Везде

ОБНПочвоведение Eurasian Soil Science

  • ISSN (Print) 0032-180X
  • ISSN (Online) 3034-5618

Традиционное и цифровое картографирование почв центральной части национального парка “Смоленское Поозерье”

Вы можете
Код статьи
S3034561825020016-1
DOI
10.7868/S3034561825020016
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Корнилова А. И.
  • Аффилиация:
    Центр по проблемам экологии и продуктивности лесов им. А.С. Исаева РАН
    МГУ им. М.В. Ломоносова
Том/ Выпуск
Том / Номер выпуска 2
Страницы
163-175
Аннотация
На участок площадью 8.6 км2 в центральной части национального парка “Смоленское Поозерье” составлены почвенные карты масштаба 1 : 25000 в методах традиционной и цифровой почвенной картографии (ЦПК) с учетом показателей, характеризующих рельеф, растительность, время и антропогенный фактор почвообразования, и проведено сравнение полученных результатов. На обеих картах рассматриваемой территории преобладают серогумусовые постагрогенные (Umbric Cambisols (Arenic, Aric)) почвы, что связано с сельскохозяйственным использованием в прошлом и реградацией старопахотных почв. Меньшие территории занимают аллювиальные торфяные (Histic Fluvisols) и дерново-подзолистые постагрогенные (Albic Glossic Retisols (Aric, Loamic)) почвы. Общая точность карты, составленной методом ЦПК, составила 57%. Ведущими факторами дифференциации, используемыми при экспертном и цифровом картографировании, оказались топографический индекс влажности и лесотаксационная карта. Методами ЦПК лучше всего, с точностью 100 и 86%, предсказано распространение аллювиальных торфяных почв (Histic Fluvisols) и агроземов (Arenosols (Aric)), приуроченных к торфяной залежи и пашням. Расположение торфяных (Fibric Histosols) почв и торфяно-подзолов (Histic Albic Podzols (Arenic)) предсказано наименее точно (0%). Точность предсказания расположения альфегумусовых (Podzols), текстурно-дифференцированных (Retisols), органо-аккумулятивных (Umbric Cambisols), перегнойно-глеевых (Histic Gleysols), аллювиальных гумусовых глеевых (Gleyic Fluvisols) почв варьировала в пределах 50–63%. Цифровой метод на 63% воспроизвел результат традиционного картографирования.
Ключевые слова
почвенные ареалы геоинформационные системы сравнительно-географический метод машинное обучение предикторы случайные леса бореальные ландшафты
Дата публикации
17.02.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
62

Библиография

  1. 1. Герасимова М.И. Мелкомасштабное почвенное картографирование. М., 2010. 97 с.
  2. 2. Герасимова М.И., Богданова М.Д. Картография почв на страницах журнала “Почвоведение” (обзор публикаций с 1899 г.) // Бюл. Почв. ин-та им. В.В. Докучаева. 2021. № 107. С. 139–179.
  3. 3. Гопп Н.В., Мешалкина Ю.Л., Нарыкова А.Н., Плотникова А.С., Чернова О.В. Картографирование содержания и запасов органического углерода почв на региональном и локальном уровнях: анализ современных методических подходов // Вопросы лесной науки. 2023. Т. 6. № 1. С. 14–73. https://doi.org/10.31509/2658-607x-202361-120
  4. 4. Докучаев В.В. Картография русских почв. СПб.: Изд-во М-ва гос. имуществ, 1879. 114 с.
  5. 5. Долгова Л.С. Методика составления мелкомасштабных почвенных карт. М.: Изд-во Московского университета, 1980. 80 с.
  6. 6. Карта-схема, окрашенная по породам. Лесоустройство, 2013, 2014. Смоленск: ФГБУ Национальный парк “Смоленское Поозерье” Смоленской области, 2015.
  7. 7. Епринцев С.А., Клепиков О.В., Шекоян С.В. Дистанционное зондирование Земли как способ оценки качества окружающей среды урбанизированных территорий // Здоровье населения и среда обитания. 2020. № 4(325). С. 5–12. https://doi.org/10.35627/2219-5238/2020-325-4-5-12
  8. 8. Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 341 с.
