SoilGrids250m: глобальная гридированная информация о почвах на основе машинного обучения
SoilGrids250m: Global gridded soil information based on machine learning
2017-02-16
SCID: 54.1/85wyeush
Discuss with AI
10-кратная перекрёстная проверкаSoilGrids250mглобальное картографирование почвмашинное обучениековариаты дистанционного зондирования
Figures from the paper
Abstract (AI)
В статье описываются техническая разработка и оценка точности наиболее новой и усовершенствованной версии системы SoilGrids с пространственным разрешением 250 м (обновление за июнь 2016 г.). SoilGrids предоставляет глобальные прогнозы стандартных числовых свойств почв (содержания органического углерода, объемной плотности, емкости катионного обмена (CEC), pH, фракционного состава почвенной текстуры и содержания крупных фрагментов) для семи стандартных глубин (0, 5, 15, 30, 60, 100 и 200 см), а также прогнозы глубины до коренной породы и распространения почвенных классов на основе классификационных систем World Reference Base (WRB) и USDA (всего около 280 растровых слоев). Прогнозы основывались примерно на 150 000 почвенных профилей, использованных для обучения, и наборе из 158 ковариат почв, полученных на основе дистанционного зондирования, главным образом производных продуктов MODIS для земной поверхности, производных цифровой модели рельефа SRTM, климатических изображений, а также глобальных карт форм рельефа и литологии. Эти ковариаты использовались для построения ансамбля методов машинного обучения — случайного леса, градиентного бустинга и/или мультиномиальной логистической регрессии, реализованных в пакетах R ranger, xgboost, nnet и caret. Результаты 10-кратной перекрестной проверки показывают, что ансамблевые модели объясняют от 56% (крупные фрагменты) до 83% (pH) вариации, при общем среднем значении 61%. По сравнению с предыдущей версией SoilGrids с пространственным разрешением 1 км относительная точность, оцениваемая по доле объясненной вариации, повысилась на 60–230%. Улучшения можно связать с (1) использованием машинного обучения вместо линейной регрессии, (2) значительными инвестициями в подготовку ковариатных слоев более высокого разрешения и (3) добавлением новых почвенных профилей. Дальнейшее развитие SoilGrids может включать совершенствование методов учета неопределенностей входных данных и получения апостериорных распределений вероятностей (для каждого пикселя), а также дальнейшую автоматизацию пространственного моделирования, чтобы карты почв можно было создавать потенциально для сотен почвенных переменных. Еще одним направлением будущих исследований является разработка методов...
Key Findings
1
Дальнейшее развитие должно учитывать неопределённость входных данных, формировать апостериорные распределения вероятностей для каждого пикселя, автоматизировать моделирование множества почвенных переменных и совершенствовать методы пространственного моделирования.
2
Относительная точность повысилась на 60–230% по сравнению с предыдущей версией SoilGrids с разрешением 1 км благодаря машинному обучению, более детальным ковариатам и дополнительным почвенным профилям.
3
SoilGrids250m предоставляет глобальные предсказания свойств почвы с разрешением 250 м для семи стандартных глубин, включая числовые свойства, глубину до коренной породы и классы почв WRB и USDA; всего создано около 280 растровых слоёв.
4
Десятикратная перекрёстная проверка показала, что ансамблевые модели объясняют от 56% вариации содержания грубых фрагментов до 83% вариации pH; среднее значение составило 61%.
5
Система обучалась примерно на 150 000 почвенных профилей и 158 ковариатах дистанционного зондирования с использованием ансамблей случайного леса, градиентного бустинга и мультиномиальной логистической регрессии.
Research Object
Система глобальных решётчатых почвенных данных SoilGrids250m (почвенные прогнозы и карты с разрешением 250 м)
Research Subject
Точность и пространственная прогностическая эффективность картирования почв на основе машинного обучения для стандартных свойств почвы, глубин и классификаций
Publication Details
Publication Date
2017-02-16
Journal
Publisher
ISSN
Cited by
4727
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью6
SoilGrids 2.0: получение глобальной информации о почвах с количественной оценкой пространственной неопределённости2021
Прогнозирование долгосрочной динамики засоления и защёлачивания почв в глобальном масштабе2020
Искусственный интеллект в экологическом мониторинге: углублённый анализ2024
Мониторинг и моделирование системы «почва–растение» для понимания здоровья почвы2025
Лес знаний в условиях глобальных изменений2026
Тропические леса сталкиваются с возрастанием рисков воздействия критических температурных порогов2026