Статья: Разработка крупномасштабной цифровой модели автоматизированного почвенно-агроэкологического картографирования на примере представительных ландшафтов Владимирского Ополья

Разработка крупномасштабной цифровой модели автоматизированного почвенно-агроэкологического картографирования на примере представительных ландшафтов Владимирского Ополья

Минаев Н.В.,

Бузылёв А.В.,

Таллер Е.Б.

РГАУ-МСХА имени К.А. Тимирязева

Аннотация

Применение альтернативных подходов в почвенно-агроэкологическом картографировании позволяет значительно ускорить процедуру разработки современных ГИС, а также повысить точность моделируемых процессов и оперативность принятия решений.

Рассматриваются результаты проведения сравнительного анализа имитационных моделей по ключевым ареалам представительных групп структур почвенного покрова.

Авторами предложены модели связей между морфометрическими характеристиками рельефа и распространением агроэкологических групп структур почвенного покрова, позволяющие автоматизировать процессы разработки цифровых почвенно-агроэкологических карт.

Ключевые слова: ЦИФРОВАЯ МОДЕЛЬ РЕЛЬЕФА, ЦИФРОВАЯ ПОЧВЕННАЯ КАРТОГРАФИЯ, ПОЧВЕННО-АГРОЭКОЛОГИЧЕСКОЕ КАРТОГРАФИРОВАНИЕ, ВЛАДИМИРСКОЕ ОПОЛЬЕ

Картографические материалы почвенного содержания являются необходимым материалом и источником информации для изучения и оценки почвенно-земельных ресурсов и обоснования рационального землепользования. Методика агроэкологической оценки земель для проектирования адаптивно-ландшафтных систем земледелия (АЛСЗ), разработанная В.И. Кирюшиным [1], требует постоянного совершенствования картографического материала с целью увеличения его достоверности и может быть реализована лишь на основе картографических материалов, отражающих ландшафтную дифференциацию условий, которые учитывают при формировании систем земледелия.

Экспертные и полуколичественные сопряжения почв и факторов почвообразования определяют правила выделения почвенных контуров как в действующей до сих пор Общесоюзной инструкции по почвенной картографии (1973) [2], так и в относительно недавних методических руководствах [3].

Недостаточная формализация долгое время оставалась узким местом почвенной картографии, преодоление которого связано с развитием методов количественного описания связей в почвенном покрове региона, как внутрипочвенных (между отдельными свойствами почв), так и между почвой и другими компонентами ландшафта [4]. Направление на решение такой проблемы на основе статистического моделирования и алгоритмов машинного обучения получило название "цифровая почвенная картография" [5, 6].

Прогнозное картографирование на основе моделей составляет основу цифровой почвенной картографии [5-8] и получило широкое воплощение при картографическом моделировании отдельных почвенных свойств [9-11], таксонов почв [12, 13] и структур почвенного покрова [14].

Цель работы - разработать крупномасштабную цифровую модель для автоматизации почвенно-агроэкологического картографирования.

Задачи

1. Создание моделей связей между морфометрическими характеристиками рельефа и распространением агроэкологических групп структур почвенного покрова с использованием методов машинного обучения;

2. Реализация полученных моделей в виде карт агроэкологических групп структур почвенного покрова;

3. Статистическая оценка картографических моделей и выбор лучшей.

Работа выполнялась для территории землепользования учебного хозяйства РГАУ-МСХА им. К.А. Тимирязева (~4300 га), расположенного в Переславском районе Ярославской области.

По почвенно-географическому районированию территория землепользования относится к подзоне дерново-подзолистых почв южной тайги, но, согласно государственной почвенной карте 1 млн. масштаба, она попадает на область специфических почв Владимирского (Юрьевского) Ополья. В связи с этим и тем, что работа рассматривается для всей территории, включающей разные элементы ландшафта, их можно считать относительно представительными для этой территории. Генезис и классификация почв рассматриваемого региона достаточно сложна и спорна. Разными авторами предлагаются разные точки зрения. В основном, почвы Владимирского Ополья рассматривают в типе серых лесных почв [15]. Однако отмечается ряд морфологических и химических признаков, отличающий их от таковых [16], делается попытка выделить их в отдельные генетические типы переходного класса почв [17], а также рассматривается принадлежность почв к дерново-подзолистым окультуренным почвам [18].

В качестве исходных материалов для моделирования были использованы: карта структуры почвенного покрова, составленная в рамках проекта адаптивно-ландшафтных систем земледелия для учхоза "Дружба" [1] и топографическая карта масштаба 1:10000 с высотой сечения 1 м, на основе которой была построена цифровая модель рельефа с пространственным разрешением 20 м.

