Картографирование содержания гумуса в пахотных почвах Брянской области методами машинного обучения по данным агрохимслужбы

Аннотация

Впервые апробирована методика ФАО в рамках проекта по созданию Глобальных карт питательных веществ и их балансов (Global Soil Nutrient and Nutrient Budget Maps) для картографирования содержания гумуса в почвах на региональном уровне на примере Брянской области (РФ) с пространственным разрешением 250 м/пиксель. Карта создана в программной среде R с использованием материалов Агрохимслужбы за 2017–2022 гг., данных дистанционного зондирования Земли, общедоступных баз данных и почвенных карт. Для моделирования за точки пробоотбора были выбраны центроиды участков, с которых отбирались смешанные образцы Агрохимслужбой. Оценка значимости предикторов проведена при помощи алгоритма Boruta, используемого обычно как начальный этап для случайного леса. Создание картографической модели проводилось методом квантильной регрессии на основе случайного леса при помощи пакета caret. Коэффициент эффективности моделирования (МЕС) составил 55%, коэффициент детерминации (R2) — 0,57. Карта отражает актуальные сведения и может быть использована для мониторинга содержания органического вещества в почве и оценки состояния пахот ных почв Брянской области.

Литература

1.    Атлас Брянской области / Под ред. В.А. Смирнова. М., 1976.
2.    Гопп Н.В., Мешалкина Ю.Л., Нарыкова А.Н. и др. Картографирование содержания и запасов органического углерода почв на региональном и локальном уровнях: анализ современных методических подходов // Вопросы лесной науки. 2023. Т. 6, № 1. https://doi.org/10.31509/2658-607x-202361-120
3.    Демихов В.Т., Долганова М.В. Особенности увлажненности территории Брянской области // Вестник БГУ. 2015. № 1.
4.    Демихов В.Т., Долганова М.В., Хорина Е.В. и др. Эрозионные свойства почв Брянской области. Брянск, 2015.
5.    Доклад о состоянии и использовании ЗСН [Электронный ресурс]. 2021. URL: https://cctmcx.ru/monitoring-zemel/state_land/ (дата обращения 12.05.2024).
6.    Единая федеральная информационная система о землях сельскохозяйственного назначения [Электронный ресурс]. 2024. URL: https://efis.mcx.ru/landing/ (дата обращения 12.05.2024).
7.    Информационная система «Почвенно-географическая база данных России» [Электронный ресурс]. 2024. URL: https://soil-db.ru/ (дата обращения 06.05.2024).
8.    Левкина Г.В., Луцевич А.А. Годовой доклад об экологической ситуации в Брянской области в 2022 г. Брянск, 2023.
9.    Методические указания по проведению комплексного агрохимического обследования почв сельскохозяйственных угодий. М., 1994.
10.    Методика отбора почвенных проб по элементарным участкам поля в целях дифференцированного применения удобрений. М., 2007.
11.    Самсонова В.П., Мешалкина Ю.Л. Количественный метод сравнения почвенных карт и картограмм // Вестн. Моск. ун-та. Сер. 17. Почвоведение. 2011. № 3.
12.    Семенов В.М., Когут Б.М. Почвенное органическое вещество. М., 2015.
13.    Смагин А.В., Садовникова Н.Б., Смагина М.В. и др. Моделирование динамики органического вещества почв. М., 2001.
14.    CHELSA. [Электронный ресурс]. 2024. URL: https://chelsa-climate.org/ (дата обращения 06.05.2024).
15.    FAO – Soil Information and Data / GSNmap [Электронный ресурс]. URL: https://github.com/FAO-SID/GSNmap-TM/tree/main/Digital-Soil-Mapping/03-Scripts (дата обращения 06.05.2024).
16.    FAO. Country guidelines and technical specifications for global soil nutrient and nutrient budget maps – GSNmap: Phase 1. Rome, 2022. https://doi.org/10.4060/cc1717en
17.     Google Earth Engine. [Электронный ресурс]. 2024. URL: https://earthengine.google.com/ (дата обращения 06.05.2024).
18.    Kursa M.B., Rudnicki W.R. Feature Selection with the Boruta Package // Journal of Statistical Software. 2010. Vol. 36. https://doi.org/10.18637/jss.v036.i11
19.    Kuzyakov Y. Sources of CO2 efflux from soil and review of partitioning methods // Soil Biol. Biochem. 2006. Vol. 38. https://doi.org/10.1016/j.soilbio.2005.08.020
20.    McBratney A.B., Santos M.L.M., Minasny B. On digital soil mapping // Geoderma. 2003. Vol. 117. https://doi.org/10.1016/S0016-7061(03)00223-4
21.    Meinshausen N. Quantile regression forests // Journal of Machine Learning Research. 2006. Vol. 7.
22.    MODIS. [Электронный ресурс]. 2024. URL: https://modis.gsfc.nasa.gov/ (дата обращения 06.05.2024).
23.    Murphy B.W. Soil organic matter and soil function – review of the literature and underlying data. Canberra, 2014.
24.    OpenLandMap. [Электронный ресурс]. 2024. URL: https://openlandmap.org/ (дата обращения 06.05.2024).
25.    Sentinel-2 10m Land Use/Land Cover Time Series. [Электронный ресурс]. 2024. URL: https://www.arcgis.com/home/item.html?id=cfcb7609de5f478eb7666240902d4d3d (дата обращения 06.05.2024).
26.    Suleymanov A., Richer-de-Forges A.C., Saby N.P.A., Arrouays D., Martin M.P., Bispo A. National-scale digital soil mapping performances are related to covariates and sampling density: Lessons from France // Geoderma Regional. 2024. Vol. 37. https://doi.org/10.1016/j.geodrs.2024.e00801
27.    The R Project for Statistical Computing [Электронный ресурс]. 2024. URL: https://www.R-project.org/ (дата обращения 06.05.2024).
28.    Wadoux A.M.J.-C., Samuel-Rosa A., Poggio L., Mulder V.L. A note on knowledge discovery and machine learning in digital soil mapping // European Journal of Soil Science. 2019. Vol. 71. https://doi.org/10.1111/ejss.12909
29.    Wadoux A.M.J.-C., Saby N.P.A., Martin M.P. Shapley values reveal the drivers of soil organic carbon stock prediction // SOIL. 2023. Vol. 9. https://doi.org/10.5194/soil-9-21-2023
30.    Wadoux A.M.J.-C., Walvoort D.J.J., Brus D.J. An integrated approach for the evaluation of quantitative soil maps through Taylor and solar diagrams // Geoderma. 2022. Vol. 405. https://doi.org/10.1016/j.geoderma.2021.115332