3.4: Цифрове картографування грунту
- Page ID
- 38710
Брендон Хун, Даніель Сауретт та Чак Булмер
Цілі навчання
Після завершення цієї глави студенти зможуть:
- Опишіть та раціоналізуйте перехід від звичайної інформації про ґрунт до цифрової інформації про ґрунти
- Пов'язати теорії педогенезу з додатками цифрового картографування ґрунтів
- Надайте огляд того, як цифрова інформація про ґрунт використовується для створення ґрунтових карт
ВСТУП
У всьому світі Канада має третю та сьому за величиною бази активів з точки зору лісових та орних земель; отже, точна та точна інформація про ґрунт потрібна для підтримки та вдосконалення наших ґрунтових ресурсів та вирішення значних екологічних проблем, таких як втрата сільськогосподарських земель або зниження органічних ґрунтів вуглецю і погіршення стану грунту. Без інформації про просторові закономірності ґрунту наша здатність визначати найбільш підходящі місця для реалізації нових можливостей сільського господарства та управління ресурсами та використання наших природних ресурсів буде поставлена під сумнів у майбутньому.
Попит на актуальну інформацію про ґрунти зростає для вирішення нових екологічних проблем, таких як стале виробництво продовольства; регулювання зміни клімату, адаптація та пом'якшення наслідків; деградація ґрунтів; управління земельними ресурсами; та надання послуг земної системи у всіх географічних масштабах (Санчес та співавт., 2009; ФАО та Глобальне ґрунтове партнерство, 2016). Крім того, для проведення оцінок ґрунту необхідна краща інформація про ґрунти; а також зменшення та інформування про ризики для прийняття рішень (Carré et al., 2007; Finke, 2012; Arrouays et al., 2014).
Канада має довгу історію дослідження ґрунтів - перше обстеження ґрунтів було завершено в Онтаріо в 1914 році (McKeague and Stobbe, 1978) - і карти, отримані з застарілих досліджень ґрунтів, використовувались для інформування землеустрою та планування протягом багатьох років. Оцифровані версії застарілих карт широко доступні в Інтернеті і досі використовуються донині (наприклад, інструмент пошуку ґрунту Британської Колумбії). Незважаючи на це, ґрунтознавче співтовариство добре визнано, що підходи та методи, що використовуються при застарілому обстеженні ґрунтів, можуть бути непридатними для надання точної та високої роздільної здатності інформації, необхідної сучасним управлінням сільським господарством та екологічною оцінкою. З постійним прогресом у галузі обчислювальної техніки, технологій дистанційного та проксимального зондування та географічних інформаційних систем (ГІС), діяльність з геодезії ґрунтів перетворилася на цифрові методи, які можуть надавати інформацію про ґрунти, яка є більш точною та точною, ніж те, що було раніше, та в ефективним способом.
У цьому розділі буде узагальнено перехід традиційних підходів до підходів до цифрового картографування ґрунтів (DSM); представити теоретичні основи DSM; і надасть огляд того, як нові технології можуть бути використані для створення цифрових карт ґрунту.
ЗВИЧАЙНЕ КАРТОГРАФУВАННЯ ҐРУНТУ
Два основних досягнення сприяли розвитку традиційних методів обстеження ґрунтів у Північній Америці. Першим досягненням стала формалізація факторів ґрунтоутворення Ганса Дженні (1941), а другим - формалізація національних ґрунтових таксономічних систем у США (Soil Taxonomy; Survey Staff, 1975) та Канаді (Канадська система класифікації ґрунтів, CSSC; Канада Обстеження ґрунтів Комітет, 1978; Див. Розділ 8). Системи класифікації описували, як ґрунти класифікувалися на основі морфологічних властивостей, які можна було легко виміряти та кількісно оцінити в полі. Клорпт-модель Дженні (Eqn. 1) характеризує умови навколишнього середовища, для яких ґрунти знаходять як функцію клімату (cl), організмів (o), рельєфу (r), батьківського матеріалу (p), часу (t) та інших місцевих факторів, що впливають ґрунти (...):
(1) 
Клорпт-модель спочатку була запропонована як метод вивчення того, як ґрунти змінювалися кількісно в залежності від різних факторів стану. Однією з ключових цитат, яку не помічають у книзі Дженні, є те, що він описує:
«Фактори не є формувачами, або творцями, або силами; це змінні, які визначають стан ґрунтової системи».
Іншими словами, ці фактори просто описують умови навколишнього середовища, з яких виявлено ґрунт (і їх властивості), і тому ці змінні можуть бути використані як основа для прогнозування ґрунтів за допомогою моделі, яка пов'язує ґрунт з навколишнім середовищем (тобто ґрунтово-екологічна модель).
Прийняття моделі Clorpt Дженні призвело до різких поліпшень в обстеженні ґрунту порівняно з ранніми зусиллями. Описи ґрунтів та карти почали організовуватися навколо факторів ґрунтоутворення, особливо шляхом організації ґрунтів у групи на основі властивостей їх вихідного матеріалу, а також шляхом пов'язування дрібномасштабних топографічних варіацій з кордонами між ґрунтами. Це забезпечило обґрунтування та систему прив'язки кордонів ґрунтових одиниць до топографічних ознак.
Системи класифікації ґрунтів також призвели до вдосконалення досліджень ґрунтів, оскільки вони зосереджені на найважливіших властивостях ґрунту для оцінки польових геодезистів, і вони послідовно застосовувались у кількох дослідницьких проектах, що дозволяє краще корелювати на великих площах.
Концептуальні удосконалення, пов'язані з clorpt-моделлю ґрунтоутворення та використанням стандартизованої інформації про профіль ґрунту, що надходить від застосування єдиної системи класифікації ґрунтів, значною мірою відповідали за те, що ми бачимо сьогодні як високу інформаційну цінність обстеження ґрунтів протягом всієї другої половини 20-го століття. Оцифрування цих опитувань надало цінну інформацію землеустроям, а в деяких випадках вона також надала сировину для розробки сучасних цифрових ґрунтових карт. Це було б неможливо без цих досягнень.
Звичайні зображення ґрунту
Грунти можуть бути представлені декількома способами: профіль, педон, поліпедон або картографічна одиниця (рис. 17.1). Профіль ґрунту - це двовимірне зображення, а педон - це 3-вимірне зображення, яке зазвичай становить 1-3 м збоку та 1—2 м по вертикалі. В принципі, властивості педона не повинні змінюватися по горизонталі (тільки по вертикалі) і при з'єднанні декількох подібних педонів його називають поліпедоном. Поняття поліпедону відрізняється від одиниці карти, оскільки одиниця карти, окремий багатокутник, який відображається геодезистами ґрунту, є ареальним представленням поліпедона або поліпедонового комплексу. Існує два типи картографічних одиниць: конасоціації та асоціації. Конасоціації - це одиниці карти, окреслені на основі однієї таксономічної одиниці або серії, і їх можна називати простою одиницею відображення, тоді як асоціації складаються з двох або більше різнорідних таксонів ґрунту (кілька компонентів), які виникають у занадто складному шаблоні, щоб бути вирішене у вибраному масштабі відображення (Отвір) і Кемпбелл, 1985; Шатцль і Андерсон, 2005). У випадку складних одиниць карти пропорція кожного класу ґрунту в межах одиниці карти вказується в легенді карти або символі карти.
Виготовлення звичайних ґрунтових карт
MacMillan et al. (1992) описує кроки, пов'язані зі складанням звичайної ґрунтової карти, починаючи з попередніх кроків визначення цілей, складання довідкової інформації та початкової розробки легенди. Попередні (переважно офісні) кроки супроводжуються перевірками ґрунту, картографуванням полів та кореляцією. Нарешті, складається карта, і написаний звіт. Процедури, що використовуються для створення ґрунтових карт, були широко задокументовані в період, коли ці карти вироблялися в багатьох країнах світу. У Канаді процедури та міркування щодо досягнення цілей картографування ґрунту були задокументовані в Робочій групі з картографічних систем (1981) та Коен (1987).
У звичайному опитуванні одним з ключових аспектів планування є встановлення рівня інтенсивності обстеження, який виражає обсяг виконаної (польової) роботи та рівень деталізації зібраної інформації. Рекомендації щодо опису рівня інтенсивності обстеження наведені в таблиці 17.1 (Робоча група з картографічних систем 1981; Coen, 1987).
Таблиця 17.1. Настанови щодо рівня інтенсивності обстеження ґрунту, адаптовані Робочою групою з картографічних систем (
| Рівень інтенсивності обстеження (SIL) | Загальна назва | Інтенсивність поля | Метод перевірки полів | Типова шкала публікацій | таксономічний рівень |
|---|---|---|---|---|---|
| 1 | Дуже докладний | 1 огляд на багатокутник | Пішохідний хід <0,5 км один від одного | 1:5 000 | Серія |
| 2 | Докладний | 1 перевірка в > 90% полігонів | Пішохід/транспортний хід 2 км один від одного | 1:20 000 | Серія або сім'я |
| 3 | Розвідка | 1 огляд в 60-80% полігонів | Пішохід/транспортний хід 4 км один від одного | 1:50 000 | Серія, сім'я або підгрупа |
| 4 | Широка розвідка | 1 огляд у 30-60% полігонів | Траверс автомобіля 8 км квартир/вертоліт | 1:100 000 | Сім'я або підгрупа |
| 5 | Розвідувальний | 1 перевірка в < 30% полігонів | Траверс автомобіля 10 км квартир/вертоліт | 1:250 000 | Підгрупа, велика група або замовлення |
У таблиці 17.1 представлена концептуальна схема процесу обстеження ґрунту, де екологічні дані та польові інспекції включаються в ландшафтні моделі ґрунту та використовуються для підготовки звичайної ґрунтової карти. Ландшафтна модель ґрунту є ключовою особливістю звичайного дослідження ґрунту: це були ментальні моделі, які дозволили геодезистам поширювати інформацію від польових інспекцій однієї області на інші ділянки зі схожими екологічними характеристиками, значно покращивши виробництво карт в той час, коли мережі доступу були більш обмеженими, ніж сьогодні.
Аерофотознімки, коли вони стали широко доступними, були важливою частиною процесу. Під час звичайного обстеження ґрунту маппер вперше переглянув існуючу інформацію та знання про ґрунт-екологічні зв'язки для району. Потім були переглянуті аерофотознімки з метою виявлення топографічних та рослинних закономірностей, де змінні ґрунт-навколишнє середовище демонстрували зовнішнє вираження на ландшафті, щоб спробувати співвідношення ландшафтних характеристик до кордонів ґрунту (ґрунт-ландшафтні відносини). Аерофотознімки стали широко використовуватися під час і після 1960-х років, а інтерпретація повітряних фотографій здійснювалася за допомогою стереоскопа, що дозволяє картографу бачити ландшафт у 3D, значно підвищуючи якість створюваних ґрунтових карт. Знову ж таки, посилаючись на модель Clorpt Дженні (1941), основна гіпотеза полягала в тому, що ділянки з подібними ґрунтово-екологічними характеристиками повинні мати подібні ґрунти. Була розроблена попередня розвідувальна карта шляхом накреслення кордонів між ґрунтовими одиницями, а попередня карта була випробувана в полі, де проводилася морфологічна класифікація на одиницях попередньої карти і пов'язана з таксономічною одиницею ґрунту (наприклад, серій). Коли серії були ідентифіковані, картографувальник намагався додатково окреслити або скорегувати межі одиниці карти, виходячи з того, де швидкість зміни властивостей ґрунту була найбільшою, і укласти відносно рівномірні ділянки в межах одиниць карти.
