SoilGrids1km — глобальная информация о почвах на основе автоматизированного картографирования

SoilGrids1km — Global Soil Information Based on Automated Mapping
Tomislav Hengl, G.B.M. Heuvelink, N.H. Batjes, Bas Kempen, Eloi Ribeiro, J.G.B. Leenaars, Markus Walsh, R.A. MacMillan, Jorge Mendes de Jesus, M. Ruiperez González, Alessandro Samuel‐Rosa
2014-08-29

SoilGrids1kmавтоматизированное картографирование почвглобальная информационная система о почвахглобальные модели пространственного прогнозированияорганический углерод почвы
ПРЕДПОСЫЛКИ: Почвы широко признаны невозобновляемым природным ресурсом и биофизическими поглотителями углерода. Поэтому потребность в глобальной информации о почвах постоянно возрастает. Хотя уже существует несколько глобальных информационных систем о почвах, они, как правило, характеризуются несогласованностью данных и ограниченной пространственной детализацией. МЕТОДОЛОГИЯ/ОСНОВНЫЕ РЕЗУЛЬТАТЫ: Представлена SoilGrids1km — глобальная трёхмерная информационная система о почвах с разрешением 1 км, содержащая пространственные прогнозы для ряда почвенных свойств на шести стандартных глубинах: содержание органического углерода в почве (г кг-1), pH почвы, доли песка, ила и глины (%), плотность сложения (кг м-3), катионообменная ёмкость (смоль+/кг), содержание крупных фрагментов (%), запас органического углерода в почве (т га-1), глубина до коренной породы (см), почвенные группы по Всемирной справочной базе почвенных ресурсов (World Reference Base) и подотряды по классификации почв Министерства сельского хозяйства США (USDA Soil Taxonomy). Наши прогнозы основаны на глобальных моделях пространственного прогнозирования, построенных отдельно для каждой почвенной переменной с использованием совокупности основных международных баз данных почвенных профилей (около 110 000 профилей) и примерно 75 глобальных экологических ковариат, характеризующих факторы почвообразования. Результаты регрессионного моделирования показывают, что наиболее полезными ковариатами для моделирования почв в глобальном масштабе являются климатические индексы и индексы биомассы (на основе изображений MODIS), литология и таксономические картографические единицы, полученные в результате традиционного почвенного обследования (Harmonized World Soil Database). Точность прогнозирования, оценённая с помощью пятиблочной перекрёстной проверки, составляла 23–51%. ВЫВОДЫ/ЗНАЧИМОСТЬ: SoilGrids1km предоставляет первоначальный набор примеров пространственных данных о почвах для использования в глобальных моделях с разрешением и согласованностью, ранее недоступными. К основным ограничениям текущей версии SoilGrids1km относятся: (1) слабые связи между почвенными свойствами/классами и объясняющими переменными вследствие несоответствия масштабов, (2) сложность получения ковариат, отражающих факторы почвообразования, и (3) низкая плотность выборки и пространственная кластеризация местоположений почвенных профилей. Однако, поскольку система SoilGrids является высоко...
1
Наиболее полезными глобальными предикторами оказались климатические и полученные из MODIS индексы биомассы, литология и таксономические картографические единицы Harmonized World Soil Database.
2
Пятикратная перекрёстная проверка показала точность прогнозирования от 23% до 51% для моделируемых почвенных переменных.
3
Ключевые ограничения включают несоответствие масштабов, недостаток ковариат для факторов почвообразования и малую плотность пространственно кластеризованных почвенных профилей.
4
SoilGrids1km предоставляет глобальные трёхмерные прогнозы множества свойств и классификаций почв с разрешением 1 км для шести стандартных глубин.
5
Система построена примерно на 110 000 международных почвенных профилях и около 75 глобальных экологических ковариатах, отражающих факторы почвообразования.

Глобальный набор пространственных данных почв SoilGrids1km

Глобальное пространственное прогнозирование свойств и классов почв на шести стандартных глубинах с разрешением 1 км

Publication Details
Publication Date
2014-08-29
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Tomislav Hengl
G.B.M. Heuvelink
N.H. Batjes
Bas Kempen
Eloi Ribeiro
J.G.B. Leenaars
Markus Walsh
R.A. MacMillan
Jorge Mendes de Jesus
M. Ruiperez González
Alessandro Samuel‐Rosa
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%