Жұмыс бағдарламасы (силлабус) 4 Пән бойынша дәрістер жинағы
Топырақ картасын жасаудың алгоритмі
жүктеу/скачать 7,3 Mb.
|
umkd oshat 2022
| 2. Топырақ картасын жасаудың алгоритмі
Сандық Топырақ картасын жасау технологиялары бірнеше ондаған жылдар бойы әлемнің көптеген елдерінде әзірленді: Австралия, Америка, Нидерланды, Дания , Франция, Ресей және т.б. дамыған технологиялар жаһандық деңгейде де қолданылады. Осылайша, мұрағаттық Топырақ картасын салыстырмалы түрде таяз масштабта таңдалған үлкен масштабқа немесе таңдалған топырақ картасының масштабының топырақ түзілу факторлары туралы егжей-тегжейлі ақпаратты пайдалана отырып, таңдалған жоғары кеңістіктік ажыратымдылыққа бөлу жүзеге асырылады. Топырақ байланыстарын модельдеу үшін – далалық нүктелік деректер мен мұрағаттық топырақ карталарын картаға түсіру кезінде топырақ түзілу факторлары топырақ түзілу факторлары туралы кеңістіктік ақпарат ретінде тақырыптық карталар немесе қашықтықтан зондтау деректері пайдаланылады. Дәстүрлі түрде тақырыптық карталар қолданылады: өсімдіктер, климаттық, геологиялық, гидрогеологиялық, экологиялық және т. б. Топырақты картаға түсіру үшін топырақтың топырақ түзілу факторларымен байланысын модельдеу әдетте статистикалық әдістерге негізделген толық статистикалық түрде жүзеге асырылады: кемсітушілік талдау, номиналды регрессиялық талдау, кездейсоқ ормандар, күшейтілген жіктеу ағаштары, нейрондық желілер және т.б. Алайда, статистика саласында кең білімі жоқ топырақтанушылар сараптамалық талдау және түзету үшін қол жетімді түрде байланыс орнататын әдістер жасалды. Мұндай әдістердің негізінде әдетте шешім қабылдау ағаштарының алгоритмдері жатыр, егер мұндай ағаштардың шамасы берілген жалпылау деңгейімен деректерді пайдалану арқылы шектелсе, бірақ басқа әдістер бар, мысалы, құрылымдық теңдеулерді модельдеу негізінде. Оқыту үлгісіне негізделген шешім қабылдау ағаштарын автоматтандырылған құрудың әртүрлі алгоритмдері бар: CART, ID3, C4.5/5.0, CHAID, MARS, ConditionalInfer-enceTrees және т.б. Мұндай Алгоритмдер класс тазалығының жоғарылауын, ақпараттың өсуін, энтропияның төмендеуін немесе басқа сипаттамаларды ескеруге мүмкіндік беретін филиалдарды құру кезінде индекстерді қолданады. Шешім қабылдау ағаштарын құру үшін нейрондық желілерді пайдалану да мүмкін. Кең таралған әдістердің бірі және сырттай цифрлық топырақ картографиясында алғашқылардың бірі болып CART жіктеу және регрессиялық ағаштар әдісі болып табылады. CART алгоритмінің ерекшеліктері сапалы және сандық мәліметтермен бірге жұмыс істеуге болады. Алгоритм суррогат ағаштарының көмегімен толық емес деректермен жұмыс істей алады, алгоритм параметрлік емес, алгоритмнің жұмыс жылдамдығы өте жоғары, шағын өлшемді оқыту үлгілерімен жұмыс істеуге болады, оқыту үлгісінің кейбір бөлігі бойынша жіктеу ағашын құру және дұрыс жіктелмеген пикселдер санын есептеу үшін қалған бөлігін пайдалану кезінде, содан кейін ағашты құру және қатені бағалау үшін үлгінің басқа бөліктері таңдалады, саны мұндай операцияларды пайдаланушы белгілейді, ал қатенің соңғы мәні барлық ағаштар үшін орташа мән ретінде оқылады. Шешім қабылдаудың соңғы ағашы бүкіл оқу үлгісіне негізделген. Жеке тәсілдердің шектеулеріне байланысты соңғы кездері бір – біріне қосымша бірнеше әдістерді қолдану әдеттегідей болды, мысалы, қалдықтарды кригингпен регрессиялық талдау-регрессиялық кригинг. Сондай-ақ, ансамбльдік әдістер әр аумақ үшін (пиксель немесе аудан) әртүрлі модельдер арқылы топырақты