Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 1. С. 178-193
Картографирование кислотности почв Предсалаирья с использованием архивных данных и алгоритма Random Forest
1 Институт почвоведения и агрохимии СО РАН, Новосибирск, Россия
Одобрена к печати: 20.11.2025
DOI: 10.21046/2070-7401-2026-23-1-178-193
Представлены результаты цифрового картографирования кислотности (pH водной суспензии) в 0–30 см слое почв Предсалаирья (Тогучинский район, Новосибирская область) с использованием архивных данных, 9 наборов предикторов и алгоритма RF (англ. Random Forest), реализованного на онлайн-платформе Google Earth Engine. Архивные данные по pH почв за период с 1983 по 1994 г. были получены из материалов исследований Западно-Сибирского государственного научно-исследовательского и проектно-изыскательского института по землеустройству (ЗапСибНИИгипрозем). Моделирование проведено на основе различного количества предикторов в наборе: 92 (все); 37 (рельеф); 26 (климат); 17 (растительность); 10 (почвенные свойства); 2 (пространственное положение); 10 (по 2 доминирующих предиктора из каждой группы факторов почвообразования); 22 (по 5 доминирующих предикторов из каждой группы факторов почвообразования); 42 (по 10 доминирующих предикторов из каждой группы факторов почвообразования). Обучающий набор данных (ОНД) содержал сведения по pH в слое почв 0–30 см для 612 почвенных разрезов, а валидационный (ВНД) — для 110. Значения коэффициентов детерминации у моделей с разными наборами предикторов для обучающего набора данных (R2ОНД) находились в диапазоне 0,70–0,86, что демонстрирует высокую объясняющую способность моделей. Однако коэффициенты детерминации для валидационного набора данных (R2ВНД) менялись в диапазоне 0,05–0,28, что указывает на слабую обобщающую способность моделей на независимых/новых данных, т. е. модели объясняли вариацию кислотности почв немного лучше, чем среднее значение. Уменьшение количества предикторов в моделях до 42 и 22 не привело к существенному увеличению R2ОНД (0,85 и 0,84 соответственно) и R2ВНД (0,25 и 0,28 соответственно) по сравнению с моделью с 92 предикторами (R2ОНД = 0,86; R2ВНД = 0,23). Сравнение всех моделей показало, что у модели с 22 предикторами самые лучшие показатели эффективности моделирования: R2ОНД = 0,84; R2ВНД = 0,28; RMSEВНД = 0,44 (англ. Root Mean Square Error); MAPEВНД = 4,8 (англ. Mean Absolute Percentage Error); MAEВНД = 0,29 (англ. Mean Absolute Error). Значения pH водной суспензии почв варьировали в пределах 4,6–8,8. Согласно составленной карте, изучаемые почвы относятся к группам с сильнокислой (5,0–6,0), слабокислой (6,0–6,5), нейтральной (6,5–7,5) и слабощелочной (7,5–8,5) реакцией среды. Сильнокислые и слабокислые почвы выявлены в северной, западной и южной части Тогучинского района, а почвы восточной и частично центральной части района характеризовались нейтральной и слабощелочной реакцией среды.
Ключевые слова: предикторы, SAGA GIS, FABDEM, Landsat-5 TM, SoilGrids, WorldClim, Западная Сибирь
Полный текстСписок литературы:
- Афанасьев В. Н., Цыпин А. П. Эконометрика в пакете STATISTICA: учеб. пособие по выполнению лабораторных работ. Оренбург: ГОУ ОГУ, 2008. 204 с.
- Вальков В. Ф., Казеев К. Ш., Колесников С. И. Почвоведение: учеб. для вузов. М., Ростов н/Д: ИКЦ «МарТ», 2004. 496 с.
- Клебанович Н. В. Динамика показателей кислотности почв при известковании // Вестн. БарГУ. Сер.: Биолог. науки. С.-х. науки. 2015. № 3. С. 99–105.
- Лукин С. В. Мониторинг плодородия пахотных почв юго-западной части Центрально-Черноземного района России // Агрохимия. 2021. № 3. С. 3–14. DOI: 10.31857/S000218812103011X.
