The development of digital models of the soil cover in the western part of Bol'shezemel'skaya tundra
Автор: Vekshina V.N.
Журнал: Бюллетень Почвенного института им. В.В. Докучаева @byulleten-esoil
Рубрика: Статьи
Статья в выпуске: 99, 2019 года.
Бесплатный доступ
The methods of digital mapping are promising for creating soil maps on difficultly accessible territories. This study was aimed at searching of optimal approaches for digital mapping of the soil cover in poorly studied western part of the Bol’shezemel’skaya tundra on different scales. Medium-scale (1 : 200 000) and small-scale (1 : 1 M) soil maps served as the source of initial information about soils of this region; actual information of the state of the territory was obtained from remote sensing data (Landsat 8 scenes, Aug. 14, 2013) and digital elevation model ASTER GDEM v.2. After extraction of information and the choice of predictors, the analysis of digital soil cover models obtained with the use of different algorithms - Random Forest (RF), Multinomial Logistic Regression (MLR) and Linear Discriminant Analysis (LDA) - was performed. The coefficient of agreement between the newly developed digital models and the initial paper-based soil maps (kappa) was calculated...
Цифровые почвенные карты (dsm), landsat 8, aster gdem, lwci, ndvi, mndwi, random forest, digital soil maps, tundra-taiga ecotone, remote sensing data, map evaluation
Короткий адрес: https://sciup.org/143168554
IDR: 143168554 | DOI: 10.19047/0136-1694-2019-99-21-46
Текст научной статьи The development of digital models of the soil cover in the western part of Bol'shezemel'skaya tundra
Современный этап развития почвенной картографии связан с использованием компьютерных технологий, позволяющих анализировать большие объемы информации, включая первичные точечные полевые данные (полевые описания ландшафтов и почв, результаты анализа образцов), пространственные модели (различные тематические карты, модели рельефа) и данные дистанционного зондирования (ДДЗ), наиболее точно, но косвенно отражающие факторы почвообразования и организацию почвенного покрова. Выделилось направление цифровой почвенной картографии (ЦПК) (Савин, 2016; Цифровая почвенная картография, 2012; Козлов, 2009; McBratney et al., 2003) . Ставится задача по созданию мировой цифровой почвенной карты (точнее, серии карт отдельных свойств почв) с разрешением порядка 100 м, разрабатываются различные алгоритмы решения этой задачи в зависимости от имеющихся данных (Arrouays et al., 2014) .
В основе ЦПК лежит традиционный анализ связей между почвами (или отдельными их свойствами), факторами почвообразования и характеристиками поверхности, но проводимый на количественной основе с использованием методов геостатистики.
Имеющиеся тематические карты и ДДЗ применяются для анализа территории, выявления признаков, наиболее существенных в изучаемой природно-климатической обстановке, с целью подбора величин – предикторов почв (почвенных свойств), – адекватно отражающих взаимосвязи почв и факторов почвообразования, их математической обработки и группировки для автоматического построения почвенной карты.
Способы применения ДДЗ в традиционном и цифровом картографировании различны. В первом случае ДДЗ используются в качестве обычной подложки для визуального дешифрирования почв (Савин, Симакова, 2012) . Во втором – они используются для автоматического извлечении информации, значимой при создании карт и определяемой природно-климатическими особенностями района исследования и техническими возможностями. Конечным продуктом являются либо карты отдельных свойств почв (Dharumarajan et al., 2017; Vågen et al., 2016; Grimm et al., 2008) , либо непосредственно сама почвенная карта (Докучаев, 2017; Жо голев, 2016; Abdel-Kader, 2011; Конюшкова, Козлов, 2010) .
ДДЗ как источник информации имеет свои особенности, которые следует учитывать при создании карт того или иного масштаба. Как отмечено И.Ю. Савиным (Савин, 2016) , использование косвенных дешифровочных признаков при создании мелко- и среднемасштабных карт оказалось более надежным, чем использование прямых дешифровочных признаков при крупномасштабном картографировании. Работа с косвенными признаками – в первую очередь с растительностью и рельефом – важна при построении уточненных цифровых моделей почвенного покрова на основе имеющихся бумажных карт (Сухачева, 2019; Савин, Овеч кин, 2014) .