Доповнені польовими даними та описами профілів, одиниці карти з подібними морфологічними характеристиками групуються в одну таксономічну одиницю (наприклад, серії), а властивості ґрунту та діапазон умов навколишнього середовища, з якого були знайдені ґрунти, були описані в легенді ґрунтів. Звичайні дослідження ґрунтів проводилися при різній інтенсивності зйомок, що відображає кількість деталей, що зображено на карті та у відповідному масштабі карти (таблиця 17.1, рис. 17.2). Значні частини Канади були нанесені на карту таким чином, надаючи важливу інформацію для розвитку сільського господарства та природних ресурсів.
Еволюція звичайних ґрунтових карт
Оскільки більшість звичайних ґрунтових карт, які були виготовлені в Канаді до 1990-х років, були підготовлені для інвентаризації земель та регіонального планування як «напівдеталізовані» карти, і оскільки вони були виготовлені з використанням аналогових картографічних методів (тобто виготовлення друкованої карти), вони мають певні обмеження у порівнянні з поточною потребою в продуктах з високою роздільною здатністю. Представлення карти хлороплету, що використовується для представлення інформації про ґрунт на паперових картах, і відсутність технологій, доступних на той час для отримання та обробки цифрових даних про ґрунт та місцевість, є двома ключовими аспектами цих обмежень.
По-перше, дані на карті хлороплету представлені у вигляді дискретних класів, де умови приймаються однорідними в межах одиниці карти (Hole, 1978). Крім того, також визнано, що значна кількість просторового узагальнення (тобто спрощення) всередині одиниці карти відбувається через включення субдомінантних ґрунтів, які занадто малі для відображення в масштабі карти (Hole and Campbell, 1985). В результаті чистота картографічних одиниць тісно пов'язана зі складністю місцевості, зовнішнім вираженням меж, зусиллями зйомки та масштабом картографування (Beckett, 1971). Хоча було б ідеально мати ґрунтову карту, яка складається лише з простих одиниць відображення, було показано, що збільшення частки «чистих» одиниць карти на карті призведе до експоненціального збільшення витрат на розробку карти (Bie et al., 1973).
Інші питання можуть бути пов'язані з неточністю меж одиниць карти, де мінливість (або її відсутність) поверхні ґрунту не обов'язково збігається з мінливістю, яка може виникнути під землею (Hole, 1978). Крім того, зміни ґрунту не обов'язково є дискретними (як пропонується використанням меж), а скоріше, вони нечіткі, де атрибути ґрунту між двома сусідніми одиницями карти є інтерградом властивостей ґрунту двох одиниць (Zhu and Band, 1994; Schaetzl and Anderson, 2005).
Остаточна сукупність викликів випливає з розмежування одиниць карти на основі ментально-екологічних відносин, які були розроблені насамперед з цілями для конкретного картографічного продукту та місцевості. Ці цілі варіювалися від однієї карти до іншої, і хоча вони зазвичай були описані у звіті про обстеження, вони рідко підходять для включення до комп'ютерних оцінок ґрунту, що охоплюють великі площі з кількома меншими обстеженнями. Отже, невідповідності виявлялися в ґрунтових картах як неузгоджені межі одиниць карти між різними округами, штатами/провінціями та країнами (рис. 17.3; Thompson et al., 2012; Dewitte et al., 2013). Крім того, невідповідності також можуть призвести до таких проблем, як наявність декількох серій ґрунту з однаковими властивостями ґрунту, що призводить до надмірності, або ще гірше, коли дві серії ґрунтів з однаковою назвою мають абсолютно різні властивості ґрунту (Thompson et al., 2012).
Незважаючи на ці обмеження, у багатьох районах Канади та світу застарілі ґрунтові карти містять величезну кількість інформації, отриманої в результаті польових інспекцій та знань геодезистів. З цих причин вони є важливим джерелом навчальних даних для розробки цифрових карт ґрунту для задоволення поточних потреб.
ЦИФРОВЕ КАРТОГРАФУВАННЯ ҐРУНТУ
Геодезія ґрунтів, як практика, розвивається, щоб скористатися досягненнями в обчислювальних технологіях (Minasny and McBratney, 2016; Rossiter, 2018), технології дистанційного зондування (Mulder et al., 2011), проксимальні технології зондування (Viscarra Rossel et al., 2011), ГІС, методи машинного навчання (Heung et al., 2011) al., 2016) та збільшення доступності наборів геопросторових даних (McBratney et al., 2003; Minasny and McBratney, 2016; Scull et al., 2003). Отже, педометрія - галузь ґрунтознавства, яка застосовує «математичні та статистичні методи для вивчення розподілу та генезу ґрунтів» (Webster, 1994) - є новою галуззю досліджень у всьому світі. Хоча педометричні методи створення цифрових карт ґрунту (DSM) існують ще з 1970-х років (наприклад, Webster and Burrough, 1972a, 1972b), технологічний прогрес полегшив виробництво продуктів DSM з 2000-х років (McBratney et al., 2003; Scull et al., 2003; Minasny and McBratney, 2016) . Крім того, ці досягнення також дозволили створювати ґрунтові карти для поступово більших площ та збільшення рівня деталізації (Minasny and McBratney, 2016).
Деякі з основних досягнень, які зробили педометрики у всьому світі, включали, але не обмежуючись цим, створення GlobalSoilmap.net, міжнародної організації, яка має на меті координувати та виробляти глобальні цифрові ґрунтові карти; та створення SoilGrids.org, організація, яка першою розробила набір глобальних картографічних продуктів. У Канаді це все ще розвивається та розвивається область досліджень у сільськогосподарському, лісовому та екологічному секторах з 2010 року. З великим успіхом спільнота DSM надає цінну інформацію в різних просторових масштабах різним зацікавленим сторонам, включаючи землевласників, фермерів, урядів та лісових менеджерів.
Етапи виробництва цифрових карт ґрунту (після Kienast-Brown et al. 2017) порівнюються з етапами для звичайних карт на малюнку 17.4. Два методи розробки карт поділяють кілька спільних кроків, особливо необхідність детальних польових оглядів та вміння правильно описувати та інтерпретувати дані профілю ґрунту. Для цифрових карт ґрунту специфікації інформаційного змісту та рівня деталізації визначаються цільовою просторовою роздільною здатністю, де виводиться рівень деталізації, та на етапі навчальних даних, де визначаються модельовані атрибути. Деякі організації розробили специфікації картографування для виробництва цифрових карт ґрунту (наприклад, ФАО та Міжурядова технічна група з ґрунтів, 2018).
Звичайне та цифрове картографування ґрунту відрізняються насамперед тим, як класи ґрунту або значення атрибутів присвоюються місцезнаходженням. У звичайному картографуванні ґрунту використовується поєднання польової інспекції, екстраполяції та експертних знань, тоді як в цифровому картографуванні ґрунту для прогнозування ґрунтових умов у заданих місцях використовуються польова інформація та кількісні моделі висновків. Концептуальна основа DSM, представлена на малюнку 17.5, підкреслює роль, яку алгоритми машинного навчання відіграють у виробництві цифрової карти ґрунту. Критичне значення має потреба в даних польових інспекцій як у звичайних, так і в цифрових підходах до картографування ґрунту - DSM не усуває потреби в підготовлених педологів та геодезистів - основна відмінність полягає в тому, як польові дані використовуються для побудови ґрунтових карт.
Важливо визнати, що в той час як звичайні карти ґрунту представляють одиниці ґрунтової карти за допомогою полігонів, DSM має на меті створювати карти за допомогою растрового представлення. Растрові дані складаються з сітки двовимірних комірок (тобто пікселів), в якій кожна комірка має географічне положення (наприклад, довготу і широту) і відповідне значення змінної. На малюнку 17.6 показано порівняння звичайної карти ґрунту, яка представлена у форматі багатокутника, і цифрової карти ґрунту, яка представлена в растровому форматі. У межах DSM растрові дані можуть представляти атрибути ґрунту (наприклад, рН ґрунту), клас ґрунту (наприклад, клас дренажу) або один із факторів навколишнього середовища, який використовується для створення просторових прогнозів ґрунтів.
Критичним для представлення растрових даних є поняття просторової роздільної здатності; тобто розмірність кожної комірки щодо площі, яку вона представляє на землі. Наприклад, просторова роздільна здатність 10 м вкаже на те, що кожна комірка сітки або піксель буде представляти область 10 × 10 м на землі. Зрештою, просторова роздільна здатність визначатиме рівень деталізації або точність ґрунтової карти та її використання. Наприклад, карта з дрібною або високою роздільною здатністю (наприклад, просторова роздільна здатність 5—10 м) може бути більш корисною для представлення мінливості ґрунту окремих сільськогосподарських полів для точних сільськогосподарських цілей, тоді як карта грубої або низької роздільної здатності (наприклад, просторова роздільна здатність 250—1000 м) може бути більш практичною для що представляє мінливість ґрунтів у глобальному масштабі та інтеграцію цих даних у глобальні кліматичні моделі. Тому, вибираючи відповідну просторову роздільну здатність, маппер ґрунту повинен враховувати, для чого ця карта використовується, та просторову роздільну здатність вхідних даних, необхідних для створення цих карт.
Звичайно, існує також компроміс між просторовою роздільною здатністю та розміром даних, завдяки чому дані з більш високою роздільною здатністю більші за розміром, ніж дані з нижчою роздільною здатністю. Наприклад, коли просторова роздільна здатність збільшується в два рази (наприклад, зменшення розміру комірки з 10 × 10 м до 5 × 5 м), розмір набору даних може бути збільшений у чотири рази, оскільки тепер потрібні чотири пікселі для представлення тієї ж площі, що і вихідний піксель. На малюнку 17.7 показана залежність між просторовою роздільною здатністю та деталізацією топографічних даних.
Модель скорпана
Незважаючи на широке використання моделі Clorpt Дженні (1941), вона все ще значною мірою є концептуальною моделлю; однак, якщо посилатися на його цитату, слід нагадати, що фактори clorpt є змінними, що описують навколишнє середовище. Щоб застосувати цифрові підходи, нам потрібно визнати, що ці фактори clorpt також можуть бути представлені за допомогою ГІС - комп'ютеризованої системи, яка здатна збирати, зберігати, аналізувати та візуалізувати просторові дані. Щоб повністю здійснити теоретичний перехід від звичайних до цифрових підходів до картографування ґрунту, McBratney et al. (2003) запропонували модель скорпана як розширення моделі clorpt у наступному:
(2) 
Модель скорпана поділяє ті самі змінні, що і модель clorpt, яка включає клімат (c), організми (o), рельєф (r), батьківський матеріал (p) та час/вік (a). Додаткові змінні включають s, що представляє внутрішні властивості ґрунту (наприклад, спектральні властивості ґрунту), які можуть бути захоплені різними віддаленими та проксимальними датчиками; і n, який представляє просторові координати зразка або розташування відносно інше географічне явище (наприклад, відстань до річки). Тут окремі фактори скорпану, або їх комбінація, використовуються для прогнозування розподілу властивості ґрунту або класу ґрунту, S, що цікавить, за допомогою кількісної функції f (), що представляє зв'язок ґрунт-навколишнє середовище.
