فسفریکی از پرمصرف ترین و مهم ترین عناصر غذایی و معدنی برای رشد محصولات زراعی است و نقش مهمی در چندین فرآیند فیزیولوژیکی و بیوشیمیایی گیاه مانند فتوسنتز، سنتز پروتئین، تنفس، انتقال انرژی، تقسیم و گسترش سلولی، رشد ریشه، گلدهی و تشکیل بذر دارد. بنابراین، عرضه کافی فسفر برای افزایش رشد و بهره وری محصول و حفظ امنیت غذایی برای جمعیت رو به افزایش جهان، ضروری است. ظرفیت بافری یک خاک نشان دهنده توانایی خاک برای مقاومت در مقابل تغییرات فسفر محلول می باشد. ظرفیت بافری عامل مهم تأثیر گذار بر دسترسی فسفر برای گیاهان است، زیرا کنترل کننده آزاد سازی فسفر از منبع آن به محلول خاک می باشد. در این پژوهش، ارزیابی کارایی مدل‌های هوشمند جهت پیش بینی شاخص¬های بافری جذب فسفر خاک و تعیین مهم‌ترین ویژگی‌های محیطی و خاکی مؤثر بر شاخص‌های بافری فسفر در منطقه مورد مطالعه تحت بررسی قرار گرفته است. همچنین کارایی روش¬های اسپکترومتری مرئی تا مادون قرمر نزدیک نیز در برآورد این شاخص ها در 100 نقطه مطالعاتی در منطقه سنندج استان کردستان مورد ارزیابی قرار گرفت. به منظور رسیدن به اهداف این پژوهش در بخش‌های مختلف از داده‌های متفاوتی استفاده شد که شامل مجموعه‌ای از شاخص‌های استخراج شده از تصاویر ماهواره‌ای، مدل رقومی ارتفاع، نقشه‌های موضوعی و طیف‌های بازتابی خاک بودند. در این مطالعه برخی از شاخص های بافری فسفر در خاک با استفاده از مدل‌های مختلف یادگیری ماشین (کوبیست (Cu)، جنگل تصادفی (RF)، ماشین‌های بردار پشتیبان (SVM) و رگرسیون فرآیند گاوسی (GPR)) پیش‌بینی شد. نتایج مطالعات طیف سنجی نشان داد که هفت روش پیش پردازش بر روی داده‌های طیفی خام اعمال شد و بهترین پیش پردازش‌های انتخاب شده برای شاخص MBC و SPR به ترتیب BC و MSC می‌باشد و برای PBC، SBC،Qmax پیش پردازش SNV انتخاب گردید. همچنین ضریب تعیین پیش بینی ("R" _"p" ^"2" ) هر کدام از این پیش پردازش‌ها به ترتیب برابر43/0، 33/0، 67/0، 49/0، 48/0 است. نتایج یادگیری ماشیت نشان داد که استفاده از ویژگی‌های توپوگرافی به عنوان تنها متغیرهای کمکی برای پیش بینی پارامترهای جذب فسفر کافی نیست. با این حال، داده‌های سنجش از دور و ترکیب آن با ویژگی‌های خاک به طور قابل اعتمادی برای پیش بینی پارامترهای جذب فسفر مورد استفاده قرار گرفت (41/0 = R2 برای MBC توسط مدل RF، 49/0 = R2 برای PBC توسط مدل Cu، 37/0 = R2 برای SPR با مدل Cu و 38/0 = R2 برای مدل SBC توسط مدل RF). کمترین مقادیر RMSE برای MBC توسط مدل RF، PBC توسط مدل SVM، SPR توسط مدل Cubist و SBC توسط مدل RF به دست آمد. نتایج همچنین نشان داد که داده‌های سنجش از دور به‌عنوان مجموعه داده‌های به‌راحتی در دسترس می‌توانند به‌طور قابل اعتمادی پارامترهای جذب فسفر را در منطقه مورد مطالعه پیش‌بینی کنند. نتایج تحلیل اهمیت متغیر نشان داد که از بین ویژگی‌های خاک ظرفیت تبادل کاتیونی (CEC) و محتوای رس و در بین شاخص‌های سنجش از دور B5/B7، شاخص میانی، شاخص رنگ‌بندی، شاخص اشباع و OSAVI ضروری‌ترین عوامل برای پیش‌بینی پارامتر جذب فسفر بودند. مطالعات بیشتر برای استفاده از سایر داده‌های سنجش از نزدیک به منظور بهبود پیش‌بینی پارامترهای جذب فسفر برای تصمیم‌گیری دقیق در سراسر چشم‌انداز توصیه می‌شود. کلمات کلیدی: طیف سنجی خاک، یادگیری ماشین، کود دهی خاک، جنگل تصادفی، ایزوترم‌های جذب، سنجش از دور، آنالیز اهمیت متغیر