ИСТИНА |
Войти в систему Регистрация |
|
Интеллектуальная Система Тематического Исследования НАукометрических данных |
||
Учет состояния земельного фонда, выявление негативных трендов изменения почвенных свойств, оценки рисков неблагоприятных явлений невозможны без мониторинга почвенного покрова, основным инструментом которого является крупномасштабное картографирование. Получение информации в ходе традиционных полевых исследований требует больших временных и денежных затрат, а также наличия профессионала высокого уровня – почвоведа – эксперта. В результате наблюдается разрыв между потребностью в качественной информации о состоянии почвенного покрова и высокой стоимостью ее получения. Цифровое почвенное картографирование призвано ликвидировать этот разрыв. Имеющиеся в настоящее время алгоритмы картографирования в разной степени учитывают внешнюю информацию – цифровые модели рельефа, данные дистанционного зондирования и т.п. и объединяют ее с данными полевых исследований. Однако разномасштабность имеющихся картографических материалов, фрагментарность сведений об истории развития территории, разновременность данных дистанционного зондирования на аналогичные территории создают определенные трудности. Конечная гармонизация имеющихся сведений может быть произведена с использованием байесовского метода, позволяющего оценивать вероятности того или иного состояния почвенного покрова при условии осуществления различных вариантов событий из набора внешней информации, а также экспертного мнения почвоведа-профессионала. Данный метод позволяет учитывать новую информацию и соответствующим образом пересматривать результаты картографирования.
В рамках данного проекта предполагается на примере территории Брянского ополья разработать и опробовать методологию и методику использования байесовского подхода для крупномасштабного картографирования. В работе предполагается использовать новый метод, разработанный Ю.Н.Благовещенским (многомерные Т-нормальные распределения), показавший свою эффективность в схемах сценарного прогнозирования. При построении вероятностно-статистических моделей почвенного покрова на основе байесовского подхода в качестве ковариат предполагается использовать числовые модели рельефа, разновременное и разномасштабное наземное и дистанционное зондирование, карты землепользования, а также экспертные оценки состояние почвенного покрова угодий. В дополнение к байесовскому методу предполагается использовать бутстреп моделирование, основанное на многократном генерировании выборок, статистически подобных базе экспериментальных данных.
РФФИ | Координатор |
грант РФФИ |
# | Сроки | Название |
1 | 1 января 2013 г.-31 декабря 2013 г. | Построение крупномасштабных цифровых почвенных карт с использованием байесовского подхода |
Результаты этапа: Оценены вероятности нахождения отдельных почвенных разностей на месте их современной локализации при условии отсутствия антропогенного воздействия. Показано, что проведенная в 80-тые годы мелиорация именно на этом угодье столь основательно нарушила почвенный покров, что почвы естественного сложения обнаруживаются лишь отдельными островками. Смена почв в пространстве оказывается слабо связанной с привычными факторами почвообразования. Диагностирована смена типологии структуры почвенного покрова от сочетаний к мозаикам. На примере данных красного канала () и содержания органического вещества почвы показано, что предварительная фильтрация данных космической съемки позволяет выявлять взаимосвязи между показателями, которые без этого оказываются незаметными из-за сильных помех. На основании шкал Элленберга, Лансдорфа и Цыганова создана база данных индикаторных свойств растений, последовательно сменяющих друг друга при зарастании заброшенных пашен. Поскольку некоторые из них (например, вейник наземный) массово развиваются на заброшенных пашнях Брянской области через 3-4 года после забрасывания и их наличие можно относительно легко диагностировать на мультиспектральных космических снимках, это планируется использовать в качестве внешней информации при Байесовском картировании почвенного покрова. Начато составление базы данных по серым лесным почвам Брянского ополья. | ||
2 | 1 января 2014 г.-31 декабря 2014 г. | Построение крупномасштабных цифровых почвенных карт с использованием байесовского подхода |