Для отечественного почвоведения эта задача особенно актуальна, так как полевые данные часто отсутствуют в достаточном количестве, зато имеется богатый архив почвенных карт прошлых лет (Савин, Овечкин, 2014) . Бумажные почвенные карты разных масштабов составлены на всю территорию страны и являются основным источником данных о почвенном покрове. Материалы современных точечных полевых исследований используются для уточнения и проверки имеющейся информации.
Общей методики создания цифровых почвенных карт на основе имеющейся картографической информации, моделей рельефа и ДДЗ пока не существует. Очевидно, что выбор предикторов почвообразования и способов их анализа зависит от многих факторов, включая физико-географические особенности и связи почва – факторы для конкретной территории, доступность материалов, наличие новых полевых данных и др. Количество таких исследований для равнинных тундрово-таежных территорий с “закрытой” растительностью поверхностью почвы невелико. Для Европейского северо-востока они единичны (Каверин, 2012) . Вместе с тем потребность в уточненных цифровых моделях почвенного покрова, увязанных с ДДЗ, для этих территорий высока и будет возрастать в связи с необходимостью дистанционного мониторинга трансформации природного комплекса и почв под воздействием возрастающего антропогенного пресса (в первую очередь развития нефтегазодобычи) и климатических изменений.
Этим определяется актуальность исследования. Его задачей была отработка подходов к построению и проверке цифровых почвенных карт тундрово-таежного экотона на основе имеющихся средне- и мелкомасштабных бумажных почвенных карт, цифровой модели рельефа и ДДЗ. Условно в работе можно выделить три этапа: 1) анализ связей почва – факторы и подбор предикторов почвообразования; 2) совместный анализ предикторов и построение цифровой модели почвенного покрова по определенному алгоритму; и 3) содержательный анализ полученных результатов, уточнение закономерностей почвообразования и географии почв для рассматриваемого региона. В данной статье преимущественно рассматривается второй этап – построение цифровых почвенных карт.
ОБЪЕКТЫ И МЕТОДЫ
Исследуемый район расположен в центральной части Ненецкого автономного округа, в Субарктическом поясе, в пределах Печорской синеклизы. Климат умеренно-холодный гумидный, умеренно-континентальный, более мягкий в западной части в связи с отепляющим воздействием р. Печоры. Среднегодовые температуры воздуха –3 °С ... –4 °С; количество осадков – около 600 мм
(Научно-прикладной справочник по климату СССР, 1989) . Восточная часть расположена в зоне массивно-островной, а западная – островной мерзлоты (Осадчая, Тумель, 2012) . Почвообразующими породами являются четвертичные отложения различного генезиса c преобладанием аллювиальных песков в западной части и ледниково-морских суглинков в восточной части (http://www.vsegei.ru) . Междуречья заняты кустарниковыми моховыми и мохово-лишайниковыми тундрами в сочетании с плоскобугристыми болотами. Березово-еловые и сосновые лесные массивы с ерником и мохово-лишайниковым покровом занимают дренированные позиции на террасах рек. Злаково-осоковые луга, ивняки и моховые болота преобладают в поймах. Значительны массивы незакрепленных песков (Лавриненко, 2013) . В почвенном покрове преобладают Al-Fe-гумусовые почвы (в западной части), глееземы, криометаморфческие почвы, торфяные мерзлотные и немерзлотные почвы, аллювиальные гумусовые, гумусово-глеевые и торфяно-глеевые почвы и псаммоземы.
Изучение почвенного покрова проводилось на широтновытянутом участке местности (N 67 0 21'52", E 53 0 00'41" (юго-запад); N 67 0 48'36", E 55 0 12'29" (северо-восток)), рассматриваемом в мелком масштабе. В западной части исследуемой территории был выделен полигон (N 67 0 48'34", E 53 0 00'41" (юго-запад); N 67 0 21'54", E 53 0 59'54" (северо-восток)), границы которого определялись имеющейся среднемасштабной почвенной картой на эту территорию. На рисунке 1 показан космический снимок с границами исследуемой территории и полигона. Фиолетовым цветом выделена граница всей исследуемой территории, розовым цветом заштрихован полигон для изучения территории в разных масштабах.
