- Код статьи
- S3034561825110031-1
- DOI
- 10.7868/S3034561825110031
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 11
- Страницы
- 1433-1443
- 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 R = 0.88; коэффициент детерминации по валидационному набору данных R = 0.12; корень из среднеквадратической ошибки RMSEВНД = 9.7 см; средняя абсолютная процентная ошибка MAPE = 24.3%; средняя абсолютная ошибка MAE = 6.5 см. Точность моделирования, оцененная по средней абсолютной процентной ошибке (MAPE), 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).
- Ключевые слова
- предикторы климат рельеф черноземы серые лесные почвы SAGA GIS WorldClim
- Дата публикации
- 30.06.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 16
Библиография
- 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 гумусовых 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. Иванов И.В., Приходько В.Е., Замотаев И.В., Манахов Д.В., Новенко Е.Ю., Калинин П.И., Маркова Л.М., Плаксина А.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: Planetar- y-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., Khassanov 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
