Посилання: Агрономія 2019 №23: 202-206
Предикативні ґрунтові картографічні матеріали як елемент сучасних великомасштабних обстежень
Ю. Дмитрук, д. б. н.
ORCID ID: 0000-0002-3157-0503
В. Черлінка, д. б. н.
ORCID ID: 0000-0001-5354-4851
І. Демид, здобувач
ORCID ID: 0000-0001-5819-6390
Чернівецький національний університет імені Юрія Федьковича
https://doi.org/10.31734/agronomy2019.01.202
Анотація
Розглянуто поточний стан з ґрунтовими картографічними даними в Україні та показано, що значні території (до 33%) не покрито великомасштабними ґрунтовими обстеженнями. Показано шлях отримання карт-версій ґрунтового покриву чи картограм агровиробничих груп, суть якого полягає в морфометричному аналізі цифрових моделей рельєфу, виділенні з них ряду предикторів та пов’язанні наявних картографічних ґрунтових матеріалів з цими даними шляхом створення математичної предикативної моделі з використанням опорних точок ландшафтів та приурочених до них ґрунтових таксонів, що дозволяє заповнювати необстежені ареали прогнозними даними.
Порівняння картографічних даних, отриманих за різними алгоритмічними методиками, показує, що Random Forest володіє найбільшою прогностичною силою з усіх представлених у даному дослідженні – 89,3 % проти 54,8 % нейронної мережі та 76,8 % у к-найближчих середніх. Високий ступінь співпадіння прогнозних та картографічних даних алгоритму рандомних лісів в межах картованих ділянок дає підстави до використання отриманих матеріалів в ареалах «білих плям». За відсутності будь-яких варіантів картографічної інформації, предикативні варіанти можуть мати застосування в практиці сільськогосподарського виробництва, плануванні системи удобрення, розробки системи протиерозійних заходів тощо. У ймовірному випадку проведення чергових великомасштабних ґрунтових обстежень отримані карти-версії є елементом, який дозволить значною мірою скоротити та мінімізувати фінансові, часові та трудові витрати при польових обстеженнях за рахунок закладення напіврозрізів та прикопок замість повнопрофільних їх варіантів у випадках співпадіння прогнозних та реально спостережуваних ґрунтових відмін.
Ключові слова
ґрунтова карта, картограма агровиробничих груп ґрунтів, предикативні алгоритми, симуляція, морфометричні параметри, ЦМР
Повний текст
Посилання
- Канаш О. П. Ґрунти – провідна складова земельних ресурсів. Землеустрій і кадастр. 2013. № 2. С. 68–76.
- Черлінка В. Р. Адаптація великомасштабних карт ґрунтів до їх практичного використання у ГІС. Агрохімія і ґрунтознавство. Харків. 2015. Вип. 84. С. 20–28.
- Черлінка В. Р. Морфометричні параметри рельєфу як базис для предикативного моделювання просторового поширення ґрунтових відмін. Агрохімія і ґрунтознавство. Харків. 2017. Вип. 86. С. 5–16.
- Черлінка В. Р. Варіації прогнозної ефективності ґрунтових карт залежно від способів побудови навчальних вибірок предикативних алгоритмів. Екологія та ноосферологія. 2017. Т. 28, № 3–4. С. 55–71.
- Черлінка В. Р. Вплив роздільної здатності цифрових моделей рельєфу на якість предикативної симуляції ґрунтового покриву. Ґрунтознавство. 2017. Т. 18, № 1–2. С. 79–95.
- Черлінка В. Р., Лобова О. В. Методичні підходи до узгодження ґрунтових картографічних матеріалів на межах адміністративно-територіальних одиниць України. Наукові доповіді НУБіП України. 2018. №. 6 (76). C. 1–15.
- Cherlіnka, V. Usіng Geostatіstіcs, DEM and Remote Sensіng to Clarіfy Soіl Cover Maps of Ukraіne. Soіl Scіence Workіng for a Lіvіng: Applіcatіons of soіl scіence to present-day problems / Ed. by Davіd Dent, Yurіy Dmytruk. Cham, Swіtzerland : Sprіnger-Verlag GmbH, 2017. Part 2, chapt. 7. P. 89–100.
- EasyTrace group. Easy Trace 7.99. 2015. Dіgіtіzіng software. URL: http://www.easytrace.com (accessed 1.05.2019).
- GRASS Development Team. Geographіc Resources Analysіs Support System (GRASS GІS) Software. Versіon 7.2. 2017. URL: http://grass.osgeo.org (accessed 1.05.2019).
- Landіs J. R., Koch G. G. The Measurement of Observer Agreement for Categorical Data. Bіometrіcs. 1977. Vol. 33, no. 1. P. 159–174.
- Lіu B. Web Data Mіnіng: Explorіng Hyperlіnks, Contents and Usage Data. London New York Dordrecht : Sprіnger-Verlag GmbH, 2011. 622 p.
- QGІS Development Team. QGІS Geographіc Іnformatіon System. 2015. URL: http://qgіs.osgeo.org (accessed 1.05.2019).
- R Development Core Team. R: A language and envіronment for statіstіcal computіng. R Foundatіon for Statіstіcal Computіng. 2017. URL: http://www.r-project.org (accessed 1.05.2019).
- Rіpley B., Venables W. R-package nnet: Feed-forward neural networks and multіnomіal log-lіnear models. v.7.3-12. 2016. URL: https://cran.r-project.org/package=nnet (accessed 1.05.2019).
- Stevenson J. A., Sun X., Mitchell N. C. Despeckling SRTM and other topographic data with a denoising algorithm. Geomorphology. 2010. vol. 114. №. 3. С. 238–252.
- The Shuttle Radar Topography Mission (SRTM), NASA. U.S. Releases Enhanced Shuttle Land Elevation Data. 2015. URL: http://www2.jpl.nasa.gov/srtm (accessed 1.05.2019).
- Wright M. N., Ziegler A. Ranger: A fast implementation of random forests for high dimensional data in C++ and R. Journal of Statistical Software. vol. 77. № 1. 2017. P. 1–17.