Источники информации. Для создания цифровых почвенных карт мелкого (на весь участок) и среднего (на его западную часть) масштабов в качестве основного источника почвенной информации использованы листы ГПК масштаба 1 : 1 млн, листы Q-39 (1977) и Q-40 (1982), и почвенная карта Н.А. Крейды масштаба 1 : 200 000 (лист Q-39-V, VI) (1958), также были использованы сцены Landsat 8 за 14.08.2013, а также цифровая модель рельефа ASTER GDEM v. 2 (http://viewfinderpanoramas.org/dem1d). Для по- нимания почвенно-ландшафтных связей на территории исследования была использована информация с топографических, ландшафтных, геологических и геокриологических карт и литературных источников.

Рис. 1. Район исследований.
Fig. 1. Study area.
Полевые данные: описания 67 разрезов, полученные в 2014– 2016 гг. и характеризующие наиболее распространенные в восточной и западной части территории типы почв, использовались при проверке базовых и цифровых почвенных карт.
На первом этапе все векторные (векторизованные базовые почвенные карты, точечные полевые данные) и растровые данные (каналы Landsat, цифровая модель рельефа ASTER GDEM v. 2) были сведены в единую ГИС (в программе QGIS). С помощью растровых данных рассчитывались ковариаты, подобранные на основании изученных почвенно-ландшафтных связей для территории исследования.
Для статистического анализа связей предиктор – почва , а также для подбора модели создания карты значения выбранных ковариат и названия почв с почвенных карт были взяты по регулярной сетке (три точки/км 2 ), что обеспечило попадание точек во все выделенные почвенные контуры. Из дальнейших расчетов были исключены точки, попавшие на предварительно отдешифриро-ванные водные объекты и массивы развеваемых песков. Всего в статистическую обработку для среднемасштабной карты попало
5715 точек (для 2091 км 2 ), а для мелкомасштабной – 13014 точек (для 4638 км 2 ). По результатам статистического анализа построена корреляционная матрица для подбора минимального количества ковариат с максимальной суммарной эффективностью, оценена способность отобранных предикторов к разделению общей совокупности почв (по критерию Миллса) и их парных комбинаций (по t -критерию).
В итоге для построения среднемасштабной почвенной карты были отобраны следующие индексы: абс. высота, LWCI, NDVI, температура (t) поверхности; для мелкомасштабной карты к этим предикторам был добавлен индекс MNDWI, помогающий отделить почвы на суглинках в восточной части полигона. Более подробно процедура подбора и анализа предикторов охарактеризована ранее (Векшина, 2019).
Этап построения карт включал в себя подбор алгоритма построения карты с помощью индекса каппа (Cohen 1960, 1968) , создание цифровых почвенных карт на основе выбранной модели и оценку полученных карт. Работы велись в программе R-Studio.
Суть проверки заключалась в следующем: всю выборку точек (100 %) программа случайным образом делит на выборки в соотношении 70 % и 30 %, при этом по первой производится построение модели (карты), а по второй эта карта проверяется, т. е. анализируется количество правильного определения точек второй выборки к исходным классам по карте, построенной по первой выборке. Если все эти точки определены верно, то значение согласованности равно 1, если неверно – 0.
Сравнивались алгоритмы: Random Forest (RF, cлучайный лес), Multinomial logistic regression (MLR, полиномиальная логистическая регрессия), Linear discriminant analysis (LDA, линейный дискриминантный анализ). По литературным данным (Jeune, 2018; Meier, 2018; Stum et al., 2010), алгоритм RF широко используется при создании цифровых почвенных карт и часто оказывается предпочтительным. Алгоритм MLR также используется при создании цифровых почвенных карт (Kempen et al., 2009; AbdelKader., 2011; Piccini et al., 2018; Abbaszadeh Afshar et al., 2018). Алгоритм LDA применяют для классификации объектов, однако для построения карт он обычно не используется из-за важного ограничения – все предикторы должны быть количественными и подчиняться многомерному нормальному распределению.
