Оценка эффективности различных методов построения обучающей выборки точек для прогнозного почвенного картографирования
Аннотация
В статье представлены результаты сравнительного исследования эффективности трех методов построения обучающей выборки для цифрового прогнозного картографирования почв на примере сельскохозяйственных земель Ошмянского района Республики Беларусь. На основе цифровой модели рельефа (FathomDEM) рассчитан широкий спектр предикторов – морфометрических характеристик рельефа, а также с использованием спутниковых снимков Landsat 8 —вегетационных индексов и индексов влажности. Методом главных компонент выделены три наиболее комплексные характеристики: расстояние до гидросети, глубина расчленения рельефа и уровень базиса эрозии. В исследовании сопоставляются классические подходы (произвольное распределение — 4168 точек; распределение по регулярной грид-сетке — 4633 точки) и авторский метод стратифицированного пропорционального распределения на основе факторов рельефа с последующей оптимизацией методом k-ближайших соседей. Предложенный метод позволил сократить выборку до 581 точки (снижение на 87,5% по сравнению с используемой классической методикой), обеспечив при этом сбалансированное представительство всех типов почв, пропорциональное их реальной площади.Прогнозные карты построены с использованием алгоритма градиентного бустинга (XGBoost). Оценка точности по матрицам несоответствий показала, что модель, обученная на выборке, сформированной с учетом факторов почвообразования, достигла наибольшей общей точности (87,3%) и коэффициента каппа (0,873), значительно превзойдя методы произвольного распределения (82%, каппа 0,67) и грид-сетки (79%, каппа 0,62). Средняя точность по результатам трех проверок для авторского метода составила 62,5%, что также выше, чем у альтернативных подходов (59,8% и 58,3% соответственно). Полученные результаты подтверждают, что учет пространственной структуры ведущих факторов почвообразования критически важен для повышения достоверности прогнозов и оптимизации полевых затрат.Литература
1. Геопортал земельно-информационной системы Республики Беларусь (Электронный ресурс). URL: https://gismap.by/next/ (дата обращения: 22.10.2025). 2. Дмитриев Е.А. Математическая статистика в почвоведении: Учебник. М., 1995. 320 с. 3. Чертко Н.К., Карпиченко А.А. Математические методы в географии: пособие для студентов геогр. фак. Минск, 2008. С.4 4. Матвеев А.В., Гурский Б.Н., Левицкая Р.И. Рельеф Белоруссии. Мн., 1988. С. 135 5. Общесоюзная инструкция по почвенным обследованиям и составлению крупномасштабных почвенных карт землепользования / Подгот. коллектив Почв. ин-та им. В.В. Докучаева и др. М., 1973. (Утв. Минсельхозом СССР 23.06.1972). С. 11. 6. Флоринский И.В. Теория и приложения математико-картографического моделирования рельефа: дис. ... д-ра техн. наук. М., 2010. С. 158. 7. ArcGIS Pro. Классификация и регрессия на основе леса (Электронный ресурс). URL: https://pro.arcgis.com/ru/pro-app/3.4/tool-reference/spatial-statistics/forestbasedclassificationregression.htm (дата обращения: 24.10.2025). 8. Bongiovanni M.G., Laguet A., Paniagua P. et al. Mapping soil water properties using soil samples and satellite images in the irrigated area of Biota (Spain) // Irrigation Science. 2026. Vol. 44, № 3.Р. 4. 9. Brus D.J.Sampling for digital soil mapping: A tutorial supported by R scripts // Geoderma. 2019.Vol. 338, P. 464–480 10. 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. 11. CopernicusDEM–GlobalandEuropeanDigitalElevationModel [ElectronicResource] // CopernicusDatabaseEcosystem. 2019. URL: https://doi.org/10.5270/ESA-c5d3d65 (датаобращения: 03.08.2025). 12. Gessler P.E., Moore I.D., McKenzie N.J. et al. Soil-landscape modelling and spatial prediction of soil attributes // International Journal of Geographical Information Systems. 1995. Vol. 9. 13. Goovaerts P. Geostatistics for Natural Resources Evaluation. Oxford, NY, 1997. 14. Hartigan J.A. Clustering Algorithms. NY, 1975. 15. Hengl T., Rossiter D.G., Stein A. Soil sampling strategies for spatial prediction by correlation with auxiliary maps // Australian Journal of Soil Research. 2003. Vol. 41. 16. Marcaida M. III, Workman K., Czymmek K.J. et al. Grid-based soil sampling for Northeast Region phosphorus index assessment // Soil Science Society of America Journal. 2025.Vol. 89, № 6 17. McBratney A.B., Mendonça Santos M.L., Minasny B. On digital soil mapping // Geoderma. 2003. Vol. 117, № 1–2. 18. McKay M.D., Beckman R.J., Conover W.J. A comparison of three methods for selecting values of input variables in the analysis of output from a computer code // Technometrics. 1979. Vol. 21. 19. McKenzie N.J., Ryan P.J. Spatial prediction of soil properties using environmental correlation // Geoderma. 1999. Vol. 89. 20. Minasny B., McBratney A.B. A conditioned Latin hypercube method for sampling in the presence of ancillary information // Computers & Geosciences. 2006. 21. SAGA GIS. Channel network and drainage basins (Электронныйресурс). – URL: https://saga-gis.sourceforge.io/saga_tool_doc/2.3.0/ta_channels_7.html (датаобращения: 24.10.2025). 22. Daniel Žížala, Tomáš Princ, Jan Skála et.al. Soil sampling design matters - Enhancing the efficiency of digital soil mapping at the field scale // Geoderma Regional. 2024. Vol. 39.Поступила: 26.01.2026
Принята к публикации: 26.08.2026
Дата публикации в журнале: 20.11.2026
Ключевые слова: пространственная выборка; цифровое почвенное картографирование; метод k-средних; ДДЗ; морфометрические характеристики рельефа
DOI Number: 10.55959/MSU0137-0944-17-2026-81-4-132-
Доступно в on-line версии с: 18.11.2026
-
Для цитирования статьи:

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция-Некоммерчески») 4.0 Всемирная