  9. 9. Козлов Д.Н., Сорокина Н.П. Традиции и инновации в крупномасштабной почвенной картографии // Цифровая почвенная картография: теоретические и экспериментальные исследования. М.: Почв. ин-т им. В.В. Докучаева, 2012. С. 35–57.
  10. 10. Комплексное изучение состояния природы Смоленского Поозерья в целях охраны и рационального использования на момент организации в этом регионе национального природного парка / Под ред. Круглова Н.Д. Смоленск: Смоленский гос. пед. ин-т, 1995. 513 с.
  11. 11. Королева Н.В., Тихонова Е.В., Ершов Д.В., Салтыков А.Н., Гаврилюк Е.А., Пугачевский А.В. Оценка масштабов зарастания нелесных земель в национальном парке “Смоленское Поозерье” за 25 лет по спутниковым данным Landsat // Лесоведение. 2018. № 2. С. 83–96.
  12. 12. Костюкевич А.В. Почвенный покров Смоленской губернии. Смоленск, 1925. 26 с.
  13. 13. Красильников П.В., Сидорова В.А., Дубровина И.А. Использование крупномасштабных почвенных карт и ключевых участков для создания почвенно-географических моделей в Карелии // Цифровая почвенная картография: теоретические и экспериментальные исследования. М., 2012. С. 220–235.
  14. 14. Куликова А.И., Чеченков П.Д., Осипова М.С., Шопина О.В., Семенков И.Н. Сравнительный анализ результатов традиционного и цифрового крупномасштабного почвенного картографирования на примере участка в национальном парке “Смоленское Поозерье” // Почвоведение. 2023. № 3. С. 312–320. https://doi.org/10.31857/S0032180X22600986
  15. 15. Кучинский П.А. Почвы Смоленской области и способы повышения их плодородия / Под ред. Погуляева Д.И. Смол. обл. краевед. науч.-исслед. ин-т. Смоленск, 1950. 318 с.
  16. 16. Маймусов Д.Ф. Почвы Смоленской области (генезис, состояние, управление плодородием). М: Прометей. 1992. 286 с.
  17. 17. Маймусов Д.Ф. Почвы Смоленской области, их улучшение и использование. Смоленск: кн. изд-во. 1963. 274 с.
  18. 18. Общесоюзная инструкция по крупномасштабным почвенным и агрохимическим исследованиям территории колхозов и совхозов и по составлению почвенных карт территорий колхозно-совхозных управлений. М.: Колос, 1964. 109 с.
  19. 19. Погуляев Д. И., Шостьина А. А. Природа и физико-географические (природные) районы Смоленской области. Смоленск: Смоленское книжное изд-во, 1963. 128 с.
  20. 20. Полевой определитель почв. М.: Почв. ин-т им. В.В. Докучаева, 2008. 182 с.
  21. 21. Почвенная карта РСФСР (под ред. В.М. Фридланда). М-б 1:2 500 000. М.: ГУГК, 1988 г.
  22. 22. Почвенная карта Смоленской области. М-б 1 500 000. Авторы: нет данных. М.: Главное управление геодезии и картографии государственного геологического комитета СССР, Атлас Смоленской области, 1964.
  23. 23. Почвенные карты совхозов Демидовского и Духовщинского районов Смоленской области. М-б 1 : 10 000. Смоленск: ВНИИГиМ и института “Центргипрозем”, 1985–1992.
  24. 24. Почвенная карта Демидовского района Смоленской области. М-б 1 : 50 000. Смоленск: Смоленский филиал института “Центргипрозем”, 1992.
  25. 25. Растительность и почвы национального парка “Смоленское Поозерье” / Под ред. Копцик Г.Н., Березиной Н.А. М: НИА-Природа, 2003. 307 с.
  26. 26. Розанов Б.Г. Роль почвообразующих пород в географии и плодородии почв западной части Смоленской области // Почвы дерново-подзолистой зоны и их рациональное использование (на примере Смоленской области) / Под ред. Евдокимовой Т.И., Розанова Б.Г. М., 1969. С. 13–23.
