Неопределенности цифровой почвенной картографии и возможности их преодоления

Аннотация

Цифровая почвенная картография (ЦПК) использует современные подходы и методы в области компьютерного анализа и моделирования пространственных данных о почвах. В настоящее время более 90% всех публикаций в области картографирования почв относятся к области ЦПК. Анализ наукометрических баз данных и публикаций показывает, что количество публикаций ежегодно растет, но декларируемое качество создаваемых почвенных карт при этом практически не повышается. Это связано с рядом причин, выявление которых на основе обзора научных публикаций и является целью статьи. Проведенные исследования показали, что создаваемые в рамках подходов ЦПК карты различаются по качеству. Декларируемая авторами точность моделей, используемых для создания цифровых почвенных карт, обычно варьирует от 30–40 до 70–80%. Выявлено 16 потенциальных источников ошибок на цифровых почвенных картах, которые группируются в ошибки исходных данных о свойствах почв, исходных данных о предикторах, ошибки выбора модели и ошибки, связанные с пониманием почвы как объекта моделирования. Часть источников ошибок может быть устранена в настоящее время или в ближайшей перспективе, но существуют ошибки, устранение которых представляется на данном этапе развития науки и технологий невозможным. Больше всего перспектив к существенному повышению качества цифровых почвенных карт свойств поверхностного горизонта почв, меньше всего — у карт классификационных названий почв. Наличие ошибок на почвенных картах, создаваемых методами ЦПК, должно анонсироваться при создании любой почвенной карты вплоть до маскирования участков карты с максимальными ошибками.

Литература

1.               Андроников В.Л., Королюк Т.В. Использование дистанционных методов в почвоведении и сельском хозяйстве // Почвоведение. 1985. № 5. С. 173–179.

2.               Гопп Н.В. Использование почвенно-геоморфологической базы данных для изучения пространственной изменчивости содержания гумуса, физической глины и ила в почвах Кузнецко-Салаирской геоморфологической провинции // Почвоведение. 2021. № 7. С. 783–796. https://doi.org/10.31857/S0032180X21070054

3.               Жоголев А.В., Савин И.Ю. Автоматизированное обновление среднемасштабных почвенных карт // Почвоведение. 2016. № 11. С. 45–54. https://doi.org/10.7868/S0032180X16110125

4.               Жоголев А.В., Савин И.Ю. Цифровое обновление традиционно составленных почвенных карт // Почвоведение. 2025. № 4. С. 435–448. https://doi.org/10.31857/S0032180X25040017

5.               Козлов Д.Н., Конюшкова М.В. Современное состояние и перспективы развития цифровой почвенной картографии (по материалам международного совещания, г. Логан, США, 2008 г.) // Почвоведение. 2009. № 6. С. 750–753.

6.               Савин И.Ю. Проблема масштаба в современной почвенной картографии // Бюллетень Почвенного института имени В.В. Докучаева. 2019. Т. 97. С. 5–20. https://doi.org/10.19047/0136-1694-2019-97-5-20

7.               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

8.               Савин И.Ю. Перспективы развития картографирования и мониторинга почв на основе интерполяции точечных данных и дистанционных методов // Вестн. Моск. ун-та. Сер. 17. Почвоведение. 2022. № 2. С. 13‒19.

9.               Савин И.Ю., Прудникова Е.Ю., Виндекер Г.В. и др. Стратегия спутникового мониторинга содержания органического углерода в пахотных горизонтах почв России // Бюллетень Почвенного института имени В.В. Докучаева. 2025. Т. 123. С. 65–99. https://doi.org/10.19047/0136-1694-2025-123-65-99

10.            Симакова М.С., Савин И.Ю. Использование материалов аэро- и космической съемки в картографировании почв: (пути развития, состояние, задачи) // Почвоведение. 1998. № 11. С. 1339–1347.

11.            Симакова М.С. О компьютерной картографии почв // Почвоведение. 2002. № 2. С. 133–139.

12.            Соколов И.А., Таргульян В.О. Взаимодействие почвы и среды: почва–память и почва–момент // Изучение и освоение природной среды / Отв. ред. М.И. Нейштат. М., 1976. С. 150–164.