Представлення факторів скорпана
Ефективність моделі скорпана полягає в її гнучкості для інтеграції даних з існуючих досліджень ґрунту та наборів геопросторових даних, отриманих з декількох джерел, таких як дані дистанційного зондування, цифрові дані про висоту, кліматичні дані, дані землекористування та геологічні дані (McKenzie and Ryan, 1999). Ці фактори скорпана представлені у растровому форматі, і тому кожен набір даних також має відповідну просторову роздільну здатність та проекційну систему. Отже, кожен окремий набір даних може знадобитися перепроектувати в загальну проекційну систему та масштабувати до рівномірної просторової роздільної здатності, щоб усі окремі комірки різних наборів даних були просторово вирівняні (рис. 17.8).
Нижче наведено короткий огляд факторів скорпана.
Грунт (и)
Фактор s є другим найбільш часто використовуваним фактором в дослідженнях DSM (McBratney et al., 2003). Знову ж таки, фактор s заснований на концепції, що ґрунти можуть використовуватися для прогнозування ґрунтів, і тому існує безліч джерел, з яких ці дані можуть бути отримані: звичайні дані обстеження ґрунту, проксимальні датчики ґрунту та дистанційні датчики.
Звичайне обстеження ґрунту: Звичайні карти ґрунту представляють собою велику кількість інформації, отриманої в результаті багаторічних польових робіт попередніми поколіннями ґрунтознавців, і тому вони є надзвичайно цінними джерелами інформації, яка може бути використана для цілей прогнозування через взаємозв'язок, що різні змінні грунту мають один з одним. Наприклад, Paul et al. (2020a; 2020b) використовували ґрунти району карти Ленглі-Ванкувер (Luttmerding, 1980) для генерації цифрових шарів піску, мулу та глини; і ємність катіонного обміну, які потім використовувалися як предиктори для картографування органічного вуглецю ґрунту та оброблюваності ґрунту для нижнього Фрейзера Долина, до н.е. В обох дослідженнях предиктори, отримані в результаті первинного звичайного обстеження ґрунту, були визначені як найважливіші шари. Хоча підходи до геодезії ґрунтів перейшли на цифрові методи, звичайні ґрунтові карти не слід ігнорувати, оскільки вони залишаються цінним та додатковим джерелом інформації в рамках DSM.
Дистанційні датчики: Дистанційні датчики призначені для вимірювання поверхні Землі без будь-якого фізичного контакту і тому встановлюються на літаку або супутнику. Тут важливо визнати, що дані, отримані в результаті дистанційного зондування, можуть бути використані для представлення декількох факторів скорпану. У комплекті віддалених датчиків спектральні датчики (наприклад, багатоспектральні, гіперспектральні), які виявляють відбиту або випромінювану енергію з електромагнітного спектра, найбільше використовуються в DSM (McBratney et al., 2003; Mulder et al., 2011). Наприклад, Landsat 8 забезпечує вимірювання видимого (наприклад, червоного, зеленого, синього довжин хвиль) та інфрачервоного (наприклад, ближнього інфрачервоного, короткохвильового та довгохвильового) світла. Крім того, різні спектральні датчики можуть бути також встановлені на літальному апараті або дистанційно пілотованій повітряній системі (RPAS), якщо потрібні дані з більш високою просторовою роздільною здатністю (рис. 17.9).
Існує кілька питань, пов'язаних з використанням спектральних датчиків для цілей DSM, особливо з огляду на те, що вимірювання ґрунту часто затьмарюються рослинністю. Крім того, атмосферні ефекти та топографічні спотворення можуть спричинити аномальні вимірювання. Крім того, при використанні спектральних датчиків потрібно враховувати день і час, за які знімки знімаються. Нарешті, дистанційні датчики зазвичай отримують лише дані, які є репрезентативними для поверхневих ґрунтів (5—6 см; Adamchuk et al., 2017). Однак, незважаючи на ці проблеми, в умовах оголеного ґрунту вимірювання спектральних властивостей ґрунту показали, що вони добре відповідають таким властивостям ґрунту, як мінералогія ґрунту, текстура, органічна речовина ґрунту, вологість ґрунту та інші властивості ґрунту (Mulder et al., 2011).
Проксимальні датчики ґрунту: У той час як дистанційні датчики є повітряними або космічними, проксимальні датчики - це набір наземних датчиків, які призначені для вимірювання властивостей ґрунтів, які можуть бути корельовані з іншими властивостями ґрунту. Враховуючи, що вимірювання проводяться на землі, проксимальні датчики ґрунту можуть характеризувати мінливість ґрунту з більшою просторовою роздільною здатністю, ніж дані дистанційного зондування; і, як наслідок, ці датчики є більш сприятливими для картографування ґрунтів у польовому масштабі. На малюнку 17.10 показаний безпілотний наземний апарат, який був оснащений системою гамма-радіометричних датчиків.
Серед проксимальних датчиків ґрунту датчики електромагнітної індукції (EMI) були робочими конячками для досліджень DSM та точного землеробства (Doolittle and Brevik, 2014). Датчик EMI вимірює видиму електропровідність (EC a) ґрунту через кілька інтервалів глибини. У поєднанні з глобальною системою позиціонування (GPS) дані обстеження EMI часто використовуються як предиктор властивостей ґрунту, таких як солоність ґрунту, вміст глини та вміст води; однак вторинні атрибути ґрунту, такі як насипна щільність ґрунту та органічний вуглець ґрунту, також можуть бути отримані з вимірювань EC. Датчики EMI - це все, крім одного типу проксимальних датчиків - інші можуть включати гамма-радіометричні датчики, наземний радар та датчики електричного опору (серед багатьох). Зацікавленим читачам пропонується звернутися до Viscarra Rossel et al. (2011) та Adamchuk et al. (2017) для детального огляду цих систем.
Клімат (c)
Цей фактор є одним з найменш використовуваних факторів скорпана (McBratney et al., 2003) —на думку приходить кілька можливих пояснень. По-перше, на місцевий клімат значною мірою впливає топографія, і, як наслідок, топографічні індекси, такі як висота та аспект, можуть використовуватися як проксі для змінної клімату через взаємозв'язок між висотою та швидкістю розриву навколишнього середовища та залежністю між напрямком нахилу та температура (Шатцль і Андерсон, 2005). Однак, оскільки масштаби досліджуваної площі збільшуються до національних та глобальних масштабів, було показано, що великомасштабні кліматичні закономірності є важливим контролем за різними властивостями ґрунту - це було очевидно в глобальному продукті SoilGrids250m (Hengl et al., 2017). Що стосується кліматичних шарів, загальні змінні включають середню річну температуру, середньорічні опади та випаровування (McBratney et al., 2003). Ці набори даних можуть бути отримані з датчиків, встановлених на супутниках; однак також можуть використовуватися дані кліматичної моделі, часто отримані від метеостанцій (наприклад, WorldClim, Climatena) (рис. 17.11). Окрім використання сучасних кліматичних умов як вхідних даних у модель, історичні та прогнозовані майбутні умови також можуть бути використані для моделювання наслідків зміни кліматичних умов щодо розуміння просторових та часових моделей властивостей ґрунту.
Організми (o)
Основним джерелом даних про рослинність, що використовуються в DSM, можуть бути отримані з супутникових знімків, де численні вегетативні індекси були розроблені на основі супутникових діапазонних коефіцієнтів (Mulder et al., 2011). Мабуть, найбільш часто використовуваною змінною є нормований різницевий індекс вегетації (NDVI), який забезпечує міру вегетативної зеленості як функції довжин хвиль ближнього інфрачервоного та червоного кольорів від багатоспектральних зображень. Також було показано, що NDVI та інші дані дистанційного зондування, такі як тепловізійні знімки, є ефективним прогнозом вологості ґрунту, кольору ґрунту, текстури ґрунту та водоутримуючої здатності; і він також ефективний при оцінці росту рослин (рис. 17.12; Mulder et al., 2011). Крім NDVI, подібні індекси можуть включати Індекс рослинності, скоригований ґрунтом (SAVI), Трансформований SAVI (TSAVI), модифікований SAVI (MSAVI) та Індекс глобального моніторингу навколишнього середовища (GEMI). Такі дослідження, як Paul et al. (2020), виявили корисність цих змінних для картографування органічного вуглецю та глини ґрунту в нижній долині Фрейзера, Британська Колумбія; тоді як Heung et al., (2017) використовували подібні змінні для картографування великих груп ґрунту для регіону Оканаган-Камлупс, до н.е. Подібні індекси також можуть бути розраховані за допомогою знімків, отриманих з RPAS, який оснащений мультиспектральним або гіперспектральним датчиком. Хоча ці індекси широко використовуються в DSM, на дані впливатиме сезон і рік, з якого було зроблено зображення. Якщо маппер ґрунту потребує інформації про рослинний покрив, знімки, зроблені протягом усього вегетаційного періоду, будуть кориснішими, ніж зображення після збору врожаю.
Окрім використання необроблених супутникових знімків, дослідники у всьому світі вже обробляли величезну кількість знімків для створення карт земного покриву. Наприклад, Північноамериканська система моніторингу змін земель надає карти земного покриву на 2005, 2010 та 2015 роки з просторовою роздільною здатністю 30 м; а для канадського прикладу, сільське господарство та агропродовольство Канади розробили щорічні дані інвентаризації сільськогосподарських культур, які з тих пір надають інформацію про врожай національного масштабу 2009 (рисунок 17.13). Однак необхідно визнати, що ці набори даних генеруються за допомогою прогнозних моделей; отже, для картографувальника ґрунту важливо звернутися до супровідної документації для цих продуктів та відзначити їх точність.
В інших випадках дані врожаю також використовувались як коваріат для просторового прогнозування; наприклад, врожайність сільськогосподарських культур є результатом взаємодії між ґрунтами, рослинами та атмосферою. Тому дані врожайності можуть використовуватися як показник властивостей ґрунту, оскільки на ріст рослин впливають такі властивості, як вміст глини, вологість та вміст поживних речовин (Shatar and McBratney, 1999; McBratney et al., 2000). У лісових умовах можлива можливість може полягати у використанні даних інвентаризації лісів, де змінні лісу, такі як базальна площа, загальний загальний об'єм, щільність стенду, висота стенду та надземна біомаса, можуть дати деяке розуміння властивостей ґрунту. Особливо з розвитком даних, отриманих за допомогою технологій виявлення світла та діапазону (LiDAR), дані інвентаризації лісів можуть стати більш поширеними як предиктор (Woods et al., 2011; Treitz et al., 2012). На малюнку 17.14 показана цифрова модель поверхні, яка фіксує мінливість врожаю та висоти дерева за допомогою LiDAR.
Рельєф (r)
Добре визнано, що фактор r є найбільш використовуваним фактором в межах DSM (McBratney et al., 2003). Одним із основних елементів у дослідженнях DSM було використання цифрової моделі висот (DEM) - растру, який складається з значень висоти. DEMs можуть бути отримані з декількох джерел: оцифровані контурні карти; інтерпольовані з наземних вимірювань; і отримані з дистанційного зондування за допомогою супутникових або RPA-датчиків.
