Conventional and digital soil mapping in the central part of the Smolenskoe Poozerye National Park
- Authors: Kornilova A.I.1,2, Smirnova M.A.2, Semenkov I.N.1,2
-
Affiliations:
- Center for Forest Ecology and Productivity of the Russian Academy of Sciences
- Lomonosov Moscow State University
- Issue: No 2 (2025)
- Pages: 163–175
- Section: GENESIS AND GEOGRAPHY OF SOILS
- URL: https://ruspoj.com/0032-180X/article/view/680874
- DOI: https://doi.org/10.31857/S0032180X25020016
- EDN: https://elibrary.ru/CPFZGH
- ID: 680874
Cite item
Abstract
For an area of 8.6 km2 in the central part of the Smolenskoye Poozerye National Park, soil maps (1 : 25 000) were made using conventional and digital mapping (DSM) methods based on relief, vegetation, time and antropogenic factors of soil formation with subsequent comparative analysis of the results. Both maps show that the study area is dominated by gray humus soils (Umbric Cambisols (Arenic, Aric)), which are related to agricultural land-use in the past and self-restoration of abandoned plowed soils. Smaller territories are occupied by alluvial peat (Histic Fluvisols) and postagrogenic texture-differentiated soils (Albic Glossic Retisols (Aric, Loamic)). The overall accuracy of the map made by the DSM method was 57%. The Topographical Wetness Index (TWI) and the forest taxation map were leading soil-forming factors, represented in both expert and digital models. The distribution of alluvial peat (Histic Fluvisols) and agrozems (Arenosols (Aric)) is best predicted by DSM method (with an accuracy of 100 and 86%, respectively) and associated with peat deposits and modern arable lands. The location of peat soils (Fibric Histosols) and peat-podzols (Histic Albic Podzols (Arenic)) is predicted with the least accuracy (0%). The accuracy of predicting the location of Al-Fe humus (Podzols), texture-differentiated (Retisols), organo-accumulative (Umbric Cambisols), gley (Histic Gleysols), and alluvial humus gley soils (Gleyic Fluvisols) varied within 50–63%. The DSM method reproduced the result of conventional mapping by 63%.
Full Text
##article.viewOnOriginalSite##About the authors
A. I. Kornilova
Center for Forest Ecology and Productivity of the Russian Academy of Sciences; Lomonosov Moscow State University
Author for correspondence.
Email: kulikovanastya2001@yandex.ru
Russian Federation, Moscow, 117997; Moscow, 119991
M. A. Smirnova
Lomonosov Moscow State University
Email: kulikovanastya2001@yandex.ru
Russian Federation, Moscow, 119991
I. N. Semenkov
Center for Forest Ecology and Productivity of the Russian Academy of Sciences; Lomonosov Moscow State University
Email: kulikovanastya2001@yandex.ru
Russian Federation, Moscow, 117997; Moscow, 119991
References
- Герасимова М.И. Мелкомасштабное почвенное картографирование. М., 2010. 97 с.
- Герасимова М.И., Богданова М.Д. Картография почв на страницах журнала “Почвоведение” (обзор публикаций с 1899 г.) // Бюл. Почв. ин-та им. В.В. Докучаева. 2021. № 107. С. 139–179.
- Гопп Н.В., Мешалкина Ю.Л., Нарыкова А.Н., Плотникова А.С., Чернова О.В. Картографирование содержания и запасов органического углерода почв на региональном и локальном уровнях: анализ современных методических подходов // Вопросы лесной науки. 2023. Т. 6. № 1. С. 14–73. https://doi.org/10.31509/2658-607x-202361-120
- Докучаев В.В. Картография русских почв. СПб.: Изд-во М-ва гос. имуществ, 1879. 114 с.
- Долгова Л.С. Методика составления мелкомасштабных почвенных карт. М.: Изд-во Московского университета, 1980. 80 с.
- Карта-схема, окрашенная по породам. Лесоустройство, 2013, 2014. Смоленск: ФГБУ Национальный парк “Смоленское Поозерье” Смоленской области, 2015.