13.            Столбовой В.С., Молчанов Э.Н. Единый государственный реестр почвенных ресурсов России как модель пространственной организации почвенного покрова // Известия Российской академии наук. Сер. географическая. 2015. № 5. С. 135–143. https://doi.org/10.15356/0373-2444-2015-5-135-143

14.            Фридланд В.М. Структура почвенного покрова. М., 1972. 423 с.

15.            Чащин А.Н., Самофалова И.А., Мудрых Н.М. Использование морфометрических показателей рельефа для почвенного картографирования пашни в условиях средней тайги в северной части Пермского края // ИНТЕРКАРТО. ИНТЕГРИС. 2021. Т. 27, № 4. С. 162–174. https://doi.org/10.35595/2414-9179-2021-4-27-162-174

16.            Adhikari K., Minasny B., Greve M.B. et al. Constructing a soil class map of Denmark based on the FAO legend using digital techniques // Geoderma. 2014. Vol. 214–215. P. 101–113. https://doi.org/10.1016/j.geoderma.2013.09.023

17.            Amundson R., Jenni H. The place of humans in the state factor theory of ecosystems and their soils // Soil Science. 1991. Vol. 151, № 1. P. 99–109.

18.            Angelini M.E., Heuvelink G.B., Kempen B. et al. Digital soil mapping of an Argentinian pampa region using structural equation modelling // Wageningen Soil Conference 2015: Soil Science in a Changing World / Eds.: B. Jansen, S.D. Keesstra, G. Mol, J. Wallinga, A.M. Zaal. Wageningen, 2015. P. 134.

19.            Arrouays D., Leenaars J.G.B., Richer-de-Forges A.C., et al. Soil legacy data rescue viaGlobalSoilMap and other international and national initiatives // GeoResJ. 2017. Vol. 14. P. 1–19. https://doi.org/10.1016/j.grj.2017.06.001

20.            Arrouays D., Richer-de-Forges A., McBratney A. et al. The GLOBALSOILMAP project: past, present, future, and national examples from France // Dokuchaev Soil Bulletin. 2018. Vol. 95. P. 3–23. https://doi.org/10.19047/0136-1694-2018-95-3-23

21.            Behrens T., Förster H., Scholten T. et al. Digital soil mapping using artificial neural networks // Journal of Plant Nutrition and Soil Science. 2005. Vol. 168, № 1. P. 21–33.

22.            Brevik E.C., Hartemink A.E. Soil Maps of the United States of America // Soil Science Society of America Journal. 2013. Vol. 77. P. 1117–1132. https://doi.org/10.2136/sssaj2012.0390

23.            Brus D.J., De Gruijter J.J., Van Groenigen J.W. Designing spatial coverage samples using the k-means clustering algorithm // Developments in Soil Science. 2006. Vol. 31. P. 183–192.

24.            Brus D.J., Kempen B., Heuvelink G.B.M. Sampling for validation of digital soil maps // European Journal of Soil Science. 2011. Vol. 62, № 3. P. 394–407. https://doi.org/10.1111/j.1365-2389.2011.01364.x

25.            Buenemann M., Coetzee M. E., Kutuahupira J. et al. Errors in soil maps: The need for better on-site estimates and soil map predictions // PLOS One. 2023. Vol. 18, № 1. https://doi.org/10.1371/journal.pone.0270176 (дата обращения: 10.10.2025).

26.            Chinilin A.V., Savin I.Yu. Comparison of the effectiveness of various ways of preprocessing spectrometric data in order to predict the concentration of organic soil carbon // Journal of Optical Technology. 2018. Vol. 85, № 12. P. 789–795. https://doi/org/10.1364/JOT.85.000789

27.            Chinilin A.V., Savin I.Yu. Combining machine learning and environmental covariates for mapping of organic carbon in soils of Russia // Egyptian Journal of Remote Sensing and Space Science. 2023. Vol. 26, № 3. С. 666–675.