Структуры почвенного покрова по карте были сгруппированы в 10 групп. Критерии выделения и группировки структур почвенного покрова разработаны ранее с учетом местных условий [19]. Выделены следующие группы структур почвенного покрова: 1) зональные (автоморфные) (З); 2) слабоэрозионные (Э 1); 3) среднеэрозионные (Э 2); 4) сильноэрозионные (Э 3); 5) полугидроморфно-зональные (ПЗ); 6) полугидроморфно-эрозионные (ПЭ); 7) полугидроморфные глееватые (ПГ 1); 8) полугидроморфные глеевые (ПГ 2), 9) гидроморфные (Г), 10) пойменные (А). Таким образом, цифровой подход картографирования применялся к группам СПП.

Для поиска наиболее представительной модели были выбраны ключевые ареалы соответствующих групп структур почвенного покрова (рис. 1). В работе представлены наиболее оптимальные схемы и итерации для примера моделирования связей почвы (или структуры) с факторами, задаваемыми индикационной моделью.

Факторно-индикационную основу модели почвенно-ландшафтных связей задавали морфометрические параметры рельефа, рассчитанные по цифровой модели рельефа (табл. 1) [20, 21].

Рис. 1. Выборка, использованная при создании цифровых моделей

Таблица 1. Морфометрические характеристики рельефа, использованные в анализе

Принципиальная схема цифрового подхода к картографированию рассматривается в работе Н.П. Сорокиной и Д.Н. Козлова [8].

Для моделирования и определения подходящей модели использовались методы статистического обучения в среде R (линейный дискриминантный анализ, множественная логистическая регрессия, "случайный лес", метод опорных векторов) [22].

Следует оговориться, что при моделировании почвенного покрова чисто формальный подход оценки независимых переменных не всегда может давать адекватный итоговый результат. Поэтому морфометрические характеристики были выбраны эмпирическим методом. Итоговым контролем модели должны служить не только, а, может, и не столько, статистические показатели получаемых данных модели в ходе анализа пространства признаков, а экспертная оценка получаемых карт. Наиболее наглядным выражением модели служит соответствующая карта, поэтому далее рассмотрим ряд картографических материалов и сопутствующую статистику к ним.

Рассмотрим карту групп структур почвенного покрова на основе модели дискриминантного анализа и статистику выходных данных.

Линейная дискриминантная модель разрабатывалась в программном языке R 3.3.3 в оболочке RStudio c использованием пакета MASS.

Ряд моделирований и полученные значения критерия Фишера (табл. 2) подтверждают ряд выборов параметров рельефа на предварительном этапе.

Таблица 2. Критерий Фишера для свойств рельефа

Из таблицы 2 четко выделяется высокое значение крутизны в разделении групп структур почвенного покрова. Это в очередной раз подтверждает, что крутизна склонов играет определяющую (хотя и не единственную) роль в формировании стока. Ее влияние на интенсивность эрозионных процессов сильно различается в зависимости от почвенно-литологических и других условий. Поэтому единой классификации склонов по эрозионной опасности существовать не может, но некоторые усредненные представления по этому поводу сложились. В случае моделирования нет необходимости классифицировать склоны по крутизне, так как анализ учитывает все разнообразие непрерывного изменения крутизны в пространстве факторно-индикационной основы заданного пространственного разрешения.

После крутизны выделяется ряд дополняющих параметров рельефа, которые также вносят существенный вклад в построение модели.

Глубина понижений (VD) и вертикальное расстояние до гидрографической сети (VDCN) помогают в разграничении аллювиальных и ряда полугидроморфных групп ЭПС. Замкнутые имеют важное значение при выделении гидроморфных структур почвенного покрова. Фактор длины/крутизны (LSF) дополняет разграничение эрозионных структур, а топографический индекс влажности (TWI) играет дополнительную роль при выделении полугидроморфно-зональных и полугидроморфных групп.

Не вполне объяснима роль в модели топографического индекса позиции или относительных превышений в заданной области. Значимость их снижается практически от большей окрестности к меньшей. Однако для получения более оптимальной картографической модели были использованы все четыре индекса.

Получив модель и применив уравнения регрессии ко всему пространству факторно-индикационной основы, мы можем получить расчёт наиболее вероятной группы структур почвенного покрова в каждом пикселе. Предварительную оценку модели можно дать по таблице 3, которая отражает, как ареалы, использованные в построении модели, были заново классифицированы по модели. В среднем все группы имеют хороший процент совпадений. Лучшее разделение имеет группа аллювиальных структур и полугидроморфных глеевых. Низкий процент совпадений наблюдается для группы полугидроморфных глееватых ЭПС. Но общая точность прогноза группы структур почвенного покрова на основе линейного дискриминантного анализа составляет довольно высокое значение в 68%, индекс каппа, равный 0,63, показывает существенное совпадение модельных значений с исходными ключевыми выделами.

Для более полной оценки полученной модели было проведено сравнение цифровой карты на основе модели почвенно-ландшафтных связей (рис. 2) и исходной карты, которая выступает в роле своего-рода эталона.

Полученная матрица корреляции показывает более низкое совпадение в 41% (табл. 4). Индекс каппа со значением в 0,28 определяет удовлетворительное совпадение.

Таблица 3. Матрица неточности линейного дискриминантного анализа (LDA) по выборке ключевых ареалов