- Епринцев С.А., Клепиков О.В., Шекоян С.В. Дистанционное зондирование Земли как способ оценки качества окружающей среды урбанизированных территорий // Здоровье населения и среда обитания. 2020. № 4(325). С. 5–12. https://doi.org/10.35627/2219-5238/2020-325-4-5-12
- Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 341 с.
- Козлов Д.Н., Сорокина Н.П. Традиции и инновации в крупномасштабной почвенной картографии // Цифровая почвенная картография: теоретические и экспериментальные исследования. М.: Почв. ин-т им. В.В. Докучаева, 2012. С. 35–57.
- Комплексное изучение состояния природы Смоленского Поозерья в целях охраны и рационального использования на момент организации в этом регионе национального природного парка / Под ред. Круглова Н.Д. Смоленск: Смоленский гос. пед. ин-т, 1995. 513 с.
- Королева Н.В., Тихонова Е.В., Ершов Д.В., Салтыков А.Н., Гаврилюк Е.А., Пугачевский А.В. Оценка масштабов зарастания нелесных земель в национальном парке “Смоленское Поозерье” за 25 лет по спутниковым данным Landsat // Лесоведение. 2018. № 2. С. 83–96.
- Костюкевич А.В. Почвенный покров Смоленской губернии. Смоленск, 1925. 26 с.
- Красильников П.В., Сидорова В.А., Дубровина И.А. Использование крупномасштабных почвенных карт и ключевых участков для создания почвенно-географических моделей в Карелии // Цифровая почвенная картография: теоретические и экспериментальные исследования. М., 2012. С. 220–235.
- Куликова А.И., Чеченков П.Д., Осипова М.С., Шопина О.В., Семенков И.Н. Сравнительный анализ результатов традиционного и цифрового крупномасштабного почвенного картографирования на примере участка в национальном парке “Смоленское Поозерье” // Почвоведение. 2023. № 3. С. 312–320. https://doi.org/10.31857/S0032180X22600986
- Кучинский П.А. Почвы Смоленской области и способы повышения их плодородия / Под ред. Погуляева Д.И. Смол. обл. краевед. науч.-исслед. ин-т. Смоленск, 1950. 318 с.
- Маймусов Д.Ф. Почвы Смоленской области (генезис, состояние, управление плодородием). М: Прометей. 1992. 286 с.
- Маймусов Д.Ф. Почвы Смоленской области, их улучшение и использование. Смоленск: кн. изд-во. 1963. 274 с.
- Общесоюзная инструкция по крупномасштабным почвенным и агрохимическим исследованиям территории колхозов и совхозов и по составлению почвенных карт территорий колхозно-совхозных управлений. М.: Колос, 1964. 109 с.
- Погуляев Д. И., Шостьина А. А. Природа и физико-географические (природные) районы Смоленской области. Смоленск: Смоленское книжное изд-во, 1963. 128 с.
- Полевой определитель почв. М.: Почв. ин-т им. В.В. Докучаева, 2008. 182 с.
- Почвенная карта РСФСР (под ред. В.М. Фридланда). М-б 1:2 500 000. М.: ГУГК, 1988 г.
- Почвенная карта Смоленской области. М-б 1 500 000. Авторы: нет данных. М.: Главное управление геодезии и картографии государственного геологического комитета СССР, Атлас Смоленской области, 1964.
- Почвенные карты совхозов Демидовского и Духовщинского районов Смоленской области. М-б 1 : 10 000. Смоленск: ВНИИГиМ и института “Центргипрозем”, 1985–1992.
- Почвенная карта Демидовского района Смоленской области. М-б 1 : 50 000. Смоленск: Смоленский филиал института “Центргипрозем”, 1992.
- Растительность и почвы национального парка “Смоленское Поозерье” / Под ред. Копцик Г.Н., Березиной Н.А. М: НИА-Природа, 2003. 307 с.
- Розанов Б.Г. Роль почвообразующих пород в географии и плодородии почв западной части Смоленской области // Почвы дерново-подзолистой зоны и их рациональное использование (на примере Смоленской области) / Под ред. Евдокимовой Т.И., Розанова Б.Г. М., 1969. С. 13–23.
- Савин И.Ю., Жоголев А.В., Прудникова Е.Ю. Современные тренды и проблемы почвенной картографии // Почвоведение. 2019. № 5. С. 517–528. https://doi.org/10.1134/S0032180X19050101
- Савин И.Ю., Столбовой В.С., Иванов А.Л., Прудникова Е.Ю. Жоголев А.В., Воронин А.Я. Технологии составления и обновления почвенных карт. М.: Перо, 2019. 328 с.
- Сорокина Н.П. Региональная модель почвенно-ландшафтных связей (на примере Клинско-Дмитровской гряды) // Почвоведение. 1998. № 4. С. 389–398.
- Сорокина Н.П., Козлов Д.Н. Опыт цифрового картографирования структуры почвенного покрова // Почвоведение. 2009. № 2. С. 198–210.
- Терехова Д.А., Смирнова М.А., Гераськина А.П., Шопина О.В., Кузнецова А.И., Бавшин И.М., Клинк Г.В., Енчилик П.Р., Хохряков В.Р., Герасимова М.И., Семенков И.Н. Макрофауна и органическое вещество в постагрогенных песчаных и супесчаных почвах северо-запада Смоленской области (Россия) // Почвоведение. 2023. № 8. С. 981–996. https://doi.org/10.31857/S0032180X23600105
- Чистяков С. П. Случайные леса: обзор // Тр. Карельского научного центра. 2013. № 1. С. 117–136.
- Фетисов Д.М., Жучков Д.В., Горюхин М.В. Оценка уровня озеленения города Биробиджана с применением мультиспектральных данных // Биосфера. 2021. Т. 13. № 4. С. 170–179.
- Шопина О.В., Герасимова М.И., Бавшин И.М., Хохряков В.Р., Семенков И.Н. Инвентаризация и картографирование почв национального парка “Смоленское Поозерье” // Лесоведение. 2022. № 5. С. 478–493. https://doi.org/10.31857/S0024114822040088
- Шопина О.В., Гераськина А.П., Кузнецова А.И., Тихонова Е.В., Титовец А.В., Бавшин И.М., Хохряков В.Р., Семенков И.Н. Стадии постагрогенного восстановления компонентов экосистем сосновых лесов национального парка “Смоленское Поозерье” // Почвоведение. 2023. № 1. С. 10–24. https://doi.org/10.31857/S0032180X22600706
- Adeniyi O.D., Bature H., Mearker M. A. Systematic review on digital soil mapping approaches in lowland areas // Land. 2024. V. 13. P. 379. https://doi.org/10.3390/land13030379
- Bhandari A.K., Kumar A., Singh G.K. Feature extraction using Normalized Difference Vegetation Index (NDVI): A case study of Jabalpur city // Procedia technology. 2012. V. 6. P. 612–621. https://doi.org/10.1016/j.protcy.2012.10.074
- Breiman L. Bagging predictors // Machine learning. 1996. V. 24. № 2. P. 123–140. https://doi.org/10.1023/A:1018054314350
- Breiman L. Random forests // Machine learning. 2001. V. 45. № 1. Р. 5–32. https://doi.org/10.1023/A:1010933404324
- Cahyana D., Barus B., Darmawan, Mulyanto B., Sulaeman Y., Huang J. Using a fuzzy logic approach to reveal soil-landscape relationships produced by digital soil maps in the humid tropical region of East Java, Indonesia // Geoderma Regional. 2022. V. 28. P. e00468. https://doi.org/10.1016/j.geodrs.2021.e00468
- Cahyana D., Sulaeman Y., Barus B., Darmawan, Mulyanto B. Improving digital soil mapping in Bogor, Indonesia using parent material information // Geoderma Regional. 2023. V. 33. P. e00627. https://doi.org/10.1016/j.geodrs.2023.e00627
- Hashim H., Abd Latif Z., Adnan N.A. Urban vegetation classification with NDVI threshold value method with very high resolution (VHR) Pleiades imagery // Int. Archives Photogrammetry, Remote Sensing Spatial Information Sci. 2019. V. 42. P. 237–240. https://doi.org/10.5194/isprs-archives-XLII-4-W16-237-2019
- Hengl T., MacMillan R.A. Predictive soil mapping with R. Wageningen: OpenGeoHub foundation, 2019. 370 p.