болжау кезінде қолданылады, бірақ топырақ болжамының немесе топырақ қасиетінің нәтижесі ретінде тек ең жақсы модельдің болжамы қолданылады. Топырақтың топырақ түзілу факторларымен байланысының сапалы моделін құру үшін оқу үлгісін жасау сапасы маңызды. Сандық топырақ картографиясында зерттеудің қолжетімділігін, топырақтың өзгергіштігін және топырақ түзілу факторларын ескере отырып, іріктеу орындарын таңдау үшін алгоритмдер негізінде әртүрлі әдістер әзірленді: k-орташа, латын гиперкубы, OSPATS және т. б. әдісімен кластерлеу. Геостатистика әдістерінің негізгі шектеуі, шын мәнінде, топырақтың таралуы және олардың қасиеттері нүктелер арасындағы қашықтыққа тәуелді емес. Мысалы, белгілі бір өрісте рН-ны қадаммен тұрақты тор арқылы өлшеу кезінде 10 м, кейбір екі нүктенің арасында шекара болуы мүмкін, онда қасиет кеңістікте күрт өзгереді және сызықтық заң бойынша қарапайым кригинг арқылы РН мәндерін интерполяциялау мұны есепке ала алмайды, бұл болжамды РН шамасында қателіктерге де, болжамның дәлдігін дұрыс бағаламауға да әкеледі. Топырақтың топырақ түзілу факторымен байланысын модельдеуге негізделген топырақты картаға түсірудің заманауи тәсілдерінің және олардың қасиеттерінің тағы бір шектеуі-тақырыптық карталардағы топырақ қасиеттері мен топырақ түзілу факторлары туралы нақты деректердің және қашықтықтан зондтау деректерінің болмауы, бұл картаға түсіру дәлдігін төмендететін жанама ақпаратты пайдалану қажеттілігіне әкеледі. Яғни, кондиционерлеу нәтижелерін алу үшін бастапқы нүктелік деректердің көп мөлшері қажет, оларды жинау көп уақытты қажет етеді, бұл картаға түсіру әдістерін тиімсіз етеді. Топырақ карталарын құру үшін статистикалық және геостатистикалық әдістерді қолдану кезінде бағдарламалық жасақтама мен аппараттық базаның маңызы зор. Жақында R және Python жоғары деңгейлі бағдарламалау тілдері үлкен дамуға ие болды, бұл көптеген бағдарламалармен икемді интеграция мүмкіндігі арқылы нақты деректер үшін статистикалық әдістерді практикалық қолдануды едәуір жеңілдетеді. Бірқатар типтік тапсырмалар үшін R және Python тілдерін пайдалану геоақпараттық жүйелерге қарағанда әлдеқайда қарапайым, деректерді пакеттік өңдеуге мүмкіндік береді, сонымен қатар көптеген сценарийлерді интерактивті түрде бірдей геоақпараттық жүйелерден бастауға болады. Алайда, іс жүзінде, көптеген жағдайларда картаны автоматтандыру үшін жоғары деңгейлі R және Python тілдерін қолданудың шектеулері бар: көптеген пакеттер тек белгілі бір деректер түрлеріне арналған және басқа деректермен дұрыс жұмыс істемеуі мүмкін, жалпы мақсаттағы бағдарламалау тілдеріне (C,, Pascal) тән кейбір конструкциялардың жұмыс жылдамдығы, мысалы, циклдар, соншалықты төмен көбінесе бұл бағдарламалық кодты нақты оңтайландыру қажеттілігіне немесе тіпті төменгі деңгейдегі бағдарламалау тілдерінде код үзінділерін ендіруге әкеледі. Барлық осы ерекшеліктер, көптеген жағдайларда, кеңейту пакеттерін қолдана отырып бағдарламалауда көп білімсіз картограф-топырақтанушы шеше алатын өте қарапайым тапсырма, шын мәнінде, пакеттердің кішігірім кемшіліктерін есепке алу үшін күрделі код жазуды қажет етеді. Жоғары деңгейлі бағдарламалау тілдерін қолдана отырып, Цифрлық топырақ картографиясына көптеген тәсілдердің практикалық іске асырылуы жасалды. DSMART-күшейтілген шешім қабылдау ағаштарына негізделген топырақ карталарының кеңістіктік ыдырау алгоритмі, R және Python үшін пакеттер түрінде іске асырулар бар. Бұл алгоритмнің дезагрегациясының ерекшелігі-белгілі бір топырақты кездестіру ықтималдығы туралы қосымша сараптамалық ақпаратты енгізу, мысалы, ХОРОПЛЕТ карталары АҚШ аумағы үшін кең таралған. DSMART алгоритмінің көмегімен қолда бар SSURGO дерекқорына негізделген бүкіл АҚШ үшін Polaris топырақ сериясының ықтималдық картасы жасалды. 