Для каждого из вышеназванных алгоритмов в 10-кратных проворностях, т. е. 10 раз создавалась разная выборка точек для построения модели и ее проверки, отдельно для мелкомасштабной и среднемасштабной карты рассчитывался индекс каппа. Далее рассчитывалось среднее значение каппы для каждого алгоритма и карты. В основу этих моделей закладывались ранее выбранные ковариаты, описанные выше.
Этап независимой проверки полученных цифровых и оцифрованных исходных карт заключался в их сравнении с общей ландшафтной ситуацией, отражаемой на снимках, и полевыми данными, полученными в результате экспедиций, которые проходили на этой территории в августе с 2014 г. по 2016 г. Верификация мелкомасштабных карт велась по 67 разрезам, верификация среднемасштабных карт – по 44 разрезам.
В первом приближении все описанные в поле почвы отнесены к четырем группам: П – альфегумусовые (подзолы и подбуры), Т – торфяные, А – аллювиальные, Г – глеевые (и криометаморфи-ческие). С ними же были соотнесены наименования преобладающих почв в контурах, выделенных на базовых почвенных картах (ГПК и карте Н.А. Крейды) . На карте Н.А. Крейды, помимо вышеназванных групп, была выделена группа т.-д. – текстурнодифференцированные (подзолистые) почвы. Полевые данные по ним отсутствуют, т. к. область их широкого распространения находится значительно южнее районов полевых исследований в 2014, 2015 и 2016 гг.
На рисунке 2 изображена оцифрованная и объединенная по группам почв почвенная карта Н.А. Крейды и фрагмент ГПК на одну и ту же территорию. В легенде даны все группы, присутствующие на обеих картах, поэтому в ней нет подзолистых почв, которые отмечены серым цветом на среднемасштабной карте.
карта ГПК карта НА Крейды

Рис. 2. Группы почв, выделенные по отцифрованной ГПК и отцифрован-ной карте Н.А. Крейды границах полигона.
Fig. 2. Groups of soils shown on the digitized State Soil Map and on the digitized map by N.A. Kreida within the boundaries of the polygon.
На водные объекты и массивы развеваемых и слабозакреп-ленных песков с псамоземами была отдельно создана маска – эти объекты маскировались при моделировании, а затем включались в итоговые цифровые карты.
Коррекция закладываемой модели. Результаты визуальной проверки изначальных и полученных в результате моделирования почвенных контуров по аэроснимкам Bing, доступным через программу QGIS, и их соотнесения с полевыми данными показали необходимость предварительной ручной корректировки закладываемой картографической модели – почвенной карты Н.А. Крей-ды. Такая коррекция была проведена (см. ниже).
После коррекции исходной карты Н.А. Крейды вновь проводился подбор алгоритма создания цифровой карты, ее построение и независимая проверка по полевым данным.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Как для мелкомасштабной, так и для среднемасштабной карты лучшие результаты “самопроверки” (по индексу каппа) были получены при использовании алгоритма RF (табл. 1). Похожие результаты для этого алгоритма отмечены и другими авторами при создании почвенных карт на другие территории (Jeune et al., 2018; Pahlavan-Rad et al., 2016) .
Таблица 1. Критерий каппа для разных алгоритмов построения мелкомасштабной карты
Table 1. Kappa index of agreement for different algorithms of small-scale digital soil mapping
Алгоритм |
№ повторности |
Среднее |
|||||||||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
||
RF |
0.39 |
0.38 |
0.40 |
0.39 |
0.38 |
0.39 |
0.39 |
0.40 |
0.39 |
0.38 |
0.39 |
LDA |
0.27 |
0.27 |
0.28 |
0.27 |
0.27 |
0.27 |
0.28 |
0.28 |
0.28 |
0.28 |
0.28 |
MLR |
0.32 |
0.31 |
0.31 |
0.31 |
0.30 |
0.31 |
0.31 |
0.31 |
0.32 |
0.31 |
0.31 |
Среднее значение каппа для мелкомасштабной карты по 10 проворностям для метода RF оказалось равным 0.39 (табл. 1), что соответствует удовлетворительному уровню совпадения (0.21– 0.40), согласно Landis (Landis, Koch, 1977) , но ближе к верхней границе градации.
