Полное руководство по цифровой картографии почв: введение
В этой первой статье серии мы исследуем «что, почему и как» в DSM.
Существует много определений цифровой картографии почвы или DSM, одно из них —
«Создание и заполнение баз данных почв с географической привязкой, созданных с заданным разрешением с использованием методов полевых и лабораторных наблюдений в сочетании с данными об окружающей среде посредством количественных отношений».
Существует анонимное определение, которое гласит:
«Создание карт классов и свойств почвы с использованием программного обеспечения ГИС и / или дистанционного зондирования».
С точки зрения непрофессионала, DSM — это процесс создания карты почвы путем объединения полевых и лабораторных данных (обучающая выборка) с данными об окружающей среде (вспомогательные данные/ковариаты) и последующего применения геостатистической (прогностической) модели для прогнозирования желаемого характера в оцифрованной форме.
Но зачем вообще картировать почву?
Точное земледелие или спутниковое земледелие — это святой Грааль и будущее сельского хозяйства, поскольку оно позволяет определить систему поддержки принятия решений (DSS) для управления фермой с целью оптимизации отдачи от вложений. Многие исследования показали, что точное земледелие приносит пользу фермерам с точки зрения оптимального использования удобрений, сокращения трудозатрат, повышения урожайности, меньшего количества воды и большей прибыльности. Одним из ключевых элементов точного земледелия является подробная цифровая карта почвы.
Кроме того, только почвенные карты могут также помочь определить уязвимые участки деградации земель, предотвратить деградацию за счет заблаговременного планирования и снизить затраты на рекультивацию. Почвенные карты могут даже помочь фермеру в принятии решений, ведущих к здоровой программе выращивания сельскохозяйственных культур.
Обычное картографирование почв (CSM) обычно основано на ментальной модели геодезиста, которая делит однородные области на полигоны или классы почвы. Однако, поскольку эти классы пренебрегают внутриклассовыми различиями, их трудно понять.
Основываясь на наблюдаемых значениях в местах отбора проб и других ковариациях окружающей среды, подход DSM дает быстрые измерения для прогнозирования качества почвы в областях, которые не были отобраны. В отличие от обычных почвенных карт, цифровые почвенные карты дают нам оценку точности и неопределенности созданных почвенных карт. Следующее изображение даст вам общее представление о цифровой картографии почвы:
Данные тренировки:
DSM основан не только на дистанционном зондировании. Проверка в полевых условиях и местные знания являются ценными активами. Хотя вычисления являются важной частью DSM, они не берут на себя роль описания профиля или лабораторного анализа.
Этот обучающий набор состоит в основном из наблюдений, сделанных в полевых условиях и в лаборатории. Мы также можем использовать «устаревшие данные о почве» или «геоданные» для получения этой информации. «Устаревшие данные о почве» — это, по сути, данные о почве, полученные путем сбора реальных образцов почвы и последующей компиляции их значений и атрибутов. В Индии унаследованные данные о почве поддерживаются нашим национальным агентством под названием Национальное бюро исследования почв и планирования землепользования (NBSS и LUP).
Ковариаты/вспомогательные данные:
Вспомогательные данные — это просто причудливый способ обозначить вспомогательную структуру данных или прогностические факторы. Они состоят из 7 прогностических факторов «SCORPAN+E», которые, в свою очередь, являются обобщением обычных 5 факторов почвообразования Дженни: Cl (климат), O (организм), R (рельеф), P ( исходный материал), T (время).
Фактор S= f(SCORPAN)+E является основой цифрового картографирования почв и предложен Prof. Алекс Макбратни в 2014 году.
Таким образом, почва (S) на непосещенном участке является функцией (f) почвы (S), климата ©, организмов (O), рельефа (R), исходного материала (P), возраста (A) и местоположения (N). ). E в основном представляет ошибку.
Поэтому вспомогательными данными/ковариатами могут быть данные любого типа, такие как данные о рельефе, биоклиматические факторы, такие как количество осадков и т. д.
В результате, объединяя эти обучающие наборы и вспомогательные данные в качестве предикторов и применяя прогностические модели, мы получаем модель пространственной интерференции, которая в конечном итоге создает атрибуты почвы и классы почвы и одновременно обеспечивает пространственную точность.
Геостатистические модели и модели машинного обучения:
Теперь давайте поговорим о «прогностической модели», как показано на рис. 1.
Специалисты-почвоведы используют CSM для создания нескольких почвенных карт с конца 90-х годов. В основных стратегиях использовались алгоритмы пространственной интерполяции (процесс использования точек с известными значениями для оценки значений в других неизвестных точках), основанные на геостатистике.
Обычный кригинг – это широко используемый геостатистический метод, использующий понятие пространственной автокорреляции для прогнозирования местоположений без выборки на основе наблюдаемых значений в местах выборки. Пространственная автокорреляция основана на «Первом законе географии: все связано со всем остальным, но близкие вещи связаны больше, чем отдаленные». Однако у этого метода были недостатки, такие как предположения о распределении данных, требование большего размера выборки (что требует много времени и денег) и неспособность справиться с нелинейными отношениями между ковариатами и почвой.
Для решения этих проблем широко используются современные подходы DSM, такие как DSM на основе SCORPAN и различные алгоритмы машинного обучения (ML). Они могут обрабатывать большие наборы данных со сложными отношениями между взаимно коррелированными переменными и параметрами почвы. Регрессионный кригингявляется наиболее широко используемым алгоритмом машинного обучения, за ним следуют случайные леса и деревья решений.
Итак, это был краткий обзор цифровой картографии почвы. В последующих статьях мы продолжим обсуждение наиболее часто используемых моделей машинного обучения и того, как они работают в DSM.
Надеюсь, что эта статья помогла вам получить общее представление о DSM. Жду отзывов и конструктивной критики. Вы можете связаться со мной по адресу [email protected].
