SoilGrids250m: Глобальная растровая почвенная информация на основе машинного обучения

В статье описывается техническая разработка и оценка точности самой последней и улучшенной версии системы SoilGrids с разрешением 250 м (обновление, июнь 2016 г.). SoilGrids предоставляет глобальные прогнозы стандартных числовых почвенных свойств (органическое вещество углерода, объемная плотность, емкость катионного обмена (CEC), pH, фракции почвенного текстурного состава и крупные обломки) на семи стандартных глубинах (0, 5, 15, 30, 60, 100 и 200 см), а также прогнозы глубины до коренной породы и распределения почвенных классов на основе системы World Reference Base (WRB) и классификации USDA (всего примерно 280 растровых слоев). Прогнозы были основаны примерно на 150 000 почвенных профилях, использованных для обучения, и стеке из 158 ковариатов, полученных с помощью дистанционного зондирования (в основном производных продуктов MODIS для суши, производных SRTM DEM, климатических изображений и глобальных карт рельефа и литологии), которые использовались для подгонки ансамбля методов машинного обучения — случайный лес и градиентный бустинг и/или мультиномиальная логистическая регрессия — реализованных в пакетах R ranger, xgboost, nnet и caret. Результаты 10-кратной кросс-валидации показывают, что ансамблевые модели объясняют от 56% (крупные обломки) до 83% (pH) вариации с общим средним значением 61%. Улучшения относительной точности, с учетом объясняемой доли вариации, по сравнению с предыдущей версией SoilGrids с пространственным разрешением 1 км, составляют от 60% до 230%. Улучшения можно объяснить: (1) применением методов машинного обучения вместо линейной регрессии, (2) значительными усилиями по подготовке ковариатных слоев более высокого разрешения и (3) добавлением дополнительных почвенных профилей. Дальнейшее развитие SoilGrids может включать уточнение методов для учета неопределенностей входных данных и вывод апостериорных распределений вероятностей (для каждого пикселя), а также дальнейшую автоматизацию пространственного моделирования, чтобы карты почв могли генерироваться для потенциально сотен почвенных переменных. Другая область будущих исследований — разработка методов многомасштабного объединения прогнозов SoilGrids с локальными и/или национальными растровыми почвенными продуктами (например, до 50 м пространственного разрешения), чтобы можно было получать все более точную, полную и согласованную глобальную почвенную информацию. SoilGrids доступны по лицензии Open Data Commons Open Database License.