Итоговая мелкомасштабная цифровая почвенная карта, построенная по алгоритму RF, представлена на рисунке 3.
Для среднемасштабной карты среднее значение каппа по 10 проворностям при использовании алгоритма RF оказалось равным 0.36 (табл. 2), что также соответствует удовлетворительному уровню совпадения (0.21–0.40) согласно (Landis, Koch, 1977) .
Таблица 2. Критерий каппа для разных алгоритмов построения среднемасштабной карты
Table 2 . The Kappa coefficient of agreement for different algorithms of medium-scale digital soil mapping
Алгоритм |
№ повторности |
Среднее |
|||||||||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
||
RF |
0.38 |
0.37 |
0.35 |
0.38 |
0.36 |
0.37 |
0.35 |
0.36 |
0.35 |
0.38 |
0.36 |
LDA |
0.20 |
0.19 |
0.19 |
0.18 |
0.17 |
0.17 |
0.17 |
0.17 |
0.17 |
0.21 |
0.18 |
MLR |
0.31 |
0.30 |
0.31 |
0.29 |
0.31 |
0.29 |
0.31 |
0.33 |
0.32 |
0.31 |
0.31 |
Алгоритм RF использовался и для построения среднемасштабной цифровой почвенной карты на западную часть полигона (рис. 4).

Легенда
10 0 10 20 30 км
-
1 J Тундровые иллювиально-гумусовые оподзоленные и тундровые иллювиальногумусовые оподзоленные сухоторфянистые
-
2 | Тундровые поверхностно-глеевые дифференцированные, тундровые поверхностноглеевые дифференцированные сухоторфянистые и тундровые поверхностно-глеевые пятен мерзлотные
-
3 | Тундровые остаточно-торфяные мерзлотные и болотные верховые мерзлотные
-
4 Болотно-тундровые торфянисто-глеевые иллювиально-гумусовые и болотно-тундровые иллювиально-гумусовые сухоторфяннсто-глеевые мерзлотные с болотно-тундровыми торфяно-глеевыми иллювиально-гумусовыми и болотно-тундровыми иллювиальногумусовыми сухоторфяно- глеевым и мерзлотными
-
5 ] Аллювиальные болотные и аллювиальные дерновые глеевые
-
6 | Болотно-тундровые торфянисто-глеевые и болотно-тундровые сухоторфяннсто-глеевые мерзлотные с болотно-тундровыми торфяно-глеевыми и болотно-тундровыми
сухоторяно-глеевым11 мерзлотным11
Болотно-тундровые оподзоленные торфянисто-глеевые и болотно-тундровые оподзоленные сухоторфянисто-глеевые мерзлотные с болотно-тундровыми оподзоленными торфяно-глеевыми и болотно-тундровыми оподзоленными сухсторфяно-глеевыми мерзлотными
-
8 | Болотные верховые мерзлотные и тундровые остаточно-торфяные мерзлотные
Подзолы иллювиально-гумусовые
10 Подзолы иллювиально-гумусовые и подзолы иллювиально-гумусовые сухоторфянт ютые
Рис. 3. Мелкомасштабные почвенные карты: слева – исходная (оцифрованная Государственная почвенная карта), справа – цифровая.
Fig. 3. Small-scale soil maps: initial digitized State Soil Map (on the left) and the new developed digital soil map (on the right).

Рис. 4. Среднемасштабные почвенные карты: слева – исходная (оцифрованная почвенная карта Н.А. Крейды), справа – цифровая.
Fig. 4. Medium-scale soil maps: initial digitized soil map by N.A. Kreida (on the left) and the new developed digital soil map (on the right).