DEMs особливо корисні, оскільки вони легко доступні і, як правило, безкоштовні для доступу; наприклад, існують різні провінційні та федеральні продукти DEM, які доступні через онлайн-веб-портали, а також в тих районах країни, де немає доступних даних DEM, глобальні продукти DEM, такі як Shuttle Radar Також можна отримати доступ до топографічної місії (SRTM) або розширеного космічного випромінювання та відбиття радіометра (ASTER). Як загальна рекомендація, перед використанням будь-якого ЦМР завжди важливо, щоб ґрунтовий маппер візуально оцінив ЦМР, створивши відшарування (3D-подібне) зображення топографічної поверхні (рис. 17.15). Це допоможе картографу оцінити кількість та типи аномалій ЦМР через якість вихідних даних та методи, що використовуються для створення ЦМР; а також чи слід застосовувати методи попередньої обробки (наприклад, згладжування, заповнення котловану або видалення дороги).
Значення ЦМР походить від його гнучкості при обчисленні великого набору топографічних змінних. Наприклад, ЦМР може використовуватися для характеристики морфометрії локального масштабу (наприклад, нахилу, аспекту, кривизни), морфометрії ландшафтного масштабу (наприклад, відносного положення схилу) та гідрологічних закономірностей (наприклад, топографічного індексу вологості) — всі вони впливають на ґрунтові структури (рис. 17.16). Насправді аналіз поверхні землі за допомогою різних математичних та статистичних методів та розробка нових топографічних змінних є частиною наукової дисципліни, відомої як Геоморфометрія.
У Канаді високоякісні DEMs були використані як основа для картографування ґрунтових материнських матеріалів (Heung et al., 2014), типів ґрунтів (Heung et al., 2016) та товщини ґрунту (Scarpone et al., 2016) у всій BC; та відображення глибини ґрунту та текстурних класів по всьому ON (Akumu et al., 2015; Akumu et al., 2016). Насправді ці дослідження, як правило, використовували лише дані, отримані від DEM-класу.
Крім того, топографічні змінні також можуть використовуватися для розмежування ознак рельєфу (рис. 17.17). У Pennock et al. (1987) комбінації плоскої форми (зміна аспекту) та кривизни профілю (зміна нахилу) були класифіковані на серію з семи елементів рельєфу (тобто, розбіжні/конвергентні плечі; розбіжні/сходяться назад нахили; розбіжні/сходяться підступні; і рівні поверхні), що охарактеризовано топографічний контроль за витратою осаду і води. Як результат, подібні схеми ландшафтної класифікації можуть бути застосовані за допомогою DEM (наприклад, MacMillan et al., 2000, 2004) в напівавтоматичному підході.
Батьківський матеріал (р)
Інформація про ґрунтові батьківські матеріали, як правило, отримується з оцифрованих геологічних карт; отже, вони поділяють подібні просторові проблеми зі звичайними картами обстеження ґрунту, за допомогою яких може бути комбінація складних одиниць карти; кількість деталей контролюється масштабом відображення; і детальні карти можуть бути обмежена в охопленні. Як результат, ґрунтовий батьківський матеріал є атрибутом ґрунту, який раніше був нанесений на карту з використанням прогнозних підходів; наприклад, Heung et al. (2014) створив карту батьківського матеріалу для Нижньої долини Фрейзера, до н.е.
При використанні оцифрованих геологічних карт важливо розпізнати джерело матеріалу, з якого виведений грунт (рис. 17.18). Наприклад, геологічна карта ґрунтових порід, ймовірно, знайде більше застосування в нельодовикових середовищах, де ґрунт значною мірою походить від вивітрених корінних порід. Однак канадські ландшафти переважно льодовикові, і тому осад, що накладається, може мати контрастні властивості до основи, і, отже, поверхнева геологічна карта була б більш корисною, оскільки вона характеризує матеріал, який транспортувався та осідав на корінній породі. Ці зусилля з картографування підкреслили тісний зв'язок між топографією та батьківським матеріалом, особливо в льодовикових середовищах, тому комбінації похідних топографії часто використовуються в DSM як сурогат для батьківського матеріалу.
Вік (а)
Віковий фактор може бути використаний для опису того, як довго відбувся педогенез і може бути оцінений як вік землі або матеріалу, з якого розвинувся ґрунт (McBratney et al., 2003). У межах DSM дуже мало прикладів, коли ця інформація була використана через труднощі з характеристикою віку ґрунту у форматі, який був би сприятливим для використання в ГІС. Одним з потенційних варіантів включення фактора в рамках DSM було б включення інформації про те, як люди змінили ландшафт і тим самим впливаючи на атрибути та типи ґрунту.
Просторове положення (n)
Коефіцієнт n може бути включений декількома способами: використовуючи просторові координати місць розташування зразків ґрунту або за допомогою растрового шару, який представляє відстань до якогось географічного явища.
Просторові координати зразків ґрунту: Прогнозування ознак ґрунту може здійснюватися за допомогою лише просторових координат самих зразків ґрунту. Тут ми повинні ввести Перший закон про географію Вальдо Тоблера (Tobler, 1970), який говорить:
«Все пов'язане з усім іншим, але близькі речі більше пов'язані, ніж далекі речі».
Тому при застосуванні до DSM ми можемо сказати, що два зразки ґрунту, які знаходяться в безпосередній близькості, частіше мають схожі властивості ґрунту, ніж два зразки ґрунту, розташовані далеко один від одного. Як результат, зв'язок між місцем відбору проб, його відповідним значенням ґрунту та його відстанню до сусідніх місць відбору проб може бути використана для прогнозування (тобто інтерполяції) значень ґрунту між цими місцями за допомогою геостатистичних підходів. Хоча огляд геостатистики далеко виходить за рамки цього підручника, студенти, які взяли клас просторового аналізу, були б знайомі з інтерполяторами, такими як зворотне зважування відстані та підходи до кригінгу.
У межах Канади геостатистичні підходи були використані для характеристики мінливості ґрунту ще в 1980-х роках У Раймонді, Альберта, Чанг та ін. (1988) створили сітку з 64 точок відбору проб над сільськогосподарським полем 20 × 25 м для відображення вмісту піску та солоності ґрунту за допомогою кригінгу для полегшення зрошення практики на засолених грунтах. У лісовій системі, розташованій на південному заході до н.е., Chandler et al. (2008) застосували подібний підхід, використовуючи сітчасту вибірку та кригінг для оцінки локалізованих, просторових закономірностей поживних речовин лісової підстилки під впливом великого листа клена в хвойно-домінуючому стенді.
Растр на основі відстані: Інформація про просторове положення також може бути включена шляхом обчислення відстані або близькості кожного пікселя в межах досліджуваної області до певного географічного явища або контрольної точки для захоплення контекстної інформації про ландшафт. Наприклад, за допомогою мережі потоків може бути розрахований шар відстані до найближчого потоку; крім того, подібні шари на основі відстані можуть бути розраховані, щоб представляти близькість до океану, озер, річок, геоморфних особливостей та багатьох інших об'єктів. Такі дослідження, як Heung et al. (2014), виявили, що при відображенні ґрунтових батьківських матеріалів для Нижньої долини Фрейзера, до н.е., шари, що представляють відстань до найближчого потоку та до річки Фрейзер, мали важливе значення для прогнозування розподілу річних матеріалів.
Відбір проб ґрунту
Фундамент обстеження ґрунту лежить на підборі репрезентативних місць відбору проб. Завдяки меншій кількості ресурсів, доступних для завершення великих польових програм та останніх досягнень обчислювальних інструментів, нові методи оптимізації вибору місця вибірки використовуються для підвищення точності прогнозних моделей при одночасному отриманні ефективності вибірки полів. Відбір проб ґрунту в DSM прагне зібрати інформацію для розуміння розвитку та розподілу ґрунтів, виражених ґрунтоутворюючими факторами (Jenny, 1941) або змінними моделі скорпана (McBratney et al., 2003). Найосновніше, конструкція відбору проб спрямована на репрезентативне вибірку з географічної зони, що представляє інтерес, та всіх ґрунтоутворюючих факторів (тобто коваріатів); основне припущення полягає в тому, що просторова мінливість властивостей ґрунту, що прогнозується, може бути пояснена екологічними коваріатами.
Існує багато підходів до проектування вибірки, включаючи статистичні та геометричні підходи, які прагнуть вибрати зразки випадковим чином з усіх можливих місць вибірки (населення) або розподілити місця вибірки в географічному просторі на основі просторового положення або координат, а також підходи, які використовують допоміжні дані для виберіть вибіркові місця, які зазвичай називають підходами до простору об'єктів.
В основі кожної програми вибірки лежить питання про те, які атрибути вимірювати в кожному місці поля. Це питання тісно пов'язане з проблемою, яка була загальною для звичайного картографування ґрунту, а саме з розробкою легенди карти. Залежно від рівня деталізації, бажаного в кінцевому продукті, та наявних ресурсів обстеження, потреба в агломерації та поділі класів ґрунтів, вимоги до глибини для оцінки властивостей ґрунту та конкретні методи відбору проб та аналізу поля впливають на остаточну карту та типи інформація в навчальному наборі даних. Зрештою, ці міркування повинні підтримувати початкові цілі, визначені для проекту DSM.
Найбільш часто використовувані геометричні підходи включають вибірку сітки (GS), просту випадкову вибірку (SRS), стратифіковану випадкову вибірку (STR), пересектну вибірку (TS), кластерну вибірку (CS) та вкладену вибірку (NS). Сітка вибірки ділить досліджувану область на рівномірно розташовану регулярну сітку з місцями вибірки в центрі кожної сітки; розмір сітки визначається користувачем на основі деяких критеріїв, як правило, часу, бюджету або попередніх знань необхідної щільності вибірки. Проста випадкова вибірка створює ділянки вибірки, які вибираються повністю випадковим чином (Brus et al., 2011) з наявної області дослідження з однаковою ймовірністю вибору (Biswas and Zhang, 2018). Стратифікована випадкова вибірка схожа на SRS за винятком того, що область підрозділяється на більш дрібні блоки, звані стратами, і SRS застосовується до пластів (Brus and de Gruijter, 1997). Розмір пластів може бути використаний для зважування вибірки, в результаті чого відбувається пропорційна вибірка пластів (Pennock and Yates, 2007). Перетин вибірки - це форма кластерного відбору проб, де зразки відбираються з однаковими інтервалами на відстані вздовж лінії (de Gruijter and Marsman, 1985). При кластерному відборі місця вибірки згруповані тісно, метод, який використовується для забезпечення відбору проб на пересіченій місцевості з недоступними ділянками без шкоди для точності (Biswas and Zhang, 2018). Вкладена вибірка зазвичай застосовується у поєднанні з іншими конструкціями вибірки та кількісно визначає мінливість даних на різних відстанях, концепцію, що походить від геостатистики. Приклади зразкових конструкцій наведені на малюнку 17.19.
Особливістю космічних підходів розглядаються значення екологічних коваріатів у місцях відбору проб. Нечіткі k-середні вибірки (FKMS) використовує алгоритм кластеризації k-середніх для мінімізації відстані між місцями вибірки, але ця відстань знаходиться в коваріативному просторі, а не в географічному просторі (Brus, 2019). Умовна латинська вибірка гіперкуба (CLHs) була запропонована (Minasny and McBratney, 2006) як модифікація латинської вибірки гіперкуба (Mckay et al., 1979). З багатьма коваріатами повний факторний експеримент неможливий - латинський гіперкуб вибірки дозволяє вибірку всіх коваріатів з одним зразком на шари (Brus, 2019).
