Цифровое картографирование мощности гумусового горизонта почв Предсалаирья с использованием алгоритма машинного обучения Random Forest

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Представлены результаты цифрового картографирования мощности гумусового горизонта почв Предсалаирья c использованием алгоритма машинного обучения Random Forest, реализованного на облачной онлайн-платформе Google Earth Engine. В процессе картографирования мощности гумусового горизонта почв использовано 92 предиктора, характеризующих факторы почвообразования (климат, рельеф, растительность, пространственное положение, почвенные свойства). Обучающий (n = 718) и валидационный (n = 130) наборы данных созданы по архивным материалам ЗапсибНИИгипрозем (1974–1984 гг.). Получены следующие показатели эффективности моделирования мощности гумусового горизонта алгоритмом RF: коэффициент детерминации по обучающему набору данных R2ОНД = 0.88; коэффициент детерминации по валидационному набору данных R2ВНД = 0.12; корень из среднеквадратической ошибки RMSEВНД = 9.7 см; средняя абсолютная процентная ошибка MAPEВНД = 24.3%; средняя абсолютная ошибка MAEВНД = 6.5 см. Точность моделирования, оцененная по средней абсолютной процентной ошибке (MAPEВНД), удовлетворительная. По фактическим данным мощность гумусового горизонта почв варьировала в пределах 3–110 см. Выявлена тенденция уменьшения мощности гумусового горизонта почв исследуемого района с северо-запада на юго-восток. Наименьшее (3 см) среднее значение мощности характерно для солонцов лугово-черноземных корковых (Salic Solonetz), а наибольшее (61 см) – для луговых обычных почв (Haplic Gleysols).

Об авторах

Н. В. Гопп

Институт почвоведения и агрохимии СО РАН

Email: natalia.gopp@gmail.com
Новосибирск, пр-т Академика Лаврентьева, 8/2, 630090 Россия