Результаты этапа: Качество детальных карт на примере карт удельной поверхности и содержания гумуса в пахотном слое агросерых почв оценивалось методом бутстреп-моделирования. Показано, что оценки параметров вариограмм и, следовательно, точность карт существенно зависят от количества точек, в которых определялось свойство. При точечном опробовании минимальное число точек равно 50. Проведен поиск дополнительных внешних переменных для построения цифровых почвенных карт. Обнаружено, что цветущий вейник наземный в августе-сентябре очень хорошо диагностирует 6-15 летние залежи не только при наземном обследовании, но и на космических снимках высокого разрешения. Это может быть использовано при дешифрировании залежей на космических снимках. Показано, что для агросерых почв Брянского ополья, гранулометрический состав которых слабо изменяется в пространстве, электрическое сопротивление в основном зависит от влажности и содержания гумуса. Для дерново-подзолистых почв, развитых на моренных отложениях, определяющим является содержание песчаной фракции. Доля учитываемой дисперсии электрического сопротивления при этом составляет 12-20%. Сравнение результатов дешифрирования космических снимков при помощи различных вероятностностных алгоритмов классификации проведено для следующих методов: Байесовского, Махаланобиса, метода ближайшего соседа , нейронных сетей. Обнаружено, что несмотря на размытость тренировочного класса «залежь», точность классификации характеризуется высоким значением показателя общей точности (каппа около 0,8). Показано, что 50-60-летние залежи практически сравниваются с ненарушенными почвами по величине рН, содержанию гумуса, подвижных фосфора и калия при условии, что пахотные аналоги находились в категории высокообеспеченных почв. Возвращение этих почв в сельскохозяйственное использование потребует значительных затрат не только для удаления кустарниковой и древесной растительности, но и внесения значительных доз извести и удобрений. | ||
3 | 1 января 2015 г.-31 декабря 2015 г. | Построение крупномасштабных цифровых почвенных карт с использованием байесовского подхода |
Результаты этапа: Априорная информация о свойствах серых лесных почв обобщена в базе данных, созданной из материалов, помещенных в открытых источниках. В базу включен раздел о степени пространственной изменчивости свойств в пределах сельскохозяйственных угодий. В работе рассматривалось несколько направлений, затрагивающих разные масштабы картографирования: 1. Байесовское оценивание отдельных параметров пространственного распределения почвенных свойств («Байес в агрохимическом картировании»). В качестве примера использовалась информация о подробном агрохимическом картировании в Карачевском районе Брянской области; 2. Использование дополнительной информации при картировании почвенного покрова а) на примере выявления мелиорированных участков (крупномасштабные карты, в качестве дополнительно переменной использовалось содержание гумуса, Выгоничский район Брянской области б) эмпирический Байесовский кригинг как инструмент выявления неоднородностей в пределах сельскохозяйственного угодья (крупномасштабные карты, агрохимические свойства и гумус, Брянская и Московская область) в) использование растительных индикаций для выявления особенностей почвенного покрова (на примере обнаружения залежей на космических снимках, средний масштаб, Брянская область). При обработке результатов полевого обследования и дистанционного зондирования параллельно проводилась оценка качества получаемых продуктов путем бутстреп-моделирования. Проведено сравнение результатов дешифрирования космических снимков при помощи различных вероятностностных алгоритмов классификации для методов: Байесовского, Махаланобиса, метода ближайшего соседа, нейронных сетей. Обнаружено, что, несмотря на размытость тренировочного класса «залежь», точность классификации характеризуется высоким значением показателя общей точности (каппа около 0,8). На примере данных красного канала и содержания органического вещества почвы показано, что предварительная фильтрация данных космической съемки позволяет выявлять взаимосвязи между показателями, которые без этого оказываются незаметными из-за сильных помех. Модель динамики ландшафтов Брянского ополья разрабатывалась на основе разновременных космических снимков высокого разрешения и анализа почв ключевых участков. Изменение почвенных свойств при переходе угодья в залежь исследовано на примере ряда почв разновозрастных залежей на серых лесных почвах. Показано, что 50-60-летние залежи практически сравниваются с ненарушенными по величине рН, содержанию гумуса, подвижных фосфора и калия при условии, что пахотные аналоги находились в категории высокообеспеченных. Возвращение этих почв в сельскохозяйственное использование потребует значительных затрат не только для удаления кустарниковой и древесной растительности, но и внесения значительных доз извести и удобрений. На примере Жирятинского района Брянской области оценена скорость перехода земель в залежное состояние в период с 1985-2010 гг. |
Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".