Оптимальна конструкція вибірки повинна забезпечувати адекватне охоплення як географічного, так і функціонального простору. Це можна оцінити за допомогою різних інструментів. Для охоплення простору функцій, як правило, порівняння охоплення простору ознак місць вибірки та всієї досліджуваної області може бути завершено для визначення адекватності конструкції вибірки. Існують інструменти для оптимізації вибірки з точки зору географічного простору та з точки зору простору функцій, однак злиття цих двох стратегій оптимізації вибірки залишається важливою областю досліджень. Одним з аспектів, яких бракує існуючих стратегій вибірки, є інформація щодо оптимальної кількості сайтів, необхідних для оптимізації прогнозної здатності моделі, що використовується для DSM. Зацікавленим читачам рекомендується звернутися до Brus et al. (2011) та Biswas and Zhang (2018) для більш детального ознайомлення з дизайном вибірки.
Проектування відбору проб та відбір проб ґрунту створюють багато технічних та логістичних проблем. На етапі проектування відбору проб ґрунтовий маппер повинен враховувати особливості, яких слід уникати під час відбору проб, особливо з огляду на використання комп'ютерних алгоритмів, які не можуть розпізнати ці обмеження при відборі місць вибірки. Наприклад, антропогенні особливості, такі як дороги, будівлі, кар'єри та природні об'єкти, такі як водні об'єкти, як правило, мало цікавлять ґрунтових картографістів і повинні бути видалені з шарів інформації, яка використовується для розробки зразкового плану. Аналогічно, у важкій місцевості або віддалених районах можна обмежити процес відбору зразків керованою буферною відстанню від під'їзних шляхів. Доступ до приватних земель для відбору проб ґрунту може бути складним завданням. Обмеження проекту відбору проб громадськими землями в більшості випадків недоцільно і недоцільно, і як такий дозвіл від землевласників повинен бути отриманий для завершення відбору проб ґрунту польових робіт. Поширеною проблемою, яка виникає, є необхідність альтернативного відбору проб ділянки, коли доступ до приватної землі відмовляється. Незважаючи на те, що виходить за рамки цього вступу до DSM, дослідники розробляють стратегії модифікації та адаптації алгоритмів проектування зразків для обліку цих типів обмежень (Clifford et al., 2014; Malone et al., 2019).
Прогнозування класів і властивостей ґрунтів
Розробка карти ґрунту за допомогою методів DSM значною мірою вимагає наступних трьох інгредієнтів:
- набір екологічних шарів (тобто предикторів або коваріатів), які представляють фактори скорпана;
- дані про ґрунти, які є геопросторовими посиланнями; і
- модель, яка характеризує взаємозв'язок між даними ґрунту та навколишнім середовищем для того, щоб робити прогнози для невибіркових місць.
У попередніх розділах ми досліджували різні джерела екологічних даних та описали різні підходи просторового відбору проб, які використовуються для отримання даних про ґрунт. У цьому розділі ми опишемо процес, необхідний для створення навчального набору даних, який потім використовується для калібрування прогнозної моделі для генерації вихідних даних карти.
Як правило, методи DSM передбачають форму контрольованого навчання, де навчальний набір даних спочатку створюється шляхом просторового перетину місць вибірки (з виміряними властивостями ґрунту) з базовим набором екологічних шарів. Використовуючи прогностичну модель, взаємозв'язок між змінною реакції ґрунту та шарами прогнозатора навколишнього середовища встановлюється за допомогою класифікаційної або регресійної функції (тобто підгонки моделі). Після того, як прогнозна модель оснащується навчальними даними, вона потім застосовується до встановлених шарів навколишнього середовища для прогнозування властивостей ґрунту або класів у місцях без вибірки.
Перш ніж робити прогнози, маппер ґрунту повинен розпізнати тип даних про ґрунт, який слід передбачити. Дані ґрунту можуть мати форму категоріальних даних або суцільних даних, за допомогою яких категоричні дані можуть бути додатково поділені на номінальні та порядкові дані. Номінальні дані описують якісні аспекти ґрунту і не мають кількісного значення, і найпоширенішим прикладом номінальних даних може бути таксономічна одиниця ґрунту (наприклад, порядок ґрунту, велика група, серія), але можуть також включати ґрунтовий клас батьківського матеріалу, фактурний клас ґрунту та інші. Порядкові дані, інший тип категоріальних даних, представляють значення, які мають впорядковані одиниці (тобто значення відносно один одного), де приклади можуть включати в себе класи вологості ґрунту та поживного режиму. З режимом вологості ґрунту існує дев'ять потенційних значень від 0 до 8, де значення 0 представляє «дуже ксеричні» умови, тоді як значення 8 представляє «гідричні» умови; однак точна різниця між значеннями невідома. Навпаки, безперервні дані представляють виміряні властивості ґрунту, такі як глибина ґрунту, рН ґрунту, вміст глини, запас органічного вуглецю в ґрунті та багато іншого.
Різниця між категоріальними та неперервними типами даних при поданні інформації про ґрунт є критичною, оскільки вона значною мірою визначає, яка прогностична модель та методи оцінки точності та невизначеності моделі є доцільними. При прогнозуванні категоріальних даних ґрунту ми обмежуємося використанням прогностичних підходів, придатних для цілей класифікації, тоді як прогнозування суцільних даних вимагає використання підходів регресійного моделювання. Приклад цифрової карти ґрунту, створеної з використанням підходу регресійного моделювання, показаний на малюнку 17.6 (праворуч) для прогнозів органічного вуглецю ґрунту, а приклад з використанням класифікаційного моделювання показаний на малюнку 17.20 для великої групи ґрунтів.
Всебічний огляд підходів до моделювання далеко виходить за рамки цього підручника; однак зацікавлені читачі повинні звернутися до McBratney et al. (2003), який надає огляд різних підходів моделювання для регресії та класифікації з використанням машинного навчання та геостатистичних методів. Докладний огляд методів машинного навчання, що використовуються для цілей класифікації в DSM, читачі можуть звернутися до Heung et al. (2016).
Читачам важливо усвідомити, що існує багато різних типів методів прогнозного моделювання, які використовуються в DSM, а також у дисциплін поза DSM; однак не існує жодної моделі, яка б послідовно перевершувала іншу або вважається «найкращою» у всіх ситуаціях. Вибір у шарах прогнозування навколишнього середовища, характер ґрунтово-екологічних відносин (наприклад, лінійні та нелінійні відносини), розмір навчального набору даних, властивість ґрунту, а також цілий ряд інших факторів можуть впливати на продуктивність моделі. Крім того, внутрішні властивості моделі, такі як час обробки, обчислювальний попит та складність моделі, будуть відрізнятися. Як результат, рекомендується, щоб фахівці DSM порівнювали різноманітні методи моделювання та виконували оцінку точності всіх результатів; крім того, візуальна оцінка результатів картографування повинна проводитися навченим грунтознавцем, щоб переконатися, що ґрунтові карти узгоджуються з педологічним розуміння ландшафту.
Враховуючи, що більша частина процесу моделювання може здійснюватися автоматизованим способом за допомогою статистичного програмного забезпечення, такого як R, автоматизація значно полегшує порівняння моделей, а процес порівняння моделей слід розглядати як «найкращу практику». Наприклад, у Heung et al. (2016) ідентичні вхідні дані були використані для навчання 11 методів моделювання, де було визначено, що, незважаючи на ті ж входи, виходи моделі різко змінювалися при картуванні великих груп ґрунту для Нижньої долини Фрейзера, до н.е. (рис. 17.21).
Оцінка точності
Усі карти приблизної реальності та всі цифрові карти ґрунту відхилятимуться від реального світу, і все, що генерується з моделі, є лише однією з нескінченної кількості реалізацій ґрунтової карти. Знову ж таки, це продемонстровано на малюнку 17.21, який показує, що різні моделі можуть генерувати різко різні реалізації ґрунтової карти. Тому для кількісної оцінки якості прогнозів карти потрібно проводити оцінку точності за всіма прогнозами. Тут ми описуємо термін «точність» як різницю між спостережуваними та прогнозованими значеннями в місці (Brus et al., 2011); завдяки чому ми можемо описати точність як «вищу», оскільки різниця зменшується.
Подібно до вибору відповідного типу моделі для прогнозування категоричних та безперервних змінних ґрунту, вибір відповідних показників точності також залежить від цього. Однак в обох випадках оцінка точності повинна здійснюватися за допомогою незалежного (тобто валідаційного або тестового) набору даних, який не використовувався для навчання моделі.
При оцінці точності категоріальних прогнозів (наприклад, серій ґрунту, вихідного типу ґрунту) ми, як правило, покладаємося на загальну точність та коефіцієнт каппи Коена як основні показники. Загальна точність - це частка спостережень, які були правильно передбачені для незалежного набору даних; тоді як каппа враховує випадкову угоду між спостережуваним та прогнозованим класами. Обидві метрики варіюються від 0 до 1, де значення 1 представляє високу точність.
При оцінці точності безперервних прогнозів (наприклад, насипної щільності, органічного вуглецю ґрунту) часто використовуються середня квадратна похибка (MSE), середньоквадратична похибка (RMSE), коефіцієнт визначення (R 2) та коефіцієнт кореляції відповідності Ліна (CCC). MSE - це фактично середня квадратна різниця між спостережуваними та прогнозованими значеннями; для порівняння, RMSE, є квадратним коренем MSE і виражається в тих же одиницях, що і змінна грунту. В обох випадках нижня MSE або RMSE являє собою більш точну модель. R 2 вимірює, наскільки точно спостережувані та прогнозовані значення слідують уздовж оптимальної лінії регресії (тобто, наскільки тісно співвідносяться значення) і представляє частку зміни ґрунту, яка пояснюється моделлю. Важливо зазначити, що R 2 не представляє точності, оскільки він не враховує зміщення моделі, за допомогою якого модель може послідовно перепрогнозувати або занижувати змінну ґрунту. Натомість більш відповідною метрикою є використання CCC, який представляє добро прилягання вздовж лінії 45° на розсіювальному графіку спостережуваних та прогнозованих значень. Значення CCC варіюються від 0 до 1, де значення 1 представляють сценарії, коли прогнозовані значення відповідають спостережуваним значенням і, таким чином, вказують на високу точність і точність прогнозування.
НЕВИЗНАЧЕНІСТЬ У ЦИФРОВИХ КАРТАХ ҐРУНТУ
Важливо визнати, що поряд з усіма видами діяльності з моделювання навколишнього середовища моделі є просто абстрактними уявленнями про реальний світ і що існують невизначеності щодо справжніх властивостей ґрунту. Те, як ми представляємо закономірності ґрунту на карті ґрунту, базується на прогнозній моделі, яка ніколи не вільна від помилок; отже, кількісна оцінка невизначеності цифрових карт ґрунту настільки ж важлива, як і її перевірка, оскільки вона дозволить користувачам оцінити корисність карт та те, як ці карти можуть бути б/у (Heuvelink, 1998). Невизначеності накопичуються та поширюються з трьох джерел: виміряної властивості ґрунту, екологічних предикторів, що представляють фактори скорпану, та прогнозної моделі.