Этап независимой проверки карт включал оценку построенных оцифрованные исходных почвенных карт и цифровых почвенных карт по данным полевых наблюдений за 2014–2016 гг.
Матрицы неточностей исходной и цифровой мелкомасштабной карты с полевыми данными представлены ниже (слева и справа, соответственно). Для этой карты рассмотрены 4 основных группы почв: П – альфегумусовые (подзолы и подбуры), Т – торфяные, А – аллювиальные, Г – глеевые/криометаморфизованные (на суглинках).
Точность исходной карты, проверяемой по полевым данным, оказалась крайне низкой, что связано с масштабом карты и с тем, что в состав ее контуров входит сразу несколько (до трех) почвенных комплексов, реже почв. При проверке точности карты учитывалась только первая (преобладающая) почва (или комплекс почв). Несоизмеримость масштаба карты (1 : 1 млн) и точечных полевых данных, характеризующих площади порядка 1–5 м 2 , не позволяет судить на ее основе о “несовпадении” исходной карты и полевых данных.
Полевые данные |
|||||
^Q H Оч cd Н О О И cd Ч |
П |
Т |
А |
Г |
|
к |
2 |
||||
н |
12 |
2 |
6 |
||
< |
2 |
||||
22 |
10 |
1 |
10 |
Общая точность: 16 : 67 = 24 %
Полевые данные

П
Т
А
Г
Общая точность: 18 : 67 = 26 %
Все это справедливо и для новой цифровой карты, построенной с помощь ДДЗ, разрешение которой меньше размеров площадок полевых описаний, что в условиях неоднородности и комплексности почвенного покрова и недостаточной точности привязки полевых данных (по данным однократных определений координат приемником GPS) делает оценку точности карты по полевым данных весьма условной. Количество точек для проверки явно недостаточное, чтобы оценить точность вновь созданной карты (67 разрезов на площади 4638 км2). Проверку на точность мелкомасштабной карты с комплексным почвенным покровом стоит рассматривать не столько как сравнение исходной и цифровой карты, сколько как материалы для разработки более обоснованного подхода к проверке цифровых карт и дальнейшего обсуждения этой темы.
Тем не менее стоит отметить, что точности исходной оцифрованной мелкомасштабной карты и цифровой мелкомасштабной карты оказались близки. Условно можно говорить о том, что новая цифровая карта оказалась “не хуже” исходного оригинала.
Общие точности исходной (слева) и цифровой (справа) среднемасштабной карты при проверке по полевым данным оказались выше, чем для мелкомасштабной карты.
Полевые данные |
|||||
ьР H W О О К К cd |
П |
Т |
А |
Г |
|
к |
17 |
2 |
1 |
||
н |
9 |
5 |
1 |
2 |
|
< |
2 |
2 |
1 |
||
н |
Общая точность: 24 : 44 = 54 %
Полевые данные |
|||||
ьр н о о cd |
П |
Т |
А |
Г |
|
к |
14 |
0 |
1 |
1 |
|
н |
7 |
3 |
|||
< |
2 |
2 |
1 |
||
? н |
7 |
4 |
2 |
Общая точность: 19 : 44 = 43 %
В карте Н.А. Крейды кроме вышеназванных групп почв присутствуют еще группа текстурно-дифференцированных (подзолистых) почв (т.-д.).
Более высокое соответствие среднемасштабных карт полевым данным связано с выделением на карте менее крупных контуров с более однородным почвенным покровом (в контурах, как правило, показана только одна почва); сама территория этой (западной) части тестового полигона более однородна и целиком входит в состав одного почвенного района (Забоева и др., 1984) . Проверка среднемасштабных карт по полевым данным представляется более корректной. Следует отметить, что точность (степень совпадения с полевыми данными) у исходной карты оказалась выше, чем у новой цифровой карты: первой соответствовало 24
описания (из 44), причем еще два описания попали на водные объекты по карте; совпадение с новой цифровой картой – у 19 описаний из 44. Ряд описаний, причем разных групп почв, “попали” в контуры с т.-д. почвами.
