Ученые разработали цифровые карты основных почвенных свойств для Республики Башкортостан, используя региональные данные для машинного обучения. Такую работу ранее не проводили не только в пределах нашей республики, но и на всей территории России.
– Почва является своего рода «кожей» нашей планеты, которая имеет свои характеристики и свойства. Из неё получают до 90% всех продуктов питания. По этой причине важно проводить мониторинг и оценивать состояние почвы, что затруднительно делать без актуальных картографических материалов, – рассказывает автор проекта, с.н.с лаборатории почвоведения Азамат Сулейманов.
Раньше почвенные карты создавались традиционными методами, которые основывались на полевых работах. Почвенные карты рисовали вручную с использованием полевой информации и сведений о почвообразующих факторах (климат, рельеф, растительность, материнские породы и возраст местности). На основе этих данных специалисты, чаще всего картографы-почвоведы, вручную вычерчивали границы почвенных контуров на бумаге. Весь процесс был крайне трудоёмким, а точность карт напрямую зависела от опыта специалиста, который экстраполировал результаты единичных разрезов на большие площади. Теперь же почвенные карты создаются с помощью компьютеров, и в начале века сформировалось отдельное научное направление «Цифровая почвенная картография». Оно основано на выявлении статистических взаимосвязей между почвами, её свойствами и факторами почвообразования, представленных в пространственной форме. Эти связи используются для моделирования и прогнозирования почвенных характеристик на обширных территориях с помощью современных методов, включая ИИ и машинное обучения.
Уникальность проекта учёных – в применении технологий 3D-моделирования основных почвенных свойств (содержания органического углерода и кислотности почвы) на разных интервалах глубины (от 0 до 100 см) методами машинного обучения с их многоступенчатой валидацией. В отличие от традиционных 2D-карт, которые показывают лишь поверхностный слой или отдельные горизонты, 3D-моделирование позволяет создавать непрерывные трёхмерные блоки, где каждому интервалу глубины почвы присваиваются прогнозируемые значения характеристик.
– Работу мы начали ещё в 2020 году. На первом этапе проходил сбор почвенных сведений за предыдущие годы. Далее мы проделали большую работу по гармонизации почвенных и пространственных данных. После окончания исследования опубликовали научную статью в ведущем мировом почвенном журнале Catena (https://doi.org/10.1016/j.catena.2026.109949), – уточнил Азамат.
29,4 тысячи измерений содержания органического углерода в почве и свыше 22,3 тысячи измерений кислотности использовали разработчики проекта для машинного обучения. В качестве цифровых карт окружающей среды учёные применили 82 уникальные карты республики, представляющие климатические, почвенные и гидрологические характеристики, рельеф, геологию и спутниковые снимки. Созданные 3D-карты проверили несколькими современными методами, включая оценку точности прогнозов, их неопределенностей и области применимости.
– Основная сложность состояла в сборе и гармонизации данных для дальнейшего обучения моделей. Это был самый долгий и трудный процесс. Для этого наша команда нашла и изучила различные литературные данные, научные статьи, отчёты, диссертации, сведения из которых наполняли базу данных. Проблема заключалась и в неравномерном покрытии почвенных данных, использующихся для машинного обучения. Например, почвенных данных в Уральских горах крайне мало по сравнению с равнинными ландшафтам Башкортостана. Это связано с тем, что полевые обследования в горах логистически затруднены, а также тем, что здесь мало сельскохозяйственных земель, что обуславливает нерелевантность исследований, – подчеркнули учёные.
Полученные результаты и цифровые карты будут использоваться в области сельского хозяйства, экологии и климата. Так, созданные современные карты значительно повысят точность оценок почвенного углерода и кислотности в масштабах всей республики, что критически важно для климатических моделей и мониторинга плодородия земель.
Сейчас в горах Урала идут полевые работы для сбора дополнительных почвенных данных. Также в будущем планируется использовать более современные методы ИИ.
Источники: сайт Министерства науки и высшего образования РФ и Правительства РБ