Список литературы

  1. Афанасьев В.Н., Цыпин А.П. Эконометрика в пакете STATISTICA: учебное пособие по выполнению лабораторных работ. Оренбург: ГОУ ОГУ, 2008. 204 с.
  2. Беликбаев М.Е. О скорости почвообразовательного процесса и возрасте почв Северного Казахстана // История развития почв СССР в голоцене. Тез. докл. Всесоюз. конф. Пущино, 1984. С. 74–75.
  3. Белобров В.П., Дридигер В.К., Юдин С.А. Влияние технологий земледелия на морфометрические признаки черноземов // Бюл. Почв. ин-та им. В.В. Докучаева. 2020. Вып. 102. С. 125–142. https://doi.org/10.19047/0136-1694-2020-102-125-142
  4. Валдайских В.В., Махонина Г.И., Карпухин М.Ю. Оценка скорости формирования гумумсовых горизонтов черноземных почв Зауралья // Аграрный вестник Урала. 2015. № 4. С. 19–22.
  5. Геннадиев А. Н. Почвы и время: модели развития. М.: Изд-во МГУ, 1990. 232 с.
  6. Гриценко В.В. Обработка и углубление пахотного слоя почвы. М.: Московский рабочий, 1971. 127 с.
  7. Докучаев В.В. Русский чернозем: отчет Императорскому Вольному экономическому обществу. СПб.: Императорское Вольное экономическое общество, 1883. 551 с.
  8. Ергина Е.И., Горбунов Р.В., Сташкина Е.Ф. Предельная мощность гумусового горизонта как критерий выделения почв-эталонов равнинного Крыма // Российская сельскохозяйственная наука. 2019. № 4. С. 39–42.
  9. ИвановИ.В., ПриходькоВ.Е., ЗамотаевИ.В., МанаховД.В., Новенко Е.Ю., Калинин П.И., МарковаЛ.М., ПлаксинаА.Л. Синлитогенная эволюция пойменных почв в долинах малых рек Степного Зауралья // Почвоведение. 2019. № 6. С. 645–662.
  10. Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 342 с.
  11. Классификация и диагностика почв СССР. М.: Колос, 1977. 224 с.
  12. Крупеников И.А. Типизация антропогенных процессов деградации черноземов // Почвоведение. 2005. № 12. С. 1509–1517.
  13. Оценка качества и классификации земель по их пригодности для использования в сельском хозяйстве. М.: Роснедвижимость–ФГУП “Госземкадастрсъемка”– ВИСХАГИ, 2007. 131 с.
  14. Почвенно-климатический атлас Новосибирской области. Новосибирск: Наука, Сиб. отд-ние, 1978. 122 с.
  15. Приказ Росреестра от 04.08.2021 № П/0336 “Об утверждении Методических указаний о государственной кадастровой оценке” (Зарегистрировано в Минюсте России 17.12.2021. № 66421).
  16. Чевердин Ю.И., Беспалов В.А., Титова Т.В. Изменение варьирования основных морфометрических характеристик черноземов под влиянием антропогенного воздействия // Достижения науки и техники АПК. 2015. Т. 29. № 10. С. 62–65.
  17. Brieman L. Random Forests // Mach. Learn. 2001. V. 45. Р. 5–32. https://doi.org/10.1023/A:1010933404324
  18. Conrad O., Bechtel B., Bock M., Dietrich H., Fischer E., Gerlitz L., Wehberg J., Wichmann V., Böhner J. System for automated geoscientific analyses (SAGA) v. 2.1.4 // Geoscientific Model Development. 2015. V. 8. Р. 1991–2007. https://doi.org/10.5194/gmd-8-1991-2015
  19. Fantappiè M., L’Abate G., Schillaci C., Costantini E.A.C. Digital soil mapping of Italy to map derived soil profiles with neural networks. Geoderma Reg. 2023. V. 32. P. e00619. https://doi.org/10.1016/j.geodrs.2023.e00619
  20. Fick S.E., Hijmans R.J. WorldClim 2: new 1km spatial resolution climate surfaces for global land areas // Int. J. Climatology. 2017. V. 37. Р. 4302–4315. https://doi.org/10.1002/joc.5086
  21. Gelsleichter Y.A., Costa E.M., Anjos L.H.C., Marcondes R.A.T. Enhancing Soil Mapping with Hyperspectral Subsurface Images generated from soil lab Vis-SWIR spectra tested in southern Brazil // Geoderma Reg. 2023. V. 33. P. e00641. https://doi.org/10.1016/j.geodrs.2023.e00641
  22. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environ. 2017. V. 202. P. 18–27. https://doi.org/10.1016/j.rse.2017.06.031
  23. Hengl T.A. Practical guide to geostatistical mapping of environmental variables. EC JRC, Ispra (Italy), 2007. 165 p.
  24. Jiang Y.-Y., Tang J.-Y., Sun Z.-X. Study on the factors affecting the humus horizon thickness in the black soil region of Liaoning Province, China // Agronomy. 2024. V. 14. P. 2106. https://doi.org/10.3390/agronomy14092106
  25. Larsen I.J., Almond P.C., Eger A., Stone J.O., Montgomery D.R., Malcolm B. Rapid mountain weathering breaks global speed limit // Science. 2014. V. 343. P. 637–640. https://doi.org/10.1126/science.1244908
  26. Li A., Tan X., Wu W., Liu H., Zhu J. Predicting active-layer soil thickness using topographic variables at a small watershed scale // PLoS One. 2017. V. 12. P. e0183742. https://doi.org/10.1371/journal.pone.0183742
  27. Macray J.E., Montgomery D.R. Trends in soil organic matter and topsoil thickness under regenerative practices at the University of Washington student farm // Peer J. 2023. V. 11. P. e16336. https://doi.org/10.7717/peerj.16336
  28. Malone B.P., McBratney A., Minasny B., Laslett G. Mapping continuous depth functions of soil carbon storage and available water capacity // Geoderma. 2009. V. 154. P. 138–152. https://doi.org/10.1016/j.geoderma.2009.10.007
  29. Man H., Dong X., Li M., Zheng Z., Wang C., Zang S. Spatial distribution and influencing factors of humus layer thickness of forest land in permafrost region of Northeast China // Catena. 2023.V. V. 224. P 106979. https://doi.org/10.1016/j.catena.2023.106979
  30. Poggio L., de Sousa L., Batjes N., Heuvelink G., Kempen B., Ribeiro E., Rossiter D. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty // Soil. 2021. V. 7. P. 217–240. https://doi.org/10.5194/soil-7-217-2021
  31. Suleymanov A., Komissarov M., Asylbaev I., Khasanov A., Khabirov I., Suleymanov R., Gabbasova I., Belan L., Tuktarova I. Spatial variations of genetic horizons thicknesses and erosion degree assessment in temperate soils // Environ. Process. 2024. V. 11. P. 44. https://doi.org/10.1007/s40710-024-00722-6
  32. Yamashita N., Ohnuki Y., Iwahashi J., Imaya A. National-scale mapping of soil-thickness probability in hilly and mountainous areas of Japan using legacy and modern soil survey // Geoderma. 2024. V. 446. P. 116896. https://doi.org/10.1016/j.geoderma.2024.116896

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».