Полученные результаты свидетельствуют о том, что описанный подход к созданию цифровых почвенных карт среднего и мелкого масштаба вполне оправдан. Однако в данном случае говорить о достоверной проверке карт по полевым данным или о более точном отображении реальной ситуации на цифровых картах преждевременно. Их визуальный анализ показывает неплохое совпадение с общим рисунком снимков, однако есть “проблемные” участки, где такого совпадения не наблюдалось. Для них возможна ручная корректировка, или на уже готовой цифровой карте, или на исходной карте. Последний путь и опробован в нашей работе.
Коррекция исходной карты и построение новой цифровой карты были проведены для среднемасштабной карты. Коррекция заключалась в небольшой ручной правке границ некоторых контуров и в уточнении смыслового содержания легенды карты.
Так, показанные на ней небольшие контуры пойменных перегнойно-болотных почв попали на существенно разные объекты по снимкам: собственно поймы, лесные массивы (террас), развеваемые пески, водные объекты. Учитывая малые площади таких почв, было решено отказаться от самостоятельного отображения их контуров, присоединив их к соседним почвам, занимающим бóльшие площади.
Также была произведена корректировка болотных массивов с торфяными почвами. Они были разделены на две группы: болота с преобладанием обводненных мочажин и болота с преобладанием бугров. Для первых характерны торфяные эутрофные почвы, для вторых – мерзлотные торфяные олиготрофные почвы. Они хорошо разделяются по снимкам, так как растительный покров этих почв имеет отличающиеся спектральные характеристики. Для обводненных мочажин характерны осоково-пушицево-сфагновые сообщества; для бугров – багульниковые морошково-кустарничково-лишайниково-моховые сообщества. Выделение же олиготрофных и эутрофных почв напрямую зависит от состава торфа, который тесно связан с растительным покровом. Ряд выделенных на картах контуров (или частей контуров) болот по снимкам явно попадал на другие объекты. В этом случае проводилась ручная корректировка их границ, а выделенные в откорректированных местах торфяные почвы переименовывались с учетом близости расположения соседних контуров почв с другими почвами.
Для построения новой карты были взяты те же ковариаты, что и ранее. Итогом проведения такой коррекции стало то, что при построении модели точность разных алгоритмов возросла (табл. 3).
Таблица 3. Критерий каппа для разных алгоритмов построения среднемасштабной карты после ручной коррекции исходной карты
Table 3. The Kappa coefficient of agreement for different algorithms of medium-scale digital mapping after manual correction of the initial map
Алгоритм |
№ повторности |
Среднее |
|||||||||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
||
RF |
0.40 |
0.38 |
0.39 |
0.40 |
0.40 |
0.38 |
0.38 |
0.39 |
0.41 |
0.39 |
0.39 |
LDA |
0.31 |
0.28 |
0.32 |
0.31 |
0.29 |
0.30 |
0.29 |
0.31 |
0.30 |
0.30 |
0.30 |
MLR |
0.36 |
0.34 |
0.36 |
0.37 |
0.37 |
0.35 |
0.35 |
0.35 |
0.35 |
0.36 |
0.35 |
Так же, как и при сравнении каппа для построения картографической модели по не откорректированным средне и мелкомасштабным почвенным картам, наилучший результат был получен для алгоритма RF, который и был использован при построении нового варианта среднемасштабной цифровой почвенной карты (рис. 5).
Как видно из приведенной ниже матрицы неточностей, оценка точности этой карты по полевым данным существенно возросла – с 43 до 61 %.
Для мелкомасштабных карт, отражающих сложный почвенный покров с преобладающей и сопутствующими почвами (часто показываемыми внемасштабными знаками), при известном примерном соотношении между ними, возможен иной метод коррекции – с включением этапа дезагрегации карты, например, с помощью алгоритма DSMART (Nathan et al., 2014) .