30 м кеңістіктік ажыратымдылығы өте жоғары бөлшектеу үшін суперкомпьютер қолданылды. Dsmart көмегімен Батыс Австралияның топырақ картасы да жаңартылды. Тәсілдің негізгі шектеуі хороплет карталарының сапасына байланысты, әр түрлі жерлерде топырақтың болу ықтималдығы, сондай-ақ есептеу үшін аппараттық базаға қойылатын жоғары талаптар. SoilGRIDs негізінен R тілінде жүзеге асырылатын Машиналық оқыту әдістеріне негізделген кеңістіктік топырақ ақпаратын өндірудің автоматтандырылған жүйесі болып табылады.SoilGRIDs көмегімен көптеген топырақ қасиеттерінің карталары, сондай-ақ WRB-2006 және USDA SoilTaxonomy классификациясы тұрғысынан топырақ класының карталары жасалды. Жүйенің ерекшеліктері-байланыс орнату және картаны жобалау алгоритмдері автоматтандырылған, бірақ ковариаттарды таңдау немесе аңыз құру емес. Жіктеуді өзгерткен кезде картаны құру және картаға түсіру үшін ковариаттарды таңдау алгоритмдерін қайта құру қажет болады немесе салынған a priori карталарының сапасы өте төмен болады. Оқу деректері аз аймақтар үшін карталардың сапасы басқа кар-плаграф тәсілдерін қолданғаннан төмен болады. Сонымен қатар, топырақ кластарының карталары әр топырақ үшін бірнеше жеке растрлық карталар түрінде ұсынылған, олардың пиксельде болу ықтималдығы бар. Мұндай көріністі пакеттік деректерді өңдеуді қолданған жағдайда ғана модельдеу үшін қолдануға болады. Жоғары деңгейлі бағдарламалау тілдеріне негізделген тәсілдерден басқа, цифрлық Топырақ картасын жасауға арналған дәстүрлі бағдарламалық өнімдер де бар. Осындай өнімдердің бірі-SOLIM (Soil Land Infer-ence System) топырақ-жер қатынастарын орнату жүйесі, ол бұлыңғыр логика идеялары мен сараптамалық деректер тізбегі негізінде топырақ карталарын жасауға арналған бағдарламалық пакеттер жиынтығы. SOLIM-дегі картаға түсіру процесі дәстүрлі картаға түсіру процесінен ғарыштық деректерді өңдеу процедураларын білу қажеттілігімен және пиксельде сыныптарды табу ықтималдығы түрінде топырақ туралы ақпаратты ұсыну қажеттілігімен айтарлықтай ерекшеленеді. Сонымен қатар, дәстүрлі топырақтанушылар үшін топырақтың білімін тікелей бөлу және ғарыштық суреттерді техникалық өңдеу арқылы ыңғайлы бағдарламалар жасауға болады. Сыныптардың сандық топырақ карталарының сапасын бағалау әдістері жақсы зерттелген. Дегенмен, нәтижелерді бағалаудың әдеттегі статистикалық әдістерін қолдануға болатын сандық топырақ қасиеттерінің карталары үшін, шын мәнінде, оларды бір-бірімен салыстырудың жалпы әдістемесі және кеңістіктік қателерді ескере отырып, олардың сапасын жалпы қабылданған бағалау әлі жоқ. ЦПК тәсілдерінде қолданылатын күрделі математикалық және статистикалық аппараттарға қарамастан, олардың негізінде, топырақты дәстүрлі карто-графикалаудағыдай, В. В. Докучаевтың факторлық парадигмасы да жатыр. Дәстүрлі факторлық картаға түсіру сияқты, CPC-де топырақ таксондары арасындағы шекаралар топырақ түзілу факторлары бойынша белгіленеді. Жіктелген бөлімдерді емес, жеке қасиеттерді картаға түсіру жағдайында топырақ қасиеттерінің өрістері де оларға байланысты. Осылайша, бұл тәсілдер дәстүрлі факторлық тәсілдерді дамыту болып табылады, бірақ жаңа ғылыми деңгейде. жүктеу/скачать 7,3 Mb. Достарыңызбен бөлісу:
|