Невизначеність властивостей ґрунту: Щоразу, коли зразок ґрунту береться до лабораторії, завжди будуть відмінності в аналітичних методах, які можуть сприяти помилкам при вимірюванні різних властивостей ґрунту. У деяких ситуаціях змінні реакції ґрунту можуть бути виведені з інших змінних ґрунту, які легше виміряти за допомогою функцій педоперенесення, за допомогою яких помилки можуть бути додатково поширені. Невизначеність також може виникнути під час запису просторового розташування точок вибірки при використанні GPS, завдяки чому деякі GPS є більш точними, ніж інші.
Невизначеність в екологічних предикторах: Існує властива невизначеність самим екологічним предикторам. Наприклад, вертикальні невизначеності можуть бути присутніми при DEMs, а також невизначеність вимірювань від віддалених і проксимальних датчиків ґрунту. При використанні звичайних карт ґрунту або геологічних карт у форматі багатокутника склад багатокутника, кордонів полігонів та масштабу карти може сприяти невизначеності.
Невизначеність у прогнозній моделі: Як обговорювалося раніше, вибір прогнозної моделі може призвести до різко різних ґрунтових карт; і, отже, структура моделі може бути ще одним джерелом невизначеності. Взаємозв'язки між екологічними прогнозами та властивостями ґрунту можуть бути лінійними, нелінійними або комбінацією обох, і певні типи моделей є більш ефективними для захоплення цих відносин, ніж інші. Наприклад, проста лінійна модель буде ефективною при моделюванні лінійних відносин, тоді як нелінійні підходи до моделювання (наприклад, дерева класифікації та регресії) ефективні для захоплення нелінійних ієрархічних зв'язків. Нарешті, деякі підходи до моделювання (наприклад, дерева моделей) є гібридом лінійних і нелінійних моделей і тому здатні фіксувати обидва типи взаємозв'язків.
В ідеалі всі цифрові карти ґрунту повинні супроводжуватися картами невизначеності, які оцінюють невизначеність для кожного окремого пікселя, однак на практиці це часто не так. Через важливість визнання невизначеності в модельних виходах, міжнародні стандарти картографування (наприклад, GlobalSoilmap.net) часто вимагають включення карти інтервалу прогнозування 90%, а також нижніх (5%) і верхніх (95%) меж прогнозування (рис. 17.22). Тут ми припускаємо, що при рівні довіри 90% реальна вартість властивості ґрунту буде знаходитися в межах інтервалу прогнозування. Тому при інтерпретації цих карт невизначеності невизначеність буде збільшуватися зі збільшенням ширини інтервалу прогнозування 90%. Слід зазначити, що це уявлення про невизначеність стосується лише суцільних змінних ґрунту.
При представленні невизначеності для прогнозів категоріальних змінних ґрунту використовуються карти ймовірностей класів для обчислення невизначеності для кожного пікселя. Тут створюється набір растрів ймовірності для кожного класу, при цьому кожен піксель має відповідне значення, яке представляє ймовірність виникнення цього класу (рис. 17.23). Якщо окремий клас має високу ймовірність виникнення, невизначеність низька; однак, якщо всі класи мають однакову ймовірність виникнення, невизначеність висока. Хоча існує багато метрик, які можна обчислити за цими растрами ймовірностей класу (наприклад, невизначеність незнання, невизначеність перебільшення, індекс плутанини), всі вони ефективно характеризують розкид значень ймовірностей серед різних класів (рис. 17.24).
ПОЗА ЦИФРОВИМ КАРТОГРАФУВАННЯМ ҐРУНТУ
Багато зусиль було зроблено для покращення доступності, інтерпретації, розуміння та передачі ґрунтової інформації користувачам даних у деяких провінціях. Інтернет-програми, такі як інструмент пошуку інформації про ґрунт Британської Колумбії (SIFT), Атлас ресурсів сільськогосподарських земель Альберти, Інформаційна система ґрунту Саскачевану (SKSIS), Info-Sols (Квебек) та Атлас сільськогосподарської інформації Онтаріо , використовувати застарілі карти ґрунту та забезпечити графічний користувальницький інтерфейс, за допомогою якого користувач може легко запитувати ці карти та отримувати інформацію, пов'язану з властивостями ґрунту, а також інтерпретовану інформацію про ґрунти, включаючи можливості сільськогосподарських земель та ризик ерозії ґрунту.
Інші платформи, такі як SoilX, досліджували використання доповненої реальності для візуалізації ґрунтових профілів на мобільному пристрої. Ці платформи мають потенціал для вдосконалення процесів прийняття рішень, сприяння оцінці впливу на довкілля та надання інформації про стале управління ґрунтами для користувачів. Однак ці платформи обмежені якістю ґрунтової інформації, яка їх заповнює, та здатністю користувача зрозуміти цю інформацію.
Традиційно мапи ґрунту орієнтувалися на розробку кількісних методів прогнозування ґрунтів над простором. Однак іншою важливою роллю ґрунтового картографа, якій приділяється набагато менше уваги, є «генератор знань та постачальник» та розуміння того, як ґрунтова інформація може бути використана для інформування прийняття рішень та практики планування ресурсів (Finke, 2012). Разом з експертами домену (наприклад, агрономами, лісниками, вченими-екологами, інженерами) роль маппера ґрунту полягає у колективній інтерпретації різних цифрових карт ґрунту та розробці інтерпретаційних інструментів, які оцінюють загрози та функції ґрунту та полегшують процес прийняття рішень. Наприклад, карта ризику ерозії ґрунту, ймовірно, корисніша для особи, яка приймає рішення, ніж окремі карти властивостей ґрунту (наприклад, карти органічних речовин та текстур ґрунту) та інші шари екологічних даних (наприклад, карти схилів та опадів).
У співтоваристві педометрії значна частина дисципліни присвячена використанню цифрових карт ґрунту як інгредієнтів для оцінки функцій ґрунту та загроз. Ця активна область досліджень називається цифровими оцінками ґрунтів (DSA). Хоча подробиці DSA виходять за рамки цієї глави, зацікавлені читачі повинні звернутися до Carré et al. (2007), який вперше представляє цю галузь, і Finke (2012), який згодом обговорює сферу застосування галузі. У всьому світі спостерігається величезний прогрес у розробці інструментів оцінки ґрунтів за допомогою цифрових карт ґрунту.
Застосування цифрової інформації про ґрунти
Додатки можуть включати, але не обмежуючись ними:
- Картування зон управління для внесення добрив зі змінною нормою та зрошення (Fleming et al., 2000)
- Оцінка придатності сільськогосподарських земель регіонального масштабу (Harms et al., 2015; Kidd et al., 2015)
- Оцінка потенційної валової рентабельності для конкретних культур (Kidd et al., 2015)
- Оцінка ерозії ґрунтів національного масштабу (Panagos et al., 2015)
- Оцінка потенціалу секвестрації вуглецю в ґрунті (Angers et al., 2011; Akpa et al., 2016)
- Сприяння забезпеченню страхуванням місцевості та ґрунту для управління ґрунтовими загрозами (Cook et al., 2008)
- Оцінка впливу на людину забруднюючих речовин ґрунту (Caudeville et al., 2012)
- Характеристика виноробних регіонів (террони та терруар) з використанням інформації про клімат та ґрунт (Carré et al., 2005; Coggins et al., 2019)
- Розробка карт екосайтів для планів управління лісами на рівні стенду (Yang et al., 2017)
- Картування ландшафтно-масштабних показників здоров'я ґрунтів (Svoray et al., 2015)
- Аудит та моніторинг органічного вуглецю ґрунту на фермах (de Gruijter et al., 2016; Malone et al., 2018)
Чи можете ви копати його!
Канадська робоча група з цифрового картографування ґрунту
За останні 20 років спільнота ґрунтознавства перетворилася з домінування урядових геодезистів та університетських вчених до спільноти, де вчені з експертизою ґрунту працюють у кожному державному та приватному секторі (наприклад, сільське господарство, лісове господарство, навколишнє середовище) та по всій Канаді різноманітний ландшафт. На жаль, це призвело до децентралізації та розсіювання ґрунтової інформації та експертизи картографування ґрунтів.
З цього визнання основним розвитком національного ландшафту картографування ґрунту стало створення Канадської робочої групи з цифрового картографування ґрунтів (CDSMWG) - національної наукової мережі з дослідниками з багатьох академічних установ, федеральних урядових відомств та провінційні агентства. Щоб забезпечити механізм та платформу для ґрунтових картографістів для співпраці в національному масштабі, Комітет з педології Канадського товариства ґрунтознавства (CSSS) створив CDSMWG у 2016 році. Ця міжгалузева дослідницька мережа має завдання координувати національні ініціативи DSM, поширювати цифрову інформацію про ґрунти та проводити освітні семінари.
Наприклад, громада розробила вуглецеві карти ґрунту Канади для подання до глобального проекту з картографування вуглецю ФАО. Всі продукти, розроблені CDSMWG, розроблені відповідно до міжнародних стандартів DSM GlobalSoilMap.net та Продовольчої та сільськогосподарської організації (ФАО) Організації Об'єднаних Націй. На сьогоднішній день CDSMWG успішно виконує свій мандат; він зіграв важливу роль у розробці та постачанні попередньої Канадської Грунтової Органічної Карти вуглецю (CSOC map) в рамках внеску Канади в Глобальну карту органічного вуглецю ґрунту (GSOC map), складену Міжурядовою технічною групою з Ґрунти ФАО у 2017 році (ФАО та Міжурядова технічна група з ґрунтів, 2018). Виділені волонтери в проекті наочно продемонстрували здатність мережі ефективно спілкуватися та співпрацювати у складній задачі розробки карти CSOC.
Крім того, члени CDSMWG також присвячені підготовці наступного покоління цифрових картографічних ґрунтів і до цього часу пропонували кілька семінарів по всій країні. Учасниками семінару стали студенти та аспіранти, науковці університетів та державних установ, а також учасники галузі.
ДУМКИ ВПРАВИ
- Мозковий штурм про те, як цифрові карти ґрунту можуть бути використані для вирішення проблем екологічного та управління ресурсами в локальних масштабах (наприклад, окремі сільськогосподарські поля або лісові насадження), регіональних масштабах (наприклад, окремих провінцій) та національних масштабах (наприклад, Канада).
- Цифрові дані про ґрунти стають все більш доступними в Канаді. Будь ласка, знайдіть деякий час, щоб вивчити наступні ресурси та обговорити переваги та проблеми цифрового картографування ґрунту: інструмент пошуку інформації про ґрунт Британської Колумбії; Саскачеванська інформаційна система ґрунту; та географічний інформаційний портал Ontario AgMaps. Доступні міжнародні ресурси включають: Австралійська система інформації про ґрунтові ресурси та SoilGrids.
ПОСИЛАННЯ
Адамчук, В., Оллред, Б., Дуліттл, Дж., Гроте, К., і Віскарра Россел, Р. 2017. Глава 6: Інструменти для проксимального зондування ґрунту. У Посібнику з обстеження ґрунту, співробітники відділу ґрунтознавства. Сільськогосподарський довідник № 18, Міністерство сільського господарства США, стор. 355-394.
Анже, Д.А., Арруейс, Д., Сабі, Н.П.А., і Вальтер К. 2011. Оцінка та картографування дефіциту вуглецевого насичення французьких сільськогосподарських верхніх ґрунтів. Управління використанням ґрунту. 27: 448-452.
Акпа, С.І.К., Одех, І.О.А., єпископ, Т.Ф.А., Хартемінк, А.Е., і Амапу, І.Ю. 2016. Загальний потенціал органічного вуглецю ґрунту та секвестрації вуглецю в Нігерії. Геодерма 271: 202-215.