28.            Ferhatoglu C, Miller B. A. Choosing Feature Selection Methods for Spatial Modeling of Soil Fertility Properties at the Field Scale // Agronomy. 2022. Vol. 12, № 8. P. 1786. https://doi.org/10.3390/agronomy12081786

29.            Gowing C., Suvannang N., Caon L. Global Soil Laboratory Network: Basic guidelines on how to produce a soil sample for proficiency testing. FAO: Rome, Italy. 2020. 7 p.

30.            Hengl T. GSIF: Global Soil Information Facilities. R Package Version 0.4-1. 2014.

31.            Hengl T., de Jesus J.M., MacMillan R.A. et al. SoilGrids1km – Global Soil Information Based on automated mapping // PLOS One. 2014. Vol. 9, № 12. e114788. https://doi.org/10.1371/journal.pone.0114788 

32.            Heuvelink G.B.M., Webster R. Spatial statistics and soil mapping: A blossoming partnership under pressure // Spatial Statistics. 2022. Vol. 50. P. 100639 https://doi.org/10.1016/j.spasta.2022.100639

33.            Huang H., Liu Y., Liu Y. et al. Digital Mapping of Soil pH and Driving Factor Analysis Based on Environmental Variable Screening // Sustainability. 2025. Vol. 17, № 7. P. 3173. https://doi.org/10.3390/su17073173

34.            Ivanova E.A., Suleymanov A.R., Nikitin D.A. et al. Machine learning-based mapping of Acidobacteriota and Planctomycetota using 16 S rRNA gene metabarcoding data across soils in Russia // Sci Rep. 2025. Vol. 15. P. 2376. https://doi.org/10.1038/s41598-025-08050-x

35.            Javidan R., Rahmati O., Soleimanpour S.M. et al. Soil properties mapping using the Google Earth Engine platform // Remote Sensing of Soil and Land Surface Processes: Monitoring, Mapping, and Modeling / Eds.: A.M. Melesse, O. Rahmati, K. Khosravi, G.P. Petropoulos. 2024. P. 385–398. https://doi.org/10.1016/B978-0-443-15341-9.00022-8

36.            Jenny H. Factors of Soil Formation: A System of Quantitative Pedology. Dover Publications, New York, 1941. P. 281.

37.            Khaledian Y., Miller B.A. Selecting appropriate machine learning methods for digital soil mapping // Applied Mathematical Modelling. 2020. Vol. 81. P. 401–418. https://doi.org/10.1016/j.apm.2019.12.016

38.            Kempen B., Brus D.J., Heuvelink G.B. et al. Updating the 1:50,000 Dutch soil map using legacy soil data: A multinomial logistic regression approach // Geoderma. 2009. Vol. 151, № 3. P. 311–326.

39.            Kempen B., Bru, D.J., Stoorvogel J.J. et al. Efficiency comparison of conventional and Digital soil mapping for updating soil maps // Soil Science Society of America Journal. 2012. Vol. 76, № 6. P. 2097–2115. https://doi.org/10.2136/sssaj2011.0424

40.            Khosravani P., Baghernejad M., Taghizadeh-Mehrjardi R. et al. Assessing the role of environmental covariates and pixel size in soil property prediction: A comparative study of various areas in southwest Iran // Land. 2024. Vol. 13. P. 1309. https://doi.org/10.3390/land13081309

41.            Lagacherie P., Arrouays D., Bourennane H. et al. How far can the uncertainty on a Digital Soil Map be known? A numerical experiment using pseudo values of clay content obtained from Vis-SWIR hyperspectral imagery // Geoderma. 2019. Vol. 337. P. 1320–1328. https://doi.org/10.1016/j.geoderma.2018.08.024

42.            Lagacherie P., McBratney A., Voltz M. Digital soil mapping: an introductory perspective. Amsterdam. Elsevier, 2006. Vol. 31. 658 p.

