yükseklik, sıcaklık, nisbi nem, net birincil üretim, normalize edilmiş fark vejetasyon indeksi, pankromatik band) kullanılarak 30 m konumsal çözünürlükteki versiyonuna dönüştürülmüştür. Tüm model denemeleri neticesinde doğrusal ve doğrusal olamayan makine öğrenmesi algoritmalarına dayalı modellerin tahmin performansları karşılaştırılmış ve doğrusal olmayan algoritmalarla kurulan modellerin diğerlerine göre oldukça anlamlı bir farkla üstün olduğu görülmüştür. Elde edilen bulgular, Rassal Orman Algoritmasına (ROA) dayalı modelin (RMSE=3.23, MAE=3.88 ve R2=0.69); Yapay Sinir Ağları, Karar Ağaçları ve Destek Vektör makineleri de dahil olmak üzere karşılaştırılan doğrusal olmayan diğer makine öğrenmesi algoritmalarına kıyasla daha üstün bir performans sergilediğini göstermiştir. Bu sonuçlar, Ekinözü ilçesi ve çevresindeki alanlarda toprak organik karbon içeriğinin haritalanması amacı ile yapılacak çalışmalarda ROA’nın potansiyel olarak en uygun istatistiksel araç olduğunu düşündürmektedir.