ОЦЕНКА СОДЕРЖАНИЯ ОРГАНИЧЕСКОГО УГЛЕРОДА В ПОЧВАХ РОССИИ С ПОМОЩЬЮ АНСАМБЛЕВОГО МАШИННОГО ОБУЧЕНИЯ

Исследование показывает современную количественную оценку содержания органического углерода почв России с учетом их огромного разнообразия, а также отражает понимание отдельных факторов, регулирующих и контролирующих содержание органического углерода почв в пределах страны. В работе приводятся результаты трехмерного моделирования содержания органического углерода почв с пространственным разрешением 500 м по ряду стандартных глубин (0-5, 5-15, 15-30, 30-60, 60- 100 см) на территории Российской Федерации с помощью ансамблевого машинного обучения. Автоматизированное прогнозное картографирование основывалось на данных по 4961 почвенному горизонту из 863 профилей почв, а также на обширном наборе пространственной информации, включающем биоклиматические переменные, цифровую модель рельефа и ее производные, долгосрочные усредненные временные ряды данных MODIS. Для построения моделей латеральной и вертикальной дифференциации использовался ансамблевый алгоритм машинного обучения (стекинг, стековое обобщение, стековая регрессия). Оценку точности полученных картографических моделей определяли с помощью пространственной перекрестной проверки. Результаты пространственной кросс-валидации показывают меньшую точность: коэффициент детерминации 0,46, CCC - 0,63, logRMSE - 0,88 (RMSE - 1,41 г/кг) по сравнению с традиционной перекрестной (R 2 cv - 0,68, CCC - 0,81, logRMSE - 0,68 (RMSE - 0,97 г/кг)). Предлагаемая количественная оценка полностью автоматизирована и позволяет воспроизводить моделирование и уточнять результаты по мере получения новых данных о почвах.

The study presents a modern quantitative assessment of the content of organic carbon in Russian soils, taking into account their huge variety, and reflects the understanding of individual factors regulating and controlling the content of organic carbon in soils of the country. The paper gives the results of three-dimensional modeling of organic carbon content in soils at several standard depths (0-5, 5-15, 15-30, 30-60, 60-100 cm) for the territory of the Russian Federation with 500 m spatial resolution using the ensemble machine learning. Automated predictive mapping was based on 4 961 soil horizons from 863 soil profiles, as well as on the extensive set of spatial information, including bioclimatic variables, digital elevation model and its derivatives, and the long-term averaged time series of MODIS data. An ensemble machine learning algorithm (stacking, stacked generalization and stacked regression) was used to build models of spatial and vertical distribution. The accuracy of obtained cartographic models was assessed using spatial cross-validation. The results of spatial cross-validation show lower accuracy: the coefficient of determination is 0,46, CCC - 0.63, logRMSE - 0,88 (RMSE - 1,41 g/kg) compared to randomize (R 2 cv - 0,68, CCC - 0,81, logRMSE - 0,68 (RMSE - 0,97 g/kg)). The proposed quantitative assessment is fully automated and makes it possible to reproduce the modeling and refine the results as new soil data are obtained.