Adaptive modelling of spatial diversification of soil classification units Adaptacyjne modelowanie przestrzennego zróżnicowania jednostek klasyfikacyjnych gleb
The article presents the results of attempts to use adaptive algorithms for classification tasks different soils
units. The area of study was the Upper Silesian Industrial Region, which physiographic and soils parameters in
the form of digitized was used in the calculation. The study used algorithms, self-organizing map (SOM) of Kohonen,
and classifiers: deep neural network, and two types of decision trees: Distributed Random Forest and
Gradient Boosting Machine. Especially distributed algorithm Random Forest (algorithm DRF) showed a very
high degree of generalization capabilities in modeling complex diversity of soil. The obtained results indicate,
that the digitization of topographic and thematic maps give you a fairly good basis for creating useful models of
soil classification. However, the results also showed that it cannot be concluded that the best algorithm presented
in this research can be regarded as a general principle of system design inference.
Wraz z rozwojem technologii informatycznych następuje stopniowa zmiana podejścia do dokumentacji
kartograficznej obiektów przyrodniczych, w tym gleb. Podstawowymi cechami dowolnej klasyfikacji, których
przedmiotem są gleby, jest wielowymiarowość jednostek (nie ma pojedynczej właściwości, możliwej do wyznaczenia
w drodze pomiaru, która wystarczałaby do jednoznacznego przypisania pedonu do określonej klasy
w stosowanych skalach klasyfikacyjnych gleb), w związku z czym właściwe wydaje się wykorzystanie do tego
celu dostępnych komputerowych metod przetwarzania danych. Modelowanie przestrzennego zróżnicowania gleb
na podstawie przesłanek natury fizjograficznej, odtworzonych na podstawie digitalizacji istniejących materiałów
kartograficznych, jest podstawą do tworzenia przestrzennych baz danych przechowywanych w wersji cyfrowej.
Inaczej niż w typowej kartografii tematycznej zawierającej treści glebowo-siedliskowe, modele te wskazują na
prawdopodobieństwo a priori występowania określonej jednostki glebowej w określonym położeniu, nie zaś
bezwzględną przynależność terenu do niej. Taka interpretacja wymaga zbudowania stosownego algorytmu wiążącego
czynniki natury geologicznej i fizjograficznej z jednostkami glebowymi. Do tego celu często wykorzystuje
się tak zwane algorytmy adaptacyjne, umożliwiające elastyczne tworzenie modeli zależności bazujących na
danych.
W pracy przedstawiono dwa warianty doboru parametrów przetwarzania danych fizