🛰 Открытая поверхность почвы как предиктор: что сработало, а что нет Цифровое картографирование почв идёт по пути усложнения моделей: ансамбли, глубокое обучение. Логично: почвенные свойства зависят от множества факторов. Но вместе со сложностью растут и требования к данным. Мы проверили: а что, если ключевой предиктор уже лежит в спутниковом архиве, и дело не в модели, а в подготовке данных? 🌱По снимкам Landsat 5 и 8 за 1984–2024 гг. мы классифицировали открытую поверхность почвы (ОПП), отделяя её от зелёной и нефотосинтезирующей растительности по трём индексам — NDVI, NBR2 и BSI. Лучше всех сработал BSI с порогом >0.18: F1-score = 0.98. Из пикселей ОПП построили медианный композит отражательной способности за 40 лет. Полигон — поля Северо-Кавказского ФНАЦ в Ставропольском крае. Дальше сравнили пять регрессионных моделей: линейную регрессию, k-ближайших соседей, случайный лес, XGBoost и Cubist. Целевые переменные — песок, пыль, ил и общий углерод в пахотном горизонте. Лучший результат дала линейная регрессия. Ключевой предиктор — среднее и стандартное отклонение отражательной способности в канале SWIR2. Скорректированный R²: песок — 0.82, ил — 0.78, пыль — 0.75, общий углерод — 0.74. По литературе обычно 0.3–0.7, а RMSE для углерода нередко превышает 10 г/кг, другой класс точности:) Сложные модели показали эффективность ниже, а при увеличении числа предикторов теряли устойчивость. Вывод: при ограниченной наземной выборке (типичная ситуация — 50–200 точек) простые регрессии оказываются и точнее, и стабильнее. Углерод предсказывать ожидаемо труднее: высокая пространственная неоднородность органического вещества снижала R² сложных моделей до 0.4–0.6, но линейная регрессия с одним предиктором удержала 0.74. Пыль предсказывалась хуже песка и ила, поэтому её содержание считали как разность между 100% и предсказанными долями песка и ила. *️⃣Почему точность высокая? Во-первых, лазерная дифракция даёт меньше шума в обучающей выборке. Во-вторых, полигон локального масштаба, а не регион или страна. В-третьих, ограниченное разнообразие текстурных классов — 5 из 12. Но главное — контрастная литологическая неоднородность почвообразующих пород Михайловской возвышенности. Именно она создала разброс текстур и углерода, который спутник считал, а мы интерпретировали: меньше ила → меньше органического углерода → выше отражательная способность → светлее пиксель. Комментарий первого автора Паши Браулова: В работе мы сосредоточились на двух моментах, которые часто остаются в тени. Во-первых, детально разобрали создание композита открытой поверхности почвы: сравнили подходы, оценили точность и обосновали выбор предикторов. Во-вторых, постарались не только построить модель, но и объяснить закономерности с точки зрения почвоведения — в частности, показали влияние литологических условий на свойства почв территории. Хотя эта связь хорошо известна, для данного региона в доступной литературе мы таких исследований не нашли. Надеемся, работа будет полезна ещё и для точного земледелия, где важно учитывать неоднородность почв даже в пределах отдельных полей. Для цитирования: Браулов П.А., Шилов П.М., Гаджиумаров Р.Г., Дридигер В.К., Богдан Е.В., Мегмерова В.О., Цымбарович П.Р., Шатунов А.Е., Филь П.П., Митичкин Д.Е., Фомин Д.С. Пространственное моделирование содержания общего углерода и гранулометрического состава пахотного горизонта на основе спектральных характеристик открытой поверхности почвы по данным Landsat 5/8 с использованием машинного обучения // Почвоведение. - 2026. - №11. - C. 2431-2449. doi: 10.7868/S3034561826110020 Braulov P.A., Shilov P.M., Gadzhiumarov R.G., Dridiger V.K., Bogdan E.V., Megmerova V.O., Tsymbarovich P.R., Shatunov A.E., Phil P.P., Mitichkin D.E., Fomin D.S. Spatial Modeling of Topsoil Total Carbon and Texture from Spectral Characteristics of Bare Soil Surface Images of Landsat 5/8 Using Machine Learning // Eurasian Soil Science. - 2026. - N. 11. - P. 2431-2449. doi: 10.7868/S3034561826110020 #АгроДТ_публикует