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

Размещено на http://www.allbest.ru/

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

Каппа = 0,63.

Рис. 2. Карта групп структур почвенного покрова, реализованная на основе линейной дискриминантной модели

Низкий процент совпадений наблюдается у группы полугидроморфно-эрозионных, что можно объяснить тесной связью с эрозионными группами и полугидроморфно-зональными, а также невысокой долей ее в обучающей выборке. Этот выбор связан с тем, что на исходной карте группы занимают территории со склонами, расчлененными ложбинной сетью, и с обобщением почвенных условий таких территорий. Поэтому выделялись только отдельные участки, приуроченные к отдельным элементам рельефа, а не к их сочетанию. Приличную корреляцию имеют слабо- и сильноэрозионные, полугидроморфно-зональные, полугидроморфные и пойменные группы ЭПС. Сравнительная оценка недостаточно формализована, но, учитывая неопределенности при составлении исходной карты, такой исход вполне удовлетворительный.

Таблица 4. Матрица совпадений исходной карты и карты, построенной на основе модели линейного дискриминантного анализа

Каппа = 0,28.

Учитывая сложность и многообразие почвенного покрова, формальные статистические подходы к оценке модели необходимо использовать в сочетании с экспертно-визуальной оценкой почвоведа. При экспертном анализе полученной карты можно сказать, что выделенные ареалы распространения групп ЭПС не лишены ландшафтной логики. Так, зональные (З) группы приурочены к выпуклым водоразделам и вершинам холмов, эрозионные структуры (Э 1, Э 2, Э 3) - к склонам различной крутизны, что связано с высокой ролью крутизны (SLP) в данной модели. Хорошо выделены пойменные участки (А), которые совпадают с долинами рек, протекающих на данной территории. Гидроморфные ЭПС заметно коррелируют с замкнутыми понижениями. Хорошо выделены полугидроморфно-зональные группы структур почвенного покрова, которые, ввиду специфики территории, представлены комбинациями автоморфных почв с некоторым участием слабоглееватых, и группа полугидроморфных глееватых, в которых доля глееватых почв возрастает, приуроченных к вогнутым поверхностям с небольшим уклоном и водосборным площадкам оврагов.

В целом карта имеет достаточно плавные переходы между разными группами структур почвенного покрова, а их общее распространение в целом не противоречит разработанной группировке структур почвенного покрова для Владимирского Ополья [15; c. 142-147].

Рассмотрим следующую модель на основе множественной логистической регрессии, разработанной в программном языке R 3.3.3 в оболочке RStudio c использованием пакета nnet.

Для построения модели использовался тот же набор параметров, что и для предыдущей дискриминантной модели, и стандартные настройки модели в пакете nnet.

По формальным признакам модель имеет хорошие показатели: общая точность 80%, а каппа 0,77 дает оценку существенного совпадения с исходными ключевыми ареалами групп ЭПС.

При сравнении же с исходной картой (табл. 5) оценка падает до общей корреляции в 34%, и каппа 0,22 дает удовлетворительное совпадение. При более высокой исходной точности, чем у линейного дискриминантного анализа, корреляция хуже, что, вероятно, свидетельствует о недостаточности этой модели.

Рассмотрим и проведем экспертную оценку визуализации модели множественной логистической регрессии в виде карты (рис. 3).

Полученная карта имеет более неоднородный рисунок распространения групп структур почвенного покрова. Большое распространение получила группа полугидроморфно-эрозионных. Эрозионные структуры имеют несколько другой характер распределения, но также приурочены к склонам: с увеличением крутизны увеличивается и вероятность более эрозионной группы. Пойменные группы смешаны и осложнены, в значительной степени, полугидроморфными глеевыми. Гидроморфные структуры схожи по распределению с картой на основе линейного дискриминантного анализа.

Таблица 5. Матрица корреляции исходной карты и карты, построенной на основе модели множественной логистической регрессии

Каппа = 0,22.

Рис. 3. Карта групп структур почвенного покрова, реализованная на основе множественной логистической регрессионной модели

Общее впечатление от карты неудовлетворительное: группы излишне перемешаны между собой, и ряд их сложно интерпретировать при экспертной оценке почвоведа.

Дальнейшую сравнительную характеристику проведем после рассмотрения всех вариантов моделирования, использованных в данной работе.

Модель на основе метода "случайного леса" разрабатывалась в программном языке R 3.3.3 в оболочке RStudio c использованием пакета randomForest. Для построения модели использовался тот же набор параметров, что и для других моделей при ntree = 500, mtry = 5.

Стоит отметить, что отклик относительной важности параметров рельефа при построении случайных лесов решающих деревьев получился совершенно отличным от дискриминантного анализа (табл. 6). Крутизна получила не приоритетную значимость, а самой низкой отмечены замкнутые понижения.

Таблица 6. Относительная значимость параметров рельефа в модели "случайный лес"

Алгоритм "случайных лесов" достаточно сложен, но дает высокие оценки точности. Случайный лес решающих деревьев позволяет построить модель со 100%-ным исходом, имеет коэффициент каппа 1,0. Такой подход к построению модели, при сравнении с исходной картой, показывает достаточно невысокую состоятельность и резкое снижение формальных оценок точности. Общее совпадение 28%, а каппа в 0,15 дает отклик слабого совпадения.

Рассмотрим полученную карту групп структур почвенного покрова на основе модели "случайного леса" и проведём экспертную оценку (табл. 7).

Таблица 7. Матрица совпадений исходной карты и карты, построенной на основе модели "случайный лес"

Каппа = 0,15.

На полученной карте достаточно хорошо выделены эрозионные группы структур почвенного покрова, которые в целом схожи с распределением их по предыдущим картам, что свидетельствует об относительной стабильности возможности предсказания этих групп по разным моделям. Гидроморфные группы ЭПС получили завышенную долю распространения. Группы зональных (автоморфных) и полугидроморфно-зональных структур получили значительную выраженность разделения между западной и восточной частью исследуемой территории. Наблюдается также недостаточное разделение пойменных групп структур почвенного покрова. В целом карта смотрится недостаточно согласованно, и неудовлетворительное предсказание одних групп на фоне хорошего других делает модель в целом недостаточно пригодной для моделирования почвенно-ландшафтных связей.

Последняя крупномасштабная цифровая модель, рассматриваемая в данной работе (рис. 4), построена на основе метода опорных векторов с использованием программного языка R 3.3.3 в оболочке RStudio c использованием пакета e1071. Для построения модели использовался тот же набор параметров, что и для других моделей с настройками: sampling method; 10-fold cross validation; gamma 0,2; cost 100.

Рис. 4. Карта групп структур почвенного покрова, реализованная на основе модели "случайного леса"

Общая формальная точность данной модели имеет хорошие статистические показатели в 95%, каппа 0,94, что показывает почти полное совпадение с исходными ареалами групп ЭПС, использованных для построения модели.

Сравнение с исходной картой показывает схожую корреляцию с дискриминантной моделью (табл. 4) и, в сочетании с исходной статистикой, дает лучший показатель. Ряд групп ЭПС значительно хуже коррелирует с исходной картой. Так, совсем невысокий показатель у группы среднеэрозионных ЭПС (Э 2) и пойменных структур (А). Меньше выделены зональные (З) группы. Полугидроморфно-эрозионные группы ЭПС стабильно имеют невысокий процент совпадений.

Графическое отображение модели в виде карты групп структур почвенного покрова (рис. 5) отражает ряд общих показателей корреляции (табл. 8). На карте выделено заниженное количество зональных (З) групп структур почвенного покрова. Не отмечается приуроченности пойменных (А) групп к плоским поверхностям речных долин. Гидроморфные группы ЭПС имеют излишне значительный характер распространения, замещая часто пойменные структуры. На полученной карте достаточно хорошо выделены эрозионные группы структур почвенного покрова, которые в целом схожи с распределением их по предыдущим картам, что уже отмечалось ранее и свидетельствует об относительной стабильности возможности предсказания этих групп по разным моделям. Полугидроморфные глееватые (ПГ 1) и полугидроморфно-зональные (ПЗ) получили в значительной степени удовлетворительное отображение. В целом карта имеет неплохое наполнение, но отсутствие согласованности, как в случае с дискриминантной моделью, не позволяет принять данную модель.

Рис. 5. Карта групп структур почвенного покрова, реализованная на основе метода опорных векторов

Итоги формального сравнения статистических показателей по рассмотренным моделям и сравнения с исходной картой наглядно демонстрируют (сводная табл. 9), что в условиях проводимых моделирований наиболее подходящей моделью почвенно-ландшафтных связей является модель, разработанная на основе линейного дискриминантного метода. Это подтверждается и экспертной оценкой цифровых карт, построенных в автоматическом режиме разными методами.

Таблица 8. Матрица совпадений исходной карты и карты, построенной на основе метода опорных векторов

Каппа = 0,24.

Таблица 9. Сводная таблица статистических показателей по всем моделям

Выводы

1. При построении цифровой модели почвенно-ландшафтных связей в крупном масштабе на основе существующей карты структур почвенного покрова лучшим статистическим методом является классический дискриминантный анализ.

2. Цифровую модель почвенно-ландшафтных связей на уровне групп структур почвенного покрова можно выразить в виде следующей системы классификационных уравнений:

1. Зональные (автоморфные) ЭПС = 4,1 + 1,53*SLP + 0*CD + 7,1*TWI + 0,18*LSF + 22,9* VDCN + 1,04* VD + 0,7* TPI100 +3,56* TPI250+ 8,34* TPI500 + 9,89* TPI1000.

2. Слабоэрозионные ЭПС = 11,3 + 3,39* SLP + 0* CD + 7,1* TWI + 0,6* LSF + 7,33* VDCN + 13,8* VD + 0,26* TPI100 - 0,27* TPI250- 2,8* TPI500 - 5,6* TPI1000.

3. Среднеэрозионные ЭПС = -16,1 + 4,16* SLP + 0* CD + 7,63* TWI + 0,84* LSF + 5,6* VDCN + 11,4* VD + 6,4* TPI100 - 0,4* TPI250+ 1,2* TPI500 - 0,3* TPI1000.

4. Сильноэрозионные ЭПС = 9,8 + 6,46* SLP + 0* CD + 6,92* TWI + 1,38* LSF +5,43* VDCN + 11,2* VD + 6,4* TPI100 - 0,4* TPI250+ 1,2* TPI500 - 0,3* TPI1000.

5. Полугидроморфно-зональные ЭПС = -40,1 + 1,53* SLP + 0* CD + 7,92* TWI +0,21* LSF + 19,08* VDCN + 2,8* VD + 6,4* TPI100 - 0,4* TPI250+ 1,2* TPI500 - 0,3* TPI1000.

6. Полугидроморфно-эрозионные ЭПС = -19,6 + 5,12* SLP + 0* CD + 8,66* TWI - 1,38* LSF + 4,74* VDCN + 14,97* VD + 6,4* TPI100 - 0,4* TPI250+ 1,2* TPI500 - 0,3* TPI1000.

7. Полугидроморфные глееватые ЭПС = 1,1 + 1,64*SLP + 0* CD + 8,6* TWI + 0,27* LSF + 16,7* VDCN + 4,36* VD + 6,4* TPI100 - 0,4* TPI250+ 1,2* TPI500 - 0,3* TPI1000.

8. Полугидроморфные глеевые ЭПС = -6,1 + 0,44* SLP + 0* CD + 10,11* TWI + 0,06* LSF + 16,2* VDCN + 0,62* VD + 6,4* TPI100 - 0,4* TPI250+ 1,2* TPI500 - 0,3* TPI1000.

9. Гидроморфные ЭПС = 11,6 + 1,61* SLP + 0,71* CD + 12,08* TWI + 0,5* LSF + 2,4* VDCN + 15,6* VD + 6,4* TPI100 - 0,4* TPI250+ 1,2* TPI500 - 0,3* TPI1000.

10. Пойменные ЭПС = 22,2 + 1,77* SLP +0,12* CD + 13,23* TWI +0,54* LSF +0,3*VDCN + 19,5*VD + 6,4* TPI100 - 0,4* TPI250+ 1,2* TPI500 - 0,3*TPI1000.

3. Построенная цифровая модель недостаточно полно отражает структуры почвенного покрова исходной карты, что связывается нами с неопределенностями классификации, субъективными суждениями составителя исходной карты и требует более детального уточнения и верификации в конкретных полевых условиях, что является темой для дальнейших публикаций. рельеф картографирование почвенный

Список использованных источников

1. Агроэкологическая оценка земель, проектирование адаптивно-ландшафтных систем земледелия и агротехнологий / Под ред. В.И. Кирюшина, А.Л. Иванова. - М.: Росинформагротех. - 2005. - 784 с.

2. Общесоюзная инструкция по почвенным обследованиям и составлению крупномасштабных почвенных карт землепользований. - М.: Колос. - 1973.

