SoilGrids250m: глобальная гридированная информация о почвах на основе машинного обучения

SoilGrids250m: Global gridded soil information based on machine learning
Tomislav Hengl A, Marvin N. Wright, G.B.M. Heuvelink, Rodrigo Vargas, N.H. Batjes, Bas Kempen, Eloi Ribeiro, J.G.B. Leenaars, Ichsani Wheeler, Milan Kilibarda, R.A. MacMillan, Jorge Mendes de Jesus, M. Ruiperez González, Aleksandar Blagotić, Wei Shangguan, Xiaoyuan Geng, Bernhard Bauer-Marschallinger, Mário Guevara, Stephan Mantel, J.S. Mendes de Jesus
2017-02-16

10-кратная перекрёстная проверкаSoilGrids250mглобальное картографирование почвмашинное обучениековариаты дистанционного зондирования
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...
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.

Система глобальных решётчатых почвенных данных SoilGrids250m (почвенные прогнозы и карты с разрешением 250 м)

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
Access Type
Author Information
Authors
Tomislav Hengl A
Marvin N. Wright
G.B.M. Heuvelink
Rodrigo Vargas
N.H. Batjes
Bas Kempen
Eloi Ribeiro
J.G.B. Leenaars
Ichsani Wheeler
Milan Kilibarda
R.A. MacMillan
Jorge Mendes de Jesus
M. Ruiperez González
Aleksandar Blagotić
Wei Shangguan
Xiaoyuan Geng
Bernhard Bauer-Marschallinger
Mário Guevara
Stephan Mantel
J.S. Mendes de Jesus
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%