Построение цифровых моделей почвенного покрова западной части Большеземельской тундры

Методы цифровой картографии перспективны для создания почвенных карт труднодоступных территорий. Целью работы был поиск оптимальных подходов к построению цифровых моделей почвенного покрова слабо изученной западной части Большеземельской тундры и лесотундры в разных масштабах. В качестве базовой информации о почвах использовались средне- (1 : 200 000) и мелкомасштабные (1 : 1 млн) почвенные карты; актуальная информация о состоянии территории бралась со снимков Landsat 8 (14.08.2013) и модели рельефа ASTER GDEM v.2. После извлечения информации и подбора предикторов проводился анализ моделей, построенных различными алгоритмами – Random Forest (RF), Multinomial Logistic Regression (MLR) и Linear Discriminant Analysis (LDA). Оценивался коэффициент согласованности между построенными моделями и изначальными картами (индекс каппа). Тестирование моделей показало, что лучше всего работает алгоритм Random Forest, который и был выбран для построения конечных карт. Средние значения каппа для сравниваемых моделей мелко- и среднемасштабных карт составили: RF – 0.39 и 0.36; MLR – 0.31 и 0.31; LDA – 0.28 и 0.18 соответственно. После предварительной коррекции контурной и смысловой части среднемасштабной карты значения каппа выросли: RF – 0.39, MLR – 0.35, LDA – 0.30. Проверка новых цифровых карт по независимым полевым данным показала, что уровень совпадения данных не хуже, чем у исходных бумажных карт: для исходной мелкомасштабной карты – 24 %, а цифровой – 26 %; для исходной среднемасштабной карты – 54 %, а цифровой – 43 %. При предварительной коррекции исходной среднемасштабной карты уровень совпадения полевых данных и цифровой модели, построенной с помощью алгоритма RF, повысился до 61 %. Данный способ построения цифровой почвенной карты при аналогичных исходных данных представляется оптимальным.

1. Векшина В.Н. Поиск и верификация предикторов почвообразования в лесотундровой зоне по дистанционным данным // Сборник кратких тезисов III Молодежной конференции “Почвоведение: Горизонты Будущего 2019”: сб. тр. науч. конф. М.: Почвенный институт имени В.В. Докучаева, 2019. [в печати]

2. ВСЕГЕИ (Всероссийский научно-исследовательский геологический институт им. А.П. Карпинского). URL: http://www.vsegei.ru.

3. Государственная почвенная карта СССР. Лист Q-39 (Нарьян-Мар). Гл. ред. Герасимов И.П., Егоров В.В., Иванова Е.Н., Розов Н.Н. ГУГК, фабрика № 4. 1977. 1 л.

4. Государственная почвенная карта СССР. М: 1 : 1 млн. Лист Q-40 (Печора) / Гл. ред. Герасимов И.П., Егоров В.В., Иванова Е.Н., Розов Н.Н., Фридланд В.М. ГУГК, фабрика № 10. 1982. 1 л.

5. Докучаев П.М. Построение цифровой почвенной карты и картограммы углерода с использованием методов цифрового почвенного картографирования (на примере Вятско-Камской провинции дерново-подзолистых почв южной тайги): автореф. дис. … канд. биол. наук: 03.02.13. М., 2017. 25 с.

6. Жоголев А.В. Актуализация региональных почвенных карт на основе спутниковых и геоинформационных технологий (на примере Московской области): автореф. дис. ... канд. с.-х. наук: 03.02.13. М., 2016. 22 с.

7. Забоева И.В., Игнатенко И.В., Казаков В.Г., Попов В.А., Рубцов М.Д., Руднева Е.Н. Государственная почвенная карта СССР Объяснительная записка к листу “Нарьян-Мар” Q-39. М.: Почвенный институт имени В.В. Докучаева. 1984. 62 с.

8. Каверин Д.А., Шахтарова О.В., Пастухов А.В., Мажитова Г.Г., Лаптева Е.М. Составление крупномасштабных почвенных карт ключевых участков в тундре и лесотундре северо-востока Европейской России // География и природные ресурсы. 2012. № 3. С. 140–146.

9. Конюшкова М.В., Козлов Д.Н. Автоматизированный анализ распространения тёмноцветных черноземовидных почв в северном Прикаспии по данным космической съемки (на примере Джаныбекского стационара) // Аридные экосистемы. 2010. Т. 16. № 5. С. 46–56.

10. Лавриненко И. А. Геоботаническое районирование Большеземельской тундры и прилегающих территорий. Геоботаническое картографирование. СПб. Из-во: РАН Ботанический институт им. В.Л. Комарова. 2013. С. 74–92.

11. Научно-прикладной справочник по климату СССР. Сер. 3. Многолетние данные. Вып. 1. Архангельская и Вологодская области, Коми АССР. Книга 1. Л.: Гидрометеоиздат, 1989. 483 с.

12. Осадчая Г.Г., Тумель Н.В. Локальные ландшафты как индикаторы геокриологической зональности (на примере Европейского северо-востока) // Криосфера Земли. 2012. Т. XVI. № 3. С. 62–71.

