Крупномасштабное цифровое картографирование содержания органического углерода почв с помощью методов машинного обучения
https://doi.org/10.19047/0136-1694-2018-91-46-62
Аннотация
Об авторах
А. В. Чинилин
РГАУ-МСХА им. К.А. Тимирязева
Россия
Россия
И. Ю. Савин
Почвенный институт им. В.В. Докучаева
Россия
Россия
Список литературы
1. Добровольский Г.В., Урусевская И.С. География почв. М.: Изд-во Моск. ун-та, 2015. 458 c.
2. Жоголев А.В. Актуализация региональных почвенных карт на основе спутниковых и геоинформационных технологий (на примере Московской области): Автореф. дис.. к. с.-х. н. М., 2016. 22 c.
3. Савин И.Ю., Прудникова Е.Ю. Об оптимальном сроке спутниковой съемки для картографирования пахотных почв // Бюл. Почв. ин-та им. В.В. Докучаева. 2014. № 74. С. 66-77.
4. Флоринский И.В. Гипотеза Докучаева - центральная идея цифрового прогнозного почвенного картографирования (к 125-летию публикации). Почвоведение. 2012. № 4. С. 500-506.
5. Arrouays D., Savin I., Leenaars J., McBratney A.B. (eds.) GlobalSoilMap - Digital Soil Mapping from Country to Globe. Balkem: CRC Press, 2018. 174 p.
6. Arrouays D., McKenzie N., Hempel J., Richer de Forges A., McBratney A. GlobalSoilMap: basis of the global spatial soil information system. Balkem: CRC Press, 2014. 494 p.
7. Breiman L. Random Forests // Machine Learning. 2001. № 1 (45). C. 5-32. doi: 10.1023/A:1010933404324
8. Bui E.N., Henderson B.L., Viergever K. Knowledge discovery from models of soil properties developed through data mining // Ecological Modelling. 2006. № 3 (191). C. 431-446. doi: 10.1016/j.ecolmodel.2005.05.021
9. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016. 785-794 с. doi: 10.1145/2939672.2939785
10. Chipman H.A., George E.I., McCulloch R.E. BART: Bayesian additive regression trees // The Annals of Applied Statistics. 2010. № 1 (4). C. 266-298. doi: 10.1214/09-AOAS285
11. Conrad O., Bechtel M., Bock M., Dietrich H., Fischer E. System for Automated Geoscientific Analyses (SAGA) v. 2.1.4 // Geoscientific Model Development. 2015. № 7 (8). C. 1991-2007. doi: 10.5194/gmd-8-1991-2015
12. Gobin A. Participatory and spatial-modeling methods for land resources analysis. PhD thesis. Katholik Universiteit, Leuven, 2000. 282 c.
13. Grinand C., Arrouays D., Laroche D., Martin M.P. Extrapolating regional soil landscapes from an existing soil map: Sampling intensity, validation procedures, and integration of spatial context // Geoderma. 2008. № 1 (143). C. 180-190. doi: 10.1016/j.geoderma.2007.11.004
14. Hengl T., Heuvelink G.B.M., Kempen B., Leenaars J.G.B., Walsh M. Mapping Soil Properties of Africa at 250 m Resolution: Random Forests Significantly Improve Current Predictions // PLOS ONE. 2015. № 6 (10). C. e0125814. doi: 10.1371/journal.pone.0125814
15. Hengl T., Mendes de Jesus J., Heuvelink G.B.M., Ruiperez Gonzalez M., Kilibarda M. SoilGrids250m: Global gridded soil information based on machine learning // PLOS ONE. 2017. № 2 (12). C. e0169748. doi: 10.1371/journal.pone.0169748
16. Hengl T., Leenaars K., Shepherd K.D., Walsh M., Heuvelink G.B.M. Soil nutrient maps of Sub-Saharan Africa: assessment of soil nutrient content at 250 m spatial resolution using machine learning // Nutrient Cycling in Agroecosystems. 2017. № 1 (109). C. 77-102. doi: 10.1007/s10705-017-9870-x
17. Jenny H. Factors of Soil Formation // Soil Science. 1941. № 5 (52). C. 415. doi: 10.1097/00010694-194111000-00009
18. Kuhn M. Building Predictive Models in R Using the caret Package // Journal of Statistical Software. 2008. № 5 (28). doi: 10.18637/jss.v028.i05
19. Lagacherie P., Holmes S. Addressing geographical data errors in a classification tree for soil unit prediction // International Journal of Geographical Information Science. 1997. № 2 (11). C. 183-198. doi: 10.1080/136588197242455
20. McBratney A., Mendonça Santos M., Minasny B. On digital soil mapping // Geoderma. 2003. № 1-2 (117). C. 3-52. doi: 10.1016/S0016-7061(03)00223-4
21. Minasny B., McBratney A.B. A conditioned Latin hypercube method for sampling in the presence of ancillary information // Computers & Geosciences. 2006. № 9 (32). C. 1378-1388. doi: 10.1016/j.cageo.2005.12.009
22. Core R., Team R. A language and environment for statistical computing // 2016.
23. Sollich P., Krogh A. Learning with ensembles: How overfitting can be useful, Proceedings of the 1995 Conference, Vol. 8, 1996. 190-196 с.
24. Taghizadeh-Mehrjardi R., Minasny B., McBratney A.B., Triantafilis J. Digital soil mapping of soil classes using decision trees in central Iran // Proceedings of the 5th Global Workshop on Digital Soil Mapping, 2012. C. 197-202. doi: 10.1201/b12728-40
25. Vermote E., Justice C., Claverie M., Franch B. Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product // Remote Sensing of Environment. 2016. № 185. C. 46-56. doi: 10.1016/j.rse.2016.04.008
Рецензия
Для цитирования:
Чинилин А.В., Савин И.Ю. Крупномасштабное цифровое картографирование содержания органического углерода почв с помощью методов машинного обучения. Бюллетень Почвенного института имени В.В. Докучаева. 2018;(91):46-62. https://doi.org/10.19047/0136-1694-2018-91-46-62
For citation:
Chinilin A.V., Savin I.Yu. The large scale digital mapping of soil organic carbon using machine learning algorithms. Dokuchaev Soil Bulletin. 2018;(91):46-62. (In Russ.) https://doi.org/10.19047/0136-1694-2018-91-46-62
Просмотров: 722
Послать статью по эл. почте 
