- PII
- S3034561825110031-1
- DOI
- 10.7868/S3034561825110031
- Publication type
- Article
- Status
- Published
- Authors
- Volume/ Edition
- Volume / Issue number 11
- Pages
- 1433-1443
- Abstract
- Presents the results of digital mapping of the thickness of the humus horizon (THH) of soils of the CisSalair plain using the Random Forest (RF) machine learning algorithm implemented on the Google Earth Engine cloud online platform. A total of 92 predictors were employed to characterize soil formation factors, including climate, relief, vegetation, spatial position, and soil properties. Training (n = 718) and validation datasets (n = 130) were created based on archived materials from ZapsibNIIgiprozem (1974–1984). The following indicators of the effectiveness of THH modeling using RF algorithm were obtained: coefficient of determination for the training dataset R = 0.88; coefficient of determination for the validation dataset R = 0.12; root of the mean-square error RMSE = 9.7 cm; mean absolute percentage error MAPE = 24.3%; average absolute error MAE = 6.5 cm. The accuracy of the modeling, estimated by the mean absolute percentage error MAPE, is satisfactory. Actual data show that THH varies from 3 to 110 cm, with a tendency to decrease from northwest to southeast. The lowest (3 cm) average THH values are typical of meadow-chernozem solonetz (Salic Solonetz), and the highest (61 cm) for ordinary meadow soils (Haplic Gleysols).
- Keywords
- предикторы климат рельеф черноземы серые лесные почвы SAGA GIS WorldClim
- Date of publication
- 30.06.2025
- Year of publication
- 2025
- Number of purchasers
- 0
- Views
- 18
References
- 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