43.            Li X., McCarty G.W., Du L. et al. Use of topographic models for mapping soil properties and processes // Soil Systems. 2020. Vol. 4, № 2. P. 32. https://doi.org/10.3390/soilsystems4020032

44.            Ließ M., Sakhaee A. Deep learning with a multi-task convolutional neural network to generate a national-scale 3D soil data product: The particle size distribution of the German agricultural soil landscape // Agriculture. 2024. Vol. 14, № 8. P. 1230. https://doi.org/10.3390/agriculture14081230

45.            Lilburne L., Helfenstein A., Heuvelink G.B.M. et al. Interpreting and evaluating digital soil mapping prediction uncertainty: A case study using texture from SoilGrids // Geoderma. 2024. Vol. 450. P. 117052. https://doi.org/10.1016/j.geoderma.2024.117052

46.            Maynard J.J., Yeboah E., Owusu S. et al. Accuracy of regional-to-global soil maps for on-farm decision-making: are soil maps “good enough”? // Soil. 2023. Vol. 9. P. 277–300. https://doi.org/10.5194/soil-9-277-2023

47.            McBratney A.B., Santos M.L.M., Minasny B. On digital soil mapping // Geoderma. 2003. Vol. 117, № 1–2. P. 3–52. https://doi.org/10.1016/S0016-7061(03)00223-4

48.            Minasny B., McBratney A.B. A conditioned Latin hypercube method for sampling in the presence of ancillary information // Computers & Geosciences. 2006. Vol. 32, № 9. P. 1378–1388. https://doi.org/10.1016/j.cageo.2005.12.009

49.            Minasny B., McBratney A.B. Digital soil mapping: A brief history and some lessons // Geoderma. 2016. Vol. 264, № 1. P. 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017

50.            Minasny B., McBratney A.B. Machine Learning and Artificial Intelligence Applications in Soil Science // European Journal of Soil Science. 2025. Vol. 76. https://doi.org/10.1111/ejss.70093

51.            Mulder V.L., Roudier P., Arrouays D. Editorial: Digital soil mapping — advancing the knowledge frontiers // Frontiers in Soil Scince. Sec. 2023. Vol. 3. Article 1225672. https://doi.org/10.3389/fsoil.2023.1225672

52.            Odgers N., Sun W., McBratney A.B. et al. Disaggregating and harmonizing soil map units through resampled classification trees // Geoderma. 2014. Vol. 214. P. 91–100.

53.            Padala R.S., Aneesh M. Morphometric analysis of watersheds: A comprehensive review of data sources, quality, and geospatial techniques // Watershed Ecology and the Environment. 2024. Vol. 6. P. 13–25. https://doi.org/10.1016/j.wsee.2023.12.001

54.            Richer-de-Forges A.C., Chen Q., Baghdadi N. et al. Remote Sensing Data for Digital Soil Mapping in French Research: A Review // Remote Sensing. 2023. Vol. 15, № 12. P. 3070. https://doi.org/10.3390/rs15123070

55.            Saby N., Minasny B., Arrouays D. et al. Designing soil monitoring schemes for large areas based on high resolution digital soil mapping products: a case study from France // Pedometrics 2017. Jun 2017, Wageningen, Netherlands. 298 p.

56.            Suleymanov A., Arrouays D., Savin I. Digital soil mapping in the Russian federation: a review // Geoderma Regional. 2024. Vol. 36. С. e00763. https://doi.org/10.1016/j.geodrs.2024.e00763

57.            Zhang W., Fu B., Xu A. et al. Geostatistical Characteristics of Soil Data from National Soil Survey Works in China // Scientia Agricultura Sinica. 2022. Vol. 55, № 13. P. 2572–2583. https://doi.org/10.3864/j.issn.0578-1752.2022.13.008

58.            Zhogolev A., Savin I. The influence correction of boreal forest vegetation on SRTM data // Geocarto International. 2018. Vol. 33, № 6. P. 573–586. https://doi.org/10.1080/10106049.2016.1277272

59.            Zhogolev A., Savin I. Soil mapping based on globally optimal decision trees and digital imitations of traditional approaches // ISPRS International Journal of Geo-Information. 2020. Vol. 9, № 11. P. 664. https://doi.org/10.3390/ijgi9110664

60.            Zhu A.X., Band L., Vertessy R. et al. Derivation of soil properties using a soil land inference model (SoLIM) // Soil Science Society of America Journal. 1997. Vol. 61, № 2. Р. 523–533.