  27. 27. Савин И.Ю., Жоголев А.В., Прудникова Е.Ю. Современные тренды и проблемы почвенной картографии // Почвоведение. 2019. № 5. С. 517–528. https://doi.org/10.1134/S0032180X19050101
  28. 28. Савин И.Ю., Столбовой В.С., Иванов А.Л., Прудникова Е.Ю. Жоголев А.В., Воронин А.Я. Технологии составления и обновления почвенных карт. М.: Перо, 2019. 328 с.
  29. 29. Сорокина Н.П. Региональная модель почвенно-ландшафтных связей (на примере Клинско-Дмитровской гряды) // Почвоведение. 1998. № 4. С. 389–398.
  30. 30. Сорокина Н.П., Козлов Д.Н. Опыт цифрового картографирования структуры почвенного покрова // Почвоведение. 2009. № 2. С. 198–210.
  31. 31. Терехова Д.А., Смирнова М.А., Гераськина А.П., Шопина О.В., Кузнецова А.И., Бавшин И.М., Клинк Г.В., Енчилик П.Р., Хохряков В.Р., Герасимова М.И., Семенков И.Н. Макрофауна и органическое вещество в постагрогенных песчаных и супесчаных почвах северо-запада Смоленской области (Россия) // Почвоведение. 2023. № 8. С. 981–996. https://doi.org/10.31857/S0032180X23600105
  32. 32. Чистяков С. П. Случайные леса: обзор // Тр. Карельского научного центра. 2013. № 1. С. 117–136.
  33. 33. Фетисов Д.М., Жучков Д.В., Горюхин М.В. Оценка уровня озеленения города Биробиджана с применением мультиспектральных данных // Биосфера. 2021. Т. 13. № 4. С. 170–179.
  34. 34. Шопина О.В., Герасимова М.И., Бавшин И.М., Хохряков В.Р., Семенков И.Н. Инвентаризация и картографирование почв национального парка “Смоленское Поозерье” // Лесоведение. 2022. № 5. С. 478–493. https://doi.org/10.31857/S0024114822040088
  35. 35. Шопина О.В., Гераськина А.П., Кузнецова А.И., Тихонова Е.В., Титовец А.В., Бавшин И.М., Хохряков В.Р., Семенков И.Н. Стадии постагрогенного восстановления компонентов экосистем сосновых лесов национального парка “Смоленское Поозерье” // Почвоведение. 2023. № 1. С. 10–24. https://doi.org/10.31857/S0032180X22600706
  36. 36. Adeniyi O.D., Bature H., Mearker M. A. Systematic review on digital soil mapping approaches in lowland areas // Land. 2024. V. 13. P. 379. https://doi.org/10.3390/land13030379
  37. 37. Bhandari A.K., Kumar A., Singh G.K. Feature extraction using Normalized Difference Vegetation Index (NDVI): A case study of Jabalpur city // Procedia technology. 2012. V. 6. P. 612–621. https://doi.org/10.1016/j.protcy.2012.10.074
  38. 38. Breiman L. Bagging predictors // Machine learning. 1996. V. 24. № 2. P. 123–140. https://doi.org/10.1023/A:1018054314350
  39. 39. Breiman L. Random forests // Machine learning. 2001. V. 45. № 1. Р. 5–32. https://doi.org/10.1023/A:1010933404324
  40. 40. Cahyana D., Barus B., Darmawan, Mulyanto B., Sulaeman Y., Huang J. Using a fuzzy logic approach to reveal soil-landscape relationships produced by digital soil maps in the humid tropical region of East Java, Indonesia // Geoderma Regional. 2022. V. 28. P. e00468. https://doi.org/10.1016/j.geodrs.2021.e00468
  41. 41. Cahyana D., Sulaeman Y., Barus B., Darmawan, Mulyanto B. Improving digital soil mapping in Bogor, Indonesia using parent material information // Geoderma Regional. 2023. V. 33. P. e00627. https://doi.org/10.1016/j.geodrs.2023.e00627
  42. 42. Hashim H., Abd Latif Z., Adnan N.A. Urban vegetation classification with NDVI threshold value method with very high resolution (VHR) Pleiades imagery // Int. Archives Photogrammetry, Remote Sensing Spatial Information Sci. 2019. V. 42. P. 237–240. https://doi.org/10.5194/isprs-archives-XLII-4-W16-237-2019
  43. 43. Hengl T., MacMillan R.A. Predictive soil mapping with R. Wageningen: OpenGeoHub foundation, 2019. 370 p.
