❤️🔥 Делимся новой интересной статьей!
Integrating multi-source remote sensing and UAV data for landscape-scale soil carbon mapping: uncertainty hotspots at ecotone boundaries in forest-steppe ecosystems (Danila R. Bardashov, Andrey V. Chinilin, Pavel P. Fil, Maria A. Smirnova, and Pavel P. Krechetov) в журнале International Journal of Remote Sensing.
🟩 В лесостепных ландшафтах содержание органического углерода в почве (Сорг) резко варьируется в зависимости от почвенного покрова, влажности и рельефа, однако его пространственная неоднородность в переходных зонах остается количественно недостаточно представленной в прогнозных моделях ПОВ ландшафтного масштаба.
🧷В этом исследовании составлена прогнозная карта Сорг верхнего слоя почвы (0-15 см) и неопределенности прогноза в Окско–Донской низменности в восточной части европейской лесостепи (Тамбовская область, Россия). Было собрано 413 полевых образцов методом стратифицированной репрезентативной выборки. В качестве предикторов использовались данные о микрорельефе, полученные с помощью БПЛА (цифровая модель рельефа с разрешением 2 м), многолетние фенологические данные, вегетационные и влажностные индексы с сенсора Sentinel-2, а также значения pH почвы.
📝 Гибридные модели глубокого обучения CNN-LSTM-MLP, совместно обрабатывающие растровые, временные и точечные данные, сравнивались с классическими методами машинного обучения. Эффективность моделей определялась с помощью пространственно кластеризованной пятикратной перекрестной проверки, а неопределенность количественно оценивалась с помощью бутстреп-ресамплинга на 1000 итераций.
📌 Гибридная модель CNN-LSTM-MLP показала самую высокую точность (коэффициент детерминации R² = 0,67, среднеквадратическая ошибка = 5,8 г/кг) и самые узкие 95-процентные интервалы прогнозирования (средний диапазон интервалов прогнозирования = 23 г/кг), при этом модель CatBoost немного отстает (R² = 0,61).
🟪 Все модели демонстрируют повышенную неопределённость в экотонах: ширина интервалов прогноза там на 50% выше, чем в центральных частях биотопов. Учёт пространственного контекста и многолетних фенологических данных существенно улучшает точность оценки Сорг в гетерогенных лесостепных ландшафтах и указывает на необходимость целенаправленного опробования экотонов при инвентаризации содержания и запасов углерода и планировании землепользования.
#physlab_papers
Integrating multi-source remote sensing and UAV data for landscape-scale soil carbon mapping: uncertainty hotspots at ecotone boundaries in forest-steppe ecosystems (Danila R. Bardashov, Andrey V. Chinilin, Pavel P. Fil, Maria A. Smirnova, and Pavel P. Krechetov) в журнале International Journal of Remote Sensing.
🟩 В лесостепных ландшафтах содержание органического углерода в почве (Сорг) резко варьируется в зависимости от почвенного покрова, влажности и рельефа, однако его пространственная неоднородность в переходных зонах остается количественно недостаточно представленной в прогнозных моделях ПОВ ландшафтного масштаба.
🧷В этом исследовании составлена прогнозная карта Сорг верхнего слоя почвы (0-15 см) и неопределенности прогноза в Окско–Донской низменности в восточной части европейской лесостепи (Тамбовская область, Россия). Было собрано 413 полевых образцов методом стратифицированной репрезентативной выборки. В качестве предикторов использовались данные о микрорельефе, полученные с помощью БПЛА (цифровая модель рельефа с разрешением 2 м), многолетние фенологические данные, вегетационные и влажностные индексы с сенсора Sentinel-2, а также значения pH почвы.
📝 Гибридные модели глубокого обучения CNN-LSTM-MLP, совместно обрабатывающие растровые, временные и точечные данные, сравнивались с классическими методами машинного обучения. Эффективность моделей определялась с помощью пространственно кластеризованной пятикратной перекрестной проверки, а неопределенность количественно оценивалась с помощью бутстреп-ресамплинга на 1000 итераций.
📌 Гибридная модель CNN-LSTM-MLP показала самую высокую точность (коэффициент детерминации R² = 0,67, среднеквадратическая ошибка = 5,8 г/кг) и самые узкие 95-процентные интервалы прогнозирования (средний диапазон интервалов прогнозирования = 23 г/кг), при этом модель CatBoost немного отстает (R² = 0,61).
🟪 Все модели демонстрируют повышенную неопределённость в экотонах: ширина интервалов прогноза там на 50% выше, чем в центральных частях биотопов. Учёт пространственного контекста и многолетних фенологических данных существенно улучшает точность оценки Сорг в гетерогенных лесостепных ландшафтах и указывает на необходимость целенаправленного опробования экотонов при инвентаризации содержания и запасов углерода и планировании землепользования.
#physlab_papers