- Hudson B.D. The soil survey as paradigm-based science // Soil Sci. Soc. Am. J. 1992. V. 56. P. 836–841. https://doi.org/10.2136/sssajl992.03615995005600030027x
- IUSS Working Group WRB. World Reference Base for Soil Resources. International soil classification system for naming soils and creating legends for soil maps. 4th edition. International Union of Soil Sciences (IUSS). Vienna, 2022. 234 p.
- Khaledian Y., Miller B. A. Selecting appropriate machine learning methods for digital soil mapping // Appl. Mathema. Model. 2020. V. 81. P. 401–418. https://doi.org/10.1016/j.apm.2019.12.016
- Lagacherie P., McBratney A. B. Spatial soil information systems and spatial soil inference systems: perspectives for digital soil mapping // Developments Soil Sci. 2006. V. 31. P. 3–22. https://doi.org/10.1016/S0166-2481(06)31001-X
- Legros J.P. Mapping of the Soil. Enfield, New Hampshire: Science Publishers, 2006. 411 p.
- Manteghi S., Maravej K., Mousavi S. R., Delavar M. A., Mastinu A. Digital soil mapping for soil types using machine learning approaches at the landscape scale in the arid regions of Iran // Adv. Space Res. 2024. V. 74. № 1. P. 1–16. https://doi.org/10.1016/j.asr.2024.04.042
- McBratney A. B., Mendonça Santos M. L., Minasny B. On digital soil mapping // Geoderma. 2003. № 117(1–2). P. 3–52. https://doi.org/10.1016/S0016-7061(03)00223-4
- Minasny B., McBratney A. B. Digital soil mapping: A brief history and some lessons // Geoderma. 2016. V. 264. P. 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017
- Nabiollahi K., Taghizadeh-Mehrjardi R., Shahabi A., Heung B., Amirian-Chakan A., Davari D., Scholten T. Assessing agricultural salt-affected land using digital soil mapping and hybridized random forests // Geoderma. 2021. V. 385. P. 114858. https://doi.org/10.1016/j.geoderma.2020.114858
- Padarian J., Minasny B., McBratney A.B. Machine learning and soil sciences: A review aided by machine learning tools // Soil. 2020. V. 6. № 1. P. 35–52. https://doi.org/10.5194/soil-6-35-2020
- Rossiter D.G. Assessing the thematic accuracy of area—class soil maps // Soil Science Division, ITC. Enschede, Holland. Waiting publication. 2001.
- Suleymanov A., Arrouays D., Savin I. Digital soil mapping in the Russian Federation: a review // Geoderma Regional. 2024. V. 36. P. e00763. https://doi.org/10.1016/j.geodrs.2024.e00763
- Wadoux A.M.J.-C., Padarian J., Minasny B. Multi—source data integration for soil mapping using deep learning // Soil. 2019. V. 5. № 1. P. 107–119. https://doi.org/10.5194/soil-5-107-2019
- Wadoux A.M.J.C., Minasny B., McBratney A.B. Machine learning for digital soil mapping: Applications, challenges and suggested solutions // Earth-Sci. Rev. 2020. V. 210. P. 103359. https://doi.org/10.1016/j.earscirev.2020.103359
- Yang L., Jiao Y., Fahmy S., Zhu A-X., Hann S., Burt J.E., Qi F. Updating conventional soil maps through digital soil mapping // Soil Sci. Soc. Am. 2011. J. 75. P. 1044–1053. https://doi.org/10.2136/sssaj2010.0002
- Zeraatpisheh M., Ayoubi S., Jafari A., Finke P. Comparing the efficiency of digital and conventional soil mapping to predict soil types in a semi-arid region in Iran // Geomorphology. 2017. V. 285. P. 186–204.
Supplementary files