  44. 44. Hudson B.D. The soil survey as paradigm-based science // Soil Sci. Soc. Am. J. 1992. V. 56. P. 836–841. https://doi.org/10.2136/sssajl992.03615995005600030027x
  45. 45. IUSS Working Group WRB. World Reference Base for Soil Resources. International soil classification system for naming soils and creating legends for soil maps. 4th edition. International Union of Soil Sciences (IUSS). Vienna, 2022. 234 p.
  46. 46. Khaledian Y., Miller B. A. Selecting appropriate machine learning methods for digital soil mapping // Appl. Mathema. Model. 2020. V. 81. P. 401–418. https://doi.org/10.1016/j.apm.2019.12.016
  47. 47. Lagacherie P., McBratney A. B. Spatial soil information systems and spatial soil inference systems: perspectives for digital soil mapping // Developments Soil Sci. 2006. V. 31. P. 3–22. https://doi.org/10.1016/S0166-2481 (06)31001-X
  48. 48. Legros J.P. Mapping of the Soil. Enfield, New Hampshire: Science Publishers, 2006. 411 p.
  49. 49. Manteghi S., Maravej K., Mousavi S. R., Delavar M. A., Mastinu A. Digital soil mapping for soil types using machine learning approaches at the landscape scale in the arid regions of Iran // Adv. Space Res. 2024. V. 74. № 1. P. 1–16. https://doi.org/10.1016/j.asr.2024.04.042
  50. 50. McBratney A. B., Mendonça Santos M. L., Minasny B. On digital soil mapping // Geoderma. 2003. № 117(1–2). P. 3–52. https://doi.org/10.1016/S0016-7061 (03)00223-4
  51. 51. Minasny B., McBratney A. B. Digital soil mapping: A brief history and some lessons // Geoderma. 2016. V. 264. P. 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017
  52. 52. Nabiollahi K., Taghizadeh-Mehrjardi R., Shahabi A., Heung B., Amirian-Chakan A., Davari D., Scholten T. Assessing agricultural salt-affected land using digital soil mapping and hybridized random forests // Geoderma. 2021. V. 385. P. 114858. https://doi.org/10.1016/j.geoderma.2020.114858
  53. 53. Padarian J., Minasny B., McBratney A.B. Machine learning and soil sciences: A review aided by machine learning tools // Soil. 2020. V. 6. № 1. P. 35–52. https://doi.org/10.5194/soil-6-35-2020
  54. 54. Rossiter D.G. Assessing the thematic accuracy of area—class soil maps // Soil Science Division, ITC. Enschede, Holland. Waiting publication. 2001.
  55. 55. Suleymanov A., Arrouays D., Savin I. Digital soil mapping in the Russian Federation: a review // Geoderma Regional. 2024. V. 36. P. e00763. https://doi.org/10.1016/j.geodrs.2024.e00763
  56. 56. Wadoux A.M.J.-C., Padarian J., Minasny B. Multi—source data integration for soil mapping using deep learning // Soil. 2019. V. 5. № 1. P. 107–119. https://doi.org/10.5194/soil-5-107-2019
  57. 57. Wadoux A.M.J.C., Minasny B., McBratney A.B. Machine learning for digital soil mapping: Applications, challenges and suggested solutions // Earth-Sci. Rev. 2020. V. 210. P. 103359. https://doi.org/10.1016/j.earscirev.2020.103359
  58. 58. Yang L., Jiao Y., Fahmy S., Zhu A-X., Hann S., Burt J.E., Qi F. Updating conventional soil maps through digital soil mapping // Soil Sci. Soc. Am. 2011. J. 75. P. 1044–1053. https://doi.org/10.2136/sssaj2010.0002
  59. 59. Zeraatpisheh M., Ayoubi S., Jafari A., Finke P. Comparing the efficiency of digital and conventional soil mapping to predict soil types in a semi-arid region in Iran // Geomorphology. 2017. V. 285. P. 186–204.
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека