ارزیابی دقیق و مکانی ویژگی های خاک برای مدیریت پایدار منابع طبیعی و برنامه ریزی کشاورزی امری حیاتی است. ژئومورفولوژی، به عنوان علم مطالعه اشکال زمین و فرآیندهای شکل دهنده آن ها، ابزاری قدرتمند برای استنتاج ویژگی های خاک در مقیاس منطقه ای فراهم می کند. این مطالعه با رویکردی تلفیقی، نه تنها به کارگیری مدل های ژئومورفولوژیک را برای منطقه ای با پوشش زمین خاص مورد بررسی قرار می دهد، بلکه با مقایسه مستقیم روش های مختلف تهیه نقشه، شفافیت لازم را در انتخاب بهترین ابزار مکانی برای مطالعات خاک شناسی فراهم می آورد. با توجه به تنوع محیطی منطقه ماه نشان، استفاده از نقشه های ژئومورفولوژیک تهیه شده و مدل های رقومی ارتفاع (DEM) و تصاویر ماهواره ای سنتینل 2 می تواند به پیش بینی پارامترهای مهم خاک، مانند کربن آلی و کربنات کلسیم کمک کند. این پژوهش با هدف ارزیابی کارایی نقشه های ژئومورفولوژیک حاصل از روش های فیزیوگرافی و سلسله مراتبی برای استنتاج دقیق ویژگی های خاک در بخش مورد مطالعه از منطقه ماه نشان است. اهداف فرعی شامل تحلیل آزمایشگاهی، تهیه نقشه خصوصیات محیطی (مانند شیب، جهت شیب، شاخص پوشش گیاهی و ...)، تهیه نقشه های ژئومورفولوژی منطقه و تعیین میزان همبستگی و دقت بین ویژگی های استخراج شده از نقشه های ژئومورفولوژی و مقادیر اندازه گیری شده ویژگی های خاک است. بدین منظور از 63 نقطه در منطقه نمونه برداری انجام شد. روش تحقیق حاضر از نوع توصیفی-تحلیلی و مبتنی بر داده های مکانی (GIS) است. از روش های آماری ضریب همبستگی پیرسون و تحلیل رگرسیون چندگانه برای سنجش رابطه بین پارامترهای ژئومورفولوژیک و خصوصیات خاک استفاده شد. به منظور ارزیابی کارایی نقشه های تولیدی و مدل سازی مکانی ویژگی های خاک، از نرم افزار R استفاده گردید. در این راستا، پنج مدل یادگیری ماشین شامل جنگل تصادفی (Random Forest)، کیوبیست (Cubist)، شبکه عصبی مصنوعی (ANN)، K نزدیک ترین همسایه (KNN)، و ماشین بردار پشتیبان (SVM) برای برآورد ویژگی های خاک بر اساس پارامترهای ژئومورفولوژیک آموزش داده شده و عملکرد آن ها مقایسه گردید. نتایج مدل سازی مکانی ویژگی های خاک نشان داد که مدل جنگل تصادفی ، کوبیست و شبکه عصبی مصنوعی با کمترین خطا و بیشترین ضریب تبیین، به عنوان برترین مدل در پیش بینی خصوصیات خاک در مقابل مدل ماشین بردار پشتیبان و knn انتخاب شد آنالیز حساسیت مدل ها نشان داد که متغیرهای Aspect،ValleyDepth ، Elevation ، TWI ، نقشه فیزیوگرافی وسلسله مراتبی مهم ترین عوامل در پیش بینی کربن آلی، کربنات کلسیم، شن، سیلت و رس در منطقه مورد مطالعه هستند. این یافته ها تأیید می کند که تلفیق واحدهای ژئومورفیک با مدل های یادگیری ماشین، دقت پیش بینی مکانی ویژگی های خاک را به طور معناداری افزایش می دهد. رویکرد ارائه شده در این پژوهش می تواند به عنوان چارچوبی مؤثر برای مدیریت پایدار منابع خاک در مناطق نیمه خشک و مطالعات تفصیلی خاک شناسی مورد استفاده قرار گیرد.

کلمات کلیدی: نقشه برداری رقومی، ژئومورفولوژی، فیزیوگرافی، سلسله مراتبی، مدل سازی مکانی، متغیرهای محیطی.