3. Сорокина Н.П. Методология составления крупномасштабных агроэкологически ориентированных почвенных карт. - М.: Изд-во Почвенный ин-т им. В.В. Докучаева. - 2006. - 150 с.

4. Сорокина Н.П. Региональная модель почвенно-ландшафтных связей (на примере Клинско-Дмитровской гряды) // Почвоведение. - 1998, №4. - С. 389-398.

5. McBratney A.B., Santos M.M.L., Minasny B. On Digital Soil Mapping / Geoderma. - 2003. - Vol. 117. - № 1-2. - P. 3-52.

6. Minasny B., McBratney A.B. Digital soil mapping: A brief history and some lessons // Geoderma. 2015 Vol. 184 P. 301-311.

7. Савин И.Ю. Компьютерная имитация картографирования почв. В сб.: "Цифровая почвенная картография: теоретические и экспериментальные исследования". - М.: Почвенный институт имени В.В. Докучаева. - 2012 - С. 26-34.

8. Сорокина Н.П., Козлов Д.Н. Методы цифровой почвенной картографии в задачах агроэкологической оценки земель. В сб.: "Цифровая почвенная картография: теоретические и экспериментальные исследования". - М.: Почвенный институт имени В.В. Докучаева. - 2012 - С. 141-155.

9. Lacoste M., Minasny B., McBratney A., Michot D., Viaud V., Walter C. High resolution 3D mapping of soil organic carbon in a heterogeneous agricultural landscape // Geoderma, vol. 213, 2014.

10. Vermeulen D.., Van Niekerk A. // Geoderma vol. 299, 2017, pp.1-12.

11. Zhao B., Li Z., Li P., Xu G., Gao H., Cheng Y., Chang E., Yuan S, Zhanga Y., Fenga Z Spatial distribution of soil organic carbon and its influencing factors under the condition of ecological construction in a hilly-gully watershed of the Loess Plateau, China // Geoderma, vol. 296, 2017, pp. 10-17.

12. Osat M., Heidari A., Eghbal M.K., Mahmood S. // Geoderma. №281, 2016, pp. 90-101.

13. Vincent S., Lemercier B. Spatial disaggregation of complex Soil Map Units at the regional scale based on soil-landscape relationships // Geoderma, 2016.

14. Сорокина Н.П., Козлов Д.Н. Опыт цифрового картографирования структуры почвенного покрова // Почвоведение. - 2009, № 2. - С. 198-210.

15. Модель адаптивно-ландшафтного земледелия Владимирского Ополья / Под. ред. В.И. Кирюшина и А.Л. Иванова. - М.: Агроконсалт. - 2004. - 453 с.

16. Рубцова Л.П. О генезисе почв Владимирского Ополья // Почвоведение. - 1974, № 6. С. 17-27.

17. Быстрицкая Т.Л., Тюрюканов А.Н. Ополица и ополец - генетические типы переходного класса почв Центральной России // Докл. АН СССР. - 1966, т. 166, No 4. - С. 955-958.

18. Яшин И.М., Кашанский А.Д. Ландшафтно-геохимическая диагностика и генезис почв Европейского Севера России: Монография. 2-е дополненное издание. - М.: Изд-во РГАУ-МСХА имени К.А., Тимирязева. - 20015. - 202 с.

19. Савастру Н.Т. Агроэкологическая оценка почвенного покрова Владимирского Ополья для проектирования адаптивно-ландшафтной системы земледелия. Дисс. к. б. н. - 1999. - 167 с.

20. Advances in Digital Terrain Analysis / Zhou, Qiming; Lees, Brian; Tang, Guo-an (Eds.). 2008, XIV, - 462 p.

21. Shary P.A., Sharay L.S., Mitusov A.V. Fundamental quantitative methods of and surface analysis // Geoderma, 2002, vol. 107. - P. 1-43.

22. Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R. Пер. с англ. С.Э. Мастицкого. - М.: ДМК Пресс. - 2016. - 450 с.

Цитирование

Минаев Н.В., Бузылёв А.В., Таллер Е.Б. Разработка крупномасштабной цифровой модели автоматизированного почвенно-агроэкологического картографирования на примере представительных ландшафтов Владимирского Ополья // АгроЭкоИнфо. - 2018, №3. - http://agroecoinfo.narod.ru/journal/STATYI/2018/3/st_372.doc.

Размещено на Allbest.ru