13. Почвенная карта масштаба 1 : 200 000. Лист Q-39-V, VI (Нарьян-Мар) / Крейда Н.А. М., 1958. 1 л.

14. Савин И.Ю. Использование спутниковых данных для составления почвенных карт: современные тенденции и проблемы // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 6. С. 29–39.

15. Савин И.Ю., Овечкин С.В. Об обновлении Среднемасштабных почвенных карт // Почвоведение. 2014. № 10. С. 1184–1192.

16. Савин И.Ю. Симакова М.С. Спутниковые технологии для инвентаризации и мониторинга почв в России // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 5. С. 104–115.

17. Сухачева Е.Ю., Апарин Б.Ф., Андреева Т.А., Казаков Э.Э., Лазарева М.А. Принципы и методы создания цифровой среднемасштабной почвенной карты Ленинградской области // Вестник СПбГУ. Науки о Земле. 2019. Т. 64. № 1. С. 100–113.

18. Abbaszadeh Afshar F., Ayoubi S., Jafari A. The extrapolation of soil great groups using multinomial logistic regression at regional scale in arid regions of Iran // Geoderma. 2018. Vol. 315. Р. 36–48.

19. Abdel-Kader F. Digital soil mapping at pilot sites in the northwest coast of Egypt: A multinomial logistic regression approach // The Egyptian Journal of Remote Sensing and Space Sciences. 2011. Vol. 14. Р. 29–40. DOI: 10.1016/j.ejrs.2011.04.001.

20. Arrouays D., McKenzie N., Hempel J., de Forges A.R., McBratney A. (Eds.). GlobalSoilMap: Basis of the Global Spatial Information System. CRC Press. Balkema, 2014. 494 p.

21. ASTER GDEM v. 2. http://viewfinderpanoramas.org/dem1d.html.

22. Cohen J. A coefficient of agreement for nominal scales // Educ. Psychol. Measurement.1960. Vol. 20. Р. 37–46.

23. Cohen J. Weighted kappa: Nominal scale agreement with provision for scaled disagreement or partial credit // Psychol. Bull. 1968. Vol. 70. P. 213–220.

24. Dharumarajan S., Hegde R., Singh S.K. Spatial prediction of major soil properties using random forest techniques – a case study in semi-arid tropics of South India // Geoderma Reg., 2017. Vol. 10. P. 154–162.

25. Grimm R, Behrens T., Märker M., Elsenbeer H. Soil organic carbon concentrations and stocks on Barro Colorado Island—digital soil mapping using random forests analysis // Geoderma. 2008. Vol. 146. P. 102–113.

26. Jeune W., Francelino M.R., Eliana de Souza, Elpídio Inácio Fernandes Filho, Rocha G.C. Multinomial Logistic Regression and Random Forest Classifiers in Digital Mapping of Soil Classes in Western Haiti // Rev. Bras. Ciênc. Solo. 2018. Vol. 42. P. 1–20.

27. Kempen B., Brus D.J., Heuvelink G.B.M., Stoorvogel J.J. Updating the 1 : 50 000 Dutch soil map using legacy soil data: a multinomial logistic regression approach // Geoderma. 2009. Vol. 151. P. 311–326.

28. Landis J.R., Koch G.G. The measurement of observer agreement for categorical data // Biometrics. 1977. Vol. 33, No. 1. P. 159–174. DOI: 10.2307/2529310.

29. Meier M., de Souza E., Francelino, M.R. Digital Soil Mapping Using Machine Learning Algorithms in a Tropical Mountainous Area // Rev. Bras. Ciênc. Solo. 2018. Vol. 42. P. 1–22.

30. McBratney A.B., Mendonça Santos, M.L., Minasny, B. On Digital Soil Mapping // Geoderma. 2003. Vol. 117. Р. 3–52.

31. Nathan P. Odgers N.P. Wei Sun McBratney A.B., Minasny B., Clifford D. Disaggregating and harmonising soil map units through resampled classification trees // Geoderma. 2014. Vol. 214–215. Р. 91–100. DOI: 10.1016/j.geoderma.2013.09.024.

32. Pahlavan-Rad M.R., Khormali F., Toomanian N., Brungard C. W., Kiani F., Komaki C.B., Bogaert P. Legacy soil maps as a covariate in digital soil mapping: A case study from Northern Iran // Geoderma. 2016. Vol. 279. Р. 141–148.

33. Piccini C., Marchetti A., Napoli R., Rivieccio R. Multinomial logistic regression with soil diagnostic features and land surface parameters for soil mapping of Latium (Central Italy) // Geoderma. 2018. Vol. 352. P. 385–394. DOI: 10.1016/j.geoderma.2018.09.037.

34. Stum A.K., Boettinger M.A., White R.D., Ramsey R.D. Random Forests Applied as a Soil Spatial Predictive Model in Arid Utah // Digital Soil Mapping. Springer. Dordrecht, The Netherlands, 2010. Р. 179–190.

35. Vågen T.G., L.A. Winowiecki L.A., Tondoh J.E., Desta L.T., Gumbricht T. Mapping of soil properties and land degradation risk in Africa using MODIS reflectance // Geoderma. 2016. Vol. 263. Р. 216–225.