Полевые данные |
|||||
о о cd |
П |
Т |
А |
Г |
|
к |
21 |
1 |
2 |
||
н |
1 |
4 |
1 |
||
< |
2 |
2 |
1 |
||
? н |
6 |
1 |
Общая точность: 27 : 44 = 61 %

-
1 ] Болота с преобладанием бугров
Я Болота с преобладанием мочажин
Ш Тундровые иллювиально-гумусовые оподзоленные, песчаные и супесчаные
Ш Средне-п слабоподзолистые поверхностно глеевые, супесчаные на валунных суглинках
Среднемощные подзолистые
-
6 | иллювиально-гумусовые, песчаные и супесчаные
■ Карликовые иллювиально-гумусовые подзолы, песчаные и супесчаные
■ Торфянисто-подзолисто-глеевые, суглинистые
Сочетание дерново-аллювиальных, дерново-аллювт га льно-глеевых и дерновоперегнойно глеевых на породах различного механического состава
| Реки, озера | Пески
10 0 10 20 км
Рис. 5. Итоговая обновленная среднемасштабная карта (по скорректированной начальной карте).
Fig. 5. Medium-scale digital soil map obtained after manual correction of the initial map.
В случае Государственной почвенной карты необходимо экспертное заключение о “весе” той или иной почвы в контурах. Для разделения самих почвенных комплексов необходимы снимки, разрешение которых было бы сопоставимо по размеру с эле- ментарными почвенными ареалами для исследуемой территории. При отсутствии эксперта метод, используемый в настоящей работе, представляется наиболее рациональным: он не требует большого объема данных, экспертного знания территории (“экспертом” выступает изначальная карта), а все используемые материалы – открытого доступа. Метод применим в разных природных зонах, однако для каждой новой территории необходим свой набор предикторов и исходных данных, наиболее значимых для исследуемого участка.
Предварительная коррекция контурной и смысловой части исходных карт позволяет существенно повысить точность построения новой цифровой модели почвенного покрова.
ВЫВОДЫ
В работе рассмотрены этапы построения и проверки создаваемых цифровых почвенных карт среднего и мелкого масштаба. Также рассмотрено влияние закладываемой модели на результат картографирования на примере среднемасштабной карты.
-
1) На этапе построения карты, среди опробованных методов моделирования: Random Forest (RF), Multinomial logistic regression (MLR), Linear discriminant analysis (LDA), – наибольшую точность предсказания показал метод случайного леса (Random Forest). Среднее значение индекса каппа для цифровой мелкомасштабной и предварительно откорректированной среднемасштабной карты составило 0.39, что соответствует удовлетворительному уровню совпадения (0.21–0.40), согласно Landis (Landis, Koch, 1977) , но ближе к верхней границе градации.
-
2) Для ориентировочной проверки построенных картографических моделей были использованы группы почв, близкие по своему содержанию к отделам Классификации почв России 2004 г. Повышение определяемого таксономического уровня почв в целом негативно сказывается на достоверности проверяемой модели, однако, с методической точки зрения, проверка полученных карт с приведением их и полевых данных к единому языку оправдана.
-
3) Проверка по независимым полевым данным показала, что общая точность исходных карт и новых цифровых карт сходна: для мелкомасштабной карты – 24 и 26 %; для среднемасштабной
карты – 54 и 43 % соответственно. Предварительная коррекция исходной среднемасштабной карты позволила увеличить точность цифровой модели до 61 %. Такая коррекция возможна в ручном и автоматическом режимах для объектов, хорошо диагностируемых на снимке. В нашем случае это были водные объекты и массивы развеваемых песков. Создаваемая маска таких объектов в дальнейших процедурах статистического анализа выбранных ковариат не участвует и напрямую входит в создаваемую цифровую карту.
Следует отметить, что проверка средне- и особенно мелкомасштабных карт для территорий со сложным комплексным почвенным покровом по немногочисленным точечным полевым данным не может считаться полностью корректной. Скорее, ее следует рассматривать как предварительную оценку карт.
БЛАГОДАРНОСТЬ
Исследование выполнено при поддержке гранта РНФ “Крупномасштабное цифровое картографирование почв на основе дистанционного зондирования” (проект 15-16-30007). Автор благодарит сотрудников Почвенного института имени В.В. Докучаева С.Ф. Хохлова и Д.Е. Конюшкова за содействие в проведении исследований и написании статьи.