- Почвенно-климатический атлас Новосибирской области. Новосибирск: Наука, Сиб. отд-ние, 1978. 122 с.
- Широких И. Т., Широких А. А., Родина Н. А., Полянская Л. М., Бурканова О. А. Влияние кислотности почвы и токсичности алюминия на структуру микробной биомассы в ризосфере ячменя // Почвоведение. 2004. № 8. С. 961–966.
- Adeniyi O. D., Brenning A., Bernini A. et al. Digital mapping of soil properties using ensemble machine learning approaches in an agricultural lowland area of Lombardy, Italy // Land. 2023. V. 12. Iss. 2. Article 494. DOI: 10.3390/land12020494.
- Brieman L. Random Forests // Machine Learning. 2001. V. 45. P. 5–32. DOI: 10.1023/A:1010933404324.
- Conrad O., Bechtel B., Bock M. et al. System for automated geoscientific analyses (SAGA) v. 2.1.4 // Geoscientific Model Development. 2015. V. 8. Р. 1991–2007. DOI: 10.5194/gmd-8-1991-2015.
- Dal Molin Ribeiro M. H., dos Santos Coelho L. Ensemble approach based on bagging, boosting and stacking for short-term prediction in agribusiness time series // Applied Soft Computing. 2020. V. 86. Article 105837. DOI: 10.1016/j.asoc.2019.105837.
- Defourny P., Lamarche C., Bontemps S. et al. Land cover climate change initiative — product user guide. Version 2.0. European Space Agency, 2017. 105 p. http://maps.elie.ucl.ac.be/CCI/viewer/download/ESACCI-LC-Ph2-PUGv2_2.0.pdf.
- 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 Regional. 2023. V. 32. Article e00619. DOI: 10.1016/j.geodrs.2023.e00619.
- Fick S. E., Hijmans R. J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas // Intern. J. Climatology. 2017. V. 37. Р. 4302–4315. DOI: 10.1002/joc.5086.
- Gelsleichter Y. A., Costa E. M., Cunha dos Anjos L. H., Tosta Marcondes R. A. Enhancing Soil Mapping with Hyperspectral Subsurface Images generated from soil lab Vis-SWIR spectra tested in southern Brazil // Geoderma Regional. 2023. V. 33. Article e00641. DOI: 10.1016/j.geodrs.2023.e00641.
- Gorelick N., Hancher M., Dixon M. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. 2017. V. 202. P. 18–27. DOI: 10.1016/j.rse.2017.06.031.
- Hawker L., Uhe P., Paulo L. et al. A 30 m global map of elevation with forests and buildings removed // Environmental Research Letters. 2022. V. 17. No. 2. Article 024016. DOI: 10.1088/1748-9326/ac4d4f.
- Heung B., Ho H. C., Zhang J. et al. An overview and comparison of machine-learning techniques for classification purposes in digital soil mapping // Geoderma. 2016. V. 265. P. 62–77. DOI: 10.1016/j.geoderma.2015.11.014.
- Huang H., Liu Y., Liu Y. et al. Digital mapping of soil pH and driving factor analysis based on environmental variable screening // Sustainability. 2025. V. 17. Iss. 7. Article 3173. DOI: 10.3390/su17073173.
- Malone B. P., McBratney A., Minasny B., Laslett G. M. Mapping continuous depth functions of soil carbon storage and available water capacity // Geoderma. 2009. V. 154. P. 138–152. DOI: 10.1016/j.geoderma.2009.10.007.
- Poggio L., de Sousa L. M., Batjes N. H. et al. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty // SOIL. 2021. V. 7. P. 217–240. DOI: 10.5194/soil-7-217-2021.
- Suleymanov A., Abakumov E., Polyakov V. et al. Estimation and mapping of soil pH in urban landscapes // Geoderma Regional. 2025. V. 40. Article e00919. DOI: 10.1016/j.geodrs.2025.e00919.
- World Reference Base for Soil Resources 2006: A framework for international classification, correlation and communication. World Soil Resources Reports No. 103. Rome: FAO, 2006. 145 p. https://www.fao.org/3/a0510e/a0510e.pdf.