Акуму, C.E., Джонсон, Д.А., Етрейдж, Д., Uhlig, P., Вудс, М., Пітт, Д.Г., і МакМюррей, С. 2015. Підхід на основі ГІС-нечіткої логіки при моделюванні текстури ґрунту: використання частин глинистого поясу та регіону Хорнепейн в Онтаріо Канаді як приклад. Геодерма 239-240: 13-24.
Акуму, C.E., Вудс, М., Джонсон, Д.А., Пітт, Д.Г., Uhlig, P., і МакМюррей, С. 2016. Техніка ГІС-нечіткої логіки при моделюванні класів глибини ґрунту: Використання частин глинистого поясу та регіону Хорнепейн в Онтаріо, Канада як приклад. Геодерма 283: 78-87.
Арруайс, Д., Гранді, М.Г., Хартемінк, А.Е., Хемпель, Дж., Хейвелінк, Г.Б.М., Хонг, С.Ю., Лагачері, П., Лелик, Г., МакБратні, А.Б., Маккензі, Н.Дж., Мендонса-Сантос, М.Л., Мінасни, Б., Монсі Танарелла, Л., Одех, І.О.А., Санчес, П.А., Томпсон, Дж., і Чжан, G-L., 2014. GlobalSoilMap: На шляху до високої роздільної здатності глобальної сітки властивостей ґрунту. Адв Агрон. 125: 93-134.
Беккет, P.H.T. 1971. Економічність обстеження ґрунту. Перспективи Agr. 6: 191-198.
Біе, С.В., Ульф, А., і Беккет, P.H.T. 1973. Розрахунок економічної вигоди від обстеження ґрунтів. Дж. грунтових наук 24: 429-435.
Бівас, А., і Чжан, Ю. 2018. Проекти відбору проб для перевірки цифрових карт ґрунту: огляд. Педосфера 28: 1—15.
Брус, Д.Дж., і де Грюйтер, J.J. 1997. Випадкова вибірка або геостатистичне моделювання? Вибір між стратегіями відбору проб ґрунту на основі дизайну та моделі (з обговоренням). Геодерма 80: 1—44.
Брус, Д.Дж., Кемпен, Б., і Хейвелінк, Г.Б.М. 2011. Відбір проб для перевірки цифрових карт ґрунту. євро. Дж. грунтових наук 62: 394-407.
Брус, Д.Ю., 2019. Вибірка для цифрового картографування ґрунту: підручник, підтримуваний сценаріями R. Геодерма 38: 464-480.
Канада Грунт обстеження комітету, 1978. Канадська система класифікації ґрунтів. 1-е видання. Науково-дослідний відділ Міністерства сільського господарства Канади.
Карре, Ф., і МакБратні, А.Б. 2005. Цифрове картографування терронів. Геодерма 128: 340-353.
Карре, Ф., Макбратні, А.Б., Майр, Т., і Монтанарелла, Л. 2007. Цифрові оцінки ґрунту: Beyond DSM. Геодерма 142: 69-79.
Caudeville, J., Goovaerts, P., Карре, Ф., Боннар, Р., Arrouays, D., Cicolella, A., Jolivet, C.C., Сабі, Н.П.А., і Буде, C. 2012. Просторове моделювання впливу на людину забруднення ґрунтів — приклад цифрової оцінки ґрунту. У цифрових оцінках ґрунту та за її межами, CRC Press.
Чандлер, Дж. Р., Шмідт, М.Г., і Драгічевич, С. 2008. Просторові закономірності властивостей лісової підстилки та кількості підстилок, пов'язаних з крупнолистним кленом у хвойному лісі південно-західної Британської Колумбії. Може. Дж. Ґрунтова наука 88: 295-313.
Чанг, К., Зоммерфельдт, Т.Г., і Енц, Т. 1988. Солоність ґрунту та мінливість вмісту піску визначаються двома статистичними методами в зрошуваному солоному ґрунті. Може. Дж. грунтових наук 68: 209-21.
Кліффорд, Д., Пейн, J.E., Pringle, M.J., Searle, R., і Батлер, N. 2014. Прагматичний дизайн обстеження ґрунту з використанням гнучкого латинського гіперкуба вибірки. Комп'ютери та науки про Землю. 67: 62-68.
Коен, Г.М. (ред.) 1987. Посібник з обстеження ґрунту. Том 1. Технічний бюлетень 1987-9Е. Центр дослідження земельних ресурсів. Науково-дослідна галузь. Сільське господарство Канади. Едмонтон, Альберта. 135pp.
Коггінс, С., Мелоун, Б.П., Стокманн, У., Посселл, М., і МакБратні, А.Б. 2019. На шляху до значущого географічного вказівки: Перевірка терруарів за шкалою 200 км2 у нижній долині Хантера Австралії. Геодерма Рег. 15: е00209.
Кук, С.Е., Джарвіс, А., і Гонсалес, J.P. 2008. Новий світовий попит на цифрову інформацію про ґрунти. У цифровому картографуванні ґрунту з обмеженими даними. Спрінгер, 31-41.
де Грюйтер, Дж. Дж., і Марсман, B.A. 1985. Перетин вибірки для достовірної інформації про картографічних одиницях. Сторінки 150-165 у Д.Р. Нільсена та Я.Буми, ред. Просторова мінливість ґрунту: матеріали семінару ISSS та SSSA, Лас-Вегас, США, 30 листопада — 1 грудня 1984 р.
де Грюйтер, Дж. Дж., МакБратні, А.Б., Мінасний, Б., Уілер, І., Мелоун, Б.П., і Стокманн, U 2016. Аудит вуглецю ґрунту в масштабі ферми. Геодерма 265: 120-130.
Девітте, О., Джонс, А., Спааргарен, О., Брюнінг-Медсен, Х., Бросар, М., Дампха, А., Деккерс, Дж., Галлалі, Т., Халлетт, С., Джонс, Р., Кіласара, М., Ле Ру, П., Мішель, Е., Монтанарелла, Л., Тіомбіано, Л., ван Ранст, Е., Ємефак, М., і Зугмор, Р. 2013. Гармонізація ґрунтової карти Африки в континентальному масштабі. Геодерма 211-212: 138-153.
Дуліттл, Д.А., і Бревік, E.C. 2014. Застосування методів електромагнітної індукції в дослідженнях ґрунтів. Геодерма 223-224: 33-45.
ФАО та Глобальне ґрунтове партнерство, 2016. План впровадження стовпа 4 глобального ґрунтового партнерства: на шляху до глобальної інформаційної системи ґрунтів. Робоча група стовпа 4, 38 с.
ФАО та Міжурядова технічна група з ґрунтів. 2018 рік. Глобальна карта органічного вуглецю ґрунту (GSocMap) Технічний звіт. Рим, 162 с.
Фінке, П.А., 2012. Про цифрові оцінки ґрунту з моделями та порядку денного Pedometrics. Геодерма 171-172: 3-35.
Флемінг, К.Л., Вестфолл, Д.Г., Відень, D.W., і Бродал, M.C. 2000. Оцінка визначених фермерами карт зон управління для внесення добрив зі змінною нормою. Точний. Агрік. 2: 201-215.
Фултон, Р.Дж. 1995. Поверхневі матеріали Канади. Геологічна служба Канади, Природні ресурси Канади, Карта серії «А» 1880А.
Гармс, Б., Бро, Д., Філіп, С., Бартлі, Р., Кліффорд, Д., Томас, М., Вілліс, Р., і Грегорі, Л. 2015. Цифрова оцінка ґрунтів для регіональної оцінки земель сільськогосподарського призначення. Глоб. Їжа Sec. 5: 25-36.
Хенгл, Т., де Ісус, J.M., Heuvelink, G.B.M., Гонзалекс, М.Р., Кілібарда, М., Благотіч, Шангуан, W., Райт, М.Н., Генг, X., Бауер-Маршалінгер, Б., Гевара, М.А., Варгас, Р., Макміллан, Р.А., Батес, Н.Х., Лінаа Арс, Дж. Г.Б., Рібейро, Е., Вілер, І., Мантель, С., і Кемпен, Б. 2017. SoilGrids250m: Глобальна інформація про ґрунт із сіткою на основі машинного навчання. Лос один 12: e0167948.
Хун, Б., Булмер, C.E., і Шмідт, М.Г. 2014. Прогнозне відображення материнського матеріалу ґрунту в регіональному масштабі: Підхід «Випадковий ліс». Геодерма 214-215: 141-154.
Хун, Б., Годул, М., і Шмідт, М.Г. 2017. Порівняння використання застарілих ґрунтових ям та полігонів обстеження ґрунту як навчальних даних для картографування класів ґрунтів. Геодерма 290: 51-68.
Хун, Б., Чжан, Дж., Хо, Х.К., Кнудбі, А., Булмер, К.Е., і Шмідт, М.Г. 2016. Огляд та порівняння методів машинного навчання для цілей класифікації в цифровому картуванні ґрунтів. Геодерма 265: 62-77.
Геувелінк, Г.Б.М., 1998. Поширення помилок при моделюванні навколишнього середовища за допомогою ГІС. Прес CRC.
Отвір, Ф.Д. 1978. Підхід до ландшафтного аналізу з акцентом на ґрунти. Геодерма 21: 1-23.
Хоул, Ф.Д., і Кемпбелл, J.B. 1985. Аналіз ландшафту ґрунту. Роумен і Алланхелд, Тотова, штат Нью-Джерсі.
Дженні, Г. 1941 р. Фактори ґрунтоутворення: система кількісної педології. Макгроу-Хілл, Нью-Йорк.
Кідд, Д., Вебб, М., Мелоун, Б., Мінасні, Б., МакБратні, А. 2015. Цифрова оцінка ґрунту сільськогосподарської придатності, універсальності та капіталу в Тасманії, Австралія. Геодерма Рег. 6: 7-21.
Кінаст-Браун, С., Лібохова З., Боеттінгер, Дж. 2017. Цифрове картографування ґрунту. У Дитцлер, К. Шеффе та Х.К. Монгер (ред.) Посібник з обстеження ґрунту, Довідник USDA 18, Урядова друкарня, Вашингтон, округ Колумбія, стор. 295—354. https://www.nrcs.usda.gov/wps/portal/nrcs/detail/soils/ref/?cid=nrcs142p2_054261
Лутмердінг, Х.А. 1980. Грунти області карти Ленглі-Ванкувер. Звіт № 15, Дослідження ґрунту Британської Колумбії. Британська Колумбія Міністерство навколишнього середовища, Келовна, Британська Колумбія, Канада.
Макміллан, Р.А., Нікіфорук, Л., Фосетт, доктор медичних наук, Уітсон, І.Р., Макнейл, Р.Л. і Турченек, Л.В. 1992. Системи картографування ґрунту; Дослідницька рада Альберти, ARC/AGS Open File Report 1992-22, 238 p. https://ags.aer.ca/publications/OFR_1992_22.html
Макміллан, Р.А., Pettapiece, W.W., Нолан, С.К., і Годдард, TW 2000. Загальна процедура автоматичного сегментації форм рельєфу на елементи рельєфу за допомогою DEMs, евристичних правил та нечіткої логіки. Нечіткі множини та системи 113:81—109,
Макміллан, Р.А., Джонс, К., і McNabb, D.H., TW. 2004. Визначення ієрархії просторових утворень для екологічного аналізу та моделювання з використанням цифрових моделей висот (DEMs). Комп'ютери, навколишнє середовище та міські системи 28 (3): 175-200.
Мелоун, Б., Хедлі, К., Рудьє, О., Мінасні, Б., Джонс, Е., і МакБратні, А.Б. 2018. Аудит запасів вуглецю в ґрунті на фермі з використанням зменшених національних картографічних продуктів: Приклади з Австралії та Нової Зеландії. Геодерма Рег. 13: 1-14.
Мелоун, Б.П., Мінансі, Б., і Брунгард, C. 2019. Деякі методи покращення корисності умовної латинської вибірки гіперкуба. Пір Дж 7, e6451.
Робоча група з картографічних систем. 1981 р. Система картографування ґрунту для Канади: переглянута. Науково-дослідний інститут земельних ресурсів, Внесок № 142. Сільське господарство Канади, Оттава, 94 с. http://sis.agr.gc.ca/cansis/publications/manuals/1981-smsc/81-142-soil-mapping.pdf
Макбратні, А.Б., Мендонса-Сантос, М.Л., і Мінасні, Б.2003. Про цифрове картографування ґрунтів. Геодерма 117: 3-52.
Макбратні, А.Б., Одех, І.О.А., єпископ, Т.Ф.А., Данбар, М.С., і Шатар, Т.М. 2000. Огляд педометричних методик використання при обстеженні ґрунтів. Геодерма 97: 293-327.
Маккей, доктор медичних наук, Бекман, Р.Дж., і Коновер, W.J. 1979. Порівняння трьох методів вибору значень вхідних змінних при аналізі вихідних даних з комп'ютерного коду. Технометрія 42: 55—61.
Макліг, Дж. А. і Стобб, P.C. 1978. Історія дослідження ґрунтів у Канаді 1914-1975 рр. Науково-дослідний відділ Міністерства сільського господарства Канади, Оттава, ON. Історична серія № 11.
Маккензі, Н., і Райан, Р. 1999. Просторове прогнозування властивостей ґрунтів з використанням екологічної кореляції. Геодерма 89: 67-94.
Мінасни, Б., і МакБратні, А.Б. 2006. Умовний латинський гіперкубічний метод для вибірки за наявності допоміжних відомостей. Комп'ют. Геосці. 32: 1378—1388.
Мінасни, Б., і МакБратні, А.Б. 2016. Цифрове картографування ґрунту: коротка історія та деякі уроки. Геодерма, 264: 301-31.
Малдер, В.Л., Де Бруін, С., Шапман, М.Е., і Майр, Т.Р. 2011. Використання дистанційного зондування в картографуванні ґрунту та місцевості — огляд. Геодерма 162: 1-19.
Панагос, П., Борреллі, П., Позен, Дж., Баллабіо, С., Лугато, Е., Меусбургер, К., Монтанарелла, Л., і Алевелл, C. 2015. Нова оцінка втрат ґрунту від водної ерозії в Європі. Навколишнє середовище. Науковий. Політика 54: 438-447.
Пол, С.С., Купс, Н.К., Джонсон, М.С., Крзіч, М., Чандна, А., і Смуклер, С.М. 2020a. Картування органічного вуглецю та глини ґрунту за допомогою дистанційного зондування для прогнозування працездатності ґрунту для покращення адаптації до кліматичних змін. Геодерма 363: 114177.
Пол, С.С., Дауелл, Л., Купс, Н.К., Джонсон, М.С., Крзіч, М., Гізінг, Д., Смуклер, С.М. 2020b. Відстеження змін органічного вуглецю ґрунту в неоднорідному сільськогосподарському ландшафті Нижньої долини Фрейзера Британської Колумбії. Науковий. Загальна Environ. 732: 138994.
Pennock, D.J., Zebarth, B.J., і DeJong, E. (1987) Класифікація рельєфу та розподіл ґрунту в горбистій місцевості, Саскачеван, Канада. Геодерма, 40:297-315.
Пеннок, Д., і Йейтс, Т. 2007. Конструкції відбору проб грунту. Сторінки 1—14 у М.Р. Картер та Е.Г. Грегорич, ред. Відбір проб ґрунту та методи аналізу, Друге видання.
Россітер, Д.Г. 2018. Минуле, сьогодення та майбутнє інформаційних технологій у педометрії. Геодерма 324: 131-137.
Санчес, П.А., Ахамед, С., Карре, Ф., Хартемінк, А.Е., Хемпель, Дж., Хайсінг, Дж., Лагачері, П., МакБратні, А.Б., Маккензі, Н.Дж., Мендоса-Сантос, М.Л., Мінасні, Б., Монтанарелла, Л., Окот, П., Пальма С.А.., Сакс, Д.Д., Шеперд, К.Д., Ваген, Т-Г., Ванлауве, Б., Уолш, М.Г., Віновецький, Л.А., і Чжан, G-L. 2009. Цифрова карта ґрунтів світу. Наука 325: 680-681.
Скарпоне, К., Шмідт, М.Г., Булмер, C.E., і Кнудбі, А. 2016. Моделювання товщини ґрунту в критичній зоні Південної Британської Колумбії. Геодерма 282: 59-69.
Шаетцль, Р.М., Андерсон, С., 2005. Ґрунти: генезис та геоморфологія. Кембриджський університетський прес.
Скалл, П., Франклін, Дж., Чедвік, О.А., і МакАртур, Д. 2003. Прогнозне картографування ґрунту: огляд. Прога. Фіз. Геог. 27: 171-197.
Шатар, Т.М., і МакБратні, А.Б. 1999. Емпіричне моделювання взаємозв'язків між урожайністю сорго та властивостями ґрунту. Точний. Агрік. 1: 249-276.
Персонал обстеження ґрунту, 1975. Грунтова таксономія. Базова система класифікації ґрунтів для проведення та інтерпретації ґрунтових вишукувань. 2-е изд. Друкарня уряду США, Вашингтон, округ Колумбія
Сворай, Т., Хассід, І., Аткінсон, П.М., Мебіус-Клюн, Б.Н., і ван Ес, Х.М. 2015. Картування стану ґрунту на великих сільськогосподарсько-важливих територіях. Грунтові наукові дослідження. Соц. Ам. Дж. 79: 1420-1434.
Томпсон, Ю.А., Науман, Т.В., Одгерс, Н.П., Либогова, З. та Хемпель, Ю.В. 2012. Гармонізація застарілих карт ґрунту в Північній Америці: стан, тенденції та наслідки для цифрових ґрунтових картографувань. У цифрових оцінках ґрунтів та за її межами. CRC Press, Лейден, Нідерланди, стор. 97-102.
Тоблер, С. 1970 р. Комп'ютерний фільм, що імітує зростання міст в регіоні Детройт. Економічна географія 46:230-240.
Трейтц, П., Лім, К., Вудс, М., Пітт, Д., Несбітт, Д., і Етерідж, Д. 2012. Щільність вибірки LiDAR для запасів лісових ресурсів в Онтаріо, Канада. Пульт дистанційного керування. 4: 830-848.
Віскарра Россел, Р.А., Адамчук, В.І., Суддут, К.А., Маккензі, Н.Дж., і Лобсі, C. 2011. Проксимальне зондування ґрунту: ефективний підхід для вимірювання ґрунту в просторі та часі. Адв Агрон. 113: 243-291.
Вебстер, Р. 1994. Розвиток педометрії. Геодерма 62: 1-15.
Вебстер, Р., і Берро, P.A. 1972a. Комп'ютерне картографування ґрунту малих ділянок за вибірковими даними - I: Багатовимірна класифікація та координація. Дж. грунтових наук 23: 210-221.
Вебстер, Р., і Берро, P.A. 1972b. Комп'ютерне картографування ґрунту малих ділянок за вибірковими даними - II: Класифікація згладжування. Дж. грунтових наук 23: 222-234.
Уілер, Дж. О., Хоффман, П.Ф., Кард, К.Д., Девідсон, А., Санфорд, Б.В., Окуліч, А.В. і Рост, W.R. 1996. Геологічна карта Канади. Геологічна служба Канади, Природні ресурси Канади, Карта серії «A» 1860A.
Вудс, М., Пітт, Д., Пеннер, М., Лім, К., Несбітт, Д., Етерідж, Д., і Трейтц, С. 2011. Оперативне впровадження інвентаризації LiDAR в Бореаль Онтаріо. Лісовий хрон. 87: 512-528.
Ян, Q., Менг, Ф.-Р., Бурк, C.P.-A., і Чжао, Z. 2017. Виготовлення лісоекосайтових карт високої роздільної здатності на основі модельних прогнозів вологості ґрунту та режимів поживних речовин на великій лісовій території. Науковий. Респ. 7: 10998.
Чжу, А.Х., і гурт, Л.Е. 1994. Підхід, заснований на знаннях до інтеграції даних для картографування ґрунтів. Може. Дж. пульт дистанційного зонду. 20: 408-418.
Про авторів
Брендон Хеунг, доцент кафедри рослинництва, харчових продуктів та наук про навколишнє середовище, факультет сільського господарства, Університет Далхаузі
Д-р Брендон Хун є доцентом ґрунтознавства та географічних інформаційних систем (ГІС) на кафедрі рослинництва, харчових продуктів та наук про навколишнє середовище. Його дослідження в області педометрії - піддисципліни ґрунтознавства, яка інтегрує ґрунтознавство, ГІС, дистанційне зондування, просторову статистику та машинне навчання, щоб краще зрозуміти, що просторові та часові закономірності ґрунту. Він розробляє цифрові ґрунтові карти для застосування в сільському господарстві та лісових системах, а також зацікавлений у розумінні того, як прогнозні цифрові моделі ґрунту можуть бути використані для вирішення проблем зміни клімату та продовольчої безпеки.
Даніель Соретт, Міністерство сільського господарства, продовольства та сільських справ Онтаріо; Школа екологічних наук, сільськогосподарський коледж Онтаріо, Університет Гвелфа
Моя робота зосереджена на дослідженні ґрунтів, картографуванні та класифікації. Як правило, мене називають або як педолог, або геодезист грунту. Моя робота передбачає планування польових кампаній для опису профілів ґрунтів, їх класифікації, вибірки ґрунту для визначення хімічних та фізичних властивостей у лабораторії, а потім інтерпретації даних для розробки ґрунтових карт. Традиційно це було зроблено за допомогою повітряних фотографій, але зовсім недавно дисципліна перейшла до прогнозного цифрового картографування ґрунту, де ми використовуємо потужність машинного навчання та географічних інформаційних систем (ГІС) для створення цифрових карт ґрунту з високою роздільною здатністю.
Чак Булмер, Міністерство лісів, земель, природних ресурсів та розвитку сільських територій Британської Колумбії
Моя робота передбачає проведення досліджень з інвентаризації ґрунтів та збереження ґрунтів та надання консультацій політикам у БК щодо питань управління ресурсами, які стосуються ґрунту. Деякі з тем, що цікавлять менеджерів, включають лісовідновлення, вплив лісового господарства на продуктивність ґрунту та ґрунтові процеси, що впливають на нашу реакцію на вуглецевий цикл та зміну клімату. Наукова інформація потрібна лісовим менеджерам для прийняття правильних рішень у цих областях, і моя роль як дослідницького ґрунтознавця полягає у проведенні досліджень, спрямованих на розробку цієї інформації для БК, та передачі її менеджерам.