Картирование свойств почвы с высоким пространственным разрешением с использованием переменных дистанционного зондирования на юго-западе Буркина-Фасо: сравнение моделей машинного обучения и множественной линейной регрессии

Точная и детализированная пространственная информация о почве необходима для экологического моделирования, оценки рисков и принятия решений. Использование данных дистанционного зондирования в качестве вторичных источников информации при цифровом картировании почв оказалось экономически эффективным и менее трудоемким по сравнению с традиционными подходами к картированию почв. Однако потенциал данных дистанционного зондирования для улучшения знаний о локальномасштабных характеристиках почв в Западной Африке изучен не в полной мере. В настоящем исследовании изучалось использование спутниковых данных высокого пространственного разрешения (RapidEye и Landsat), данных о рельефе и климате, а также образцов почвы, проанализированных в лаборатории, для картирования пространственного распределения шести свойств почвы — содержания песка, ила, глины, емкости катионного обмена (CEC), органического углерода почвы (SOC) и азота — на сельскохозяйственном водосборе площадью 580 км² на юго-западе Буркина-Фасо. Были протестированы и сопоставлены четыре статистические модели прогнозирования: множественная линейная регрессия (MLR), регрессия на основе случайного леса (RFR), метод опорных векторов (SVM) и стохастический градиентный бустинг (SGB). Внутренняя валидация проводилась с использованием перекрестной проверки, а прогнозы оценивались по независимому набору образцов почвы с учетом как области моделирования, так и области экстраполяции. Статистические показатели эффективности моделей показали, что методы машинного обучения лишь немного превосходили MLR, причем RFR в большинстве случаев обеспечивала наивысшую точность. Было установлено, что неспособность MLR учитывать нелинейные связи между зависимыми и независимыми переменными ограничивает точность прогнозирования свойств почвы в неизученных точках. Спутниковые данные, полученные в период вспашки или на ранних стадиях развития сельскохозяйственных культур (например, в мае и июне), оказались наиболее важными спектральными предикторами, тогда как высота над уровнем моря, температура и осадки были выделены как значимые рельефные и климатические переменные для прогнозирования свойств почвы. Результаты также показали, что коротковолновые инфракрасные и ближние инфракрасные каналы Landsat 8, а также специфичные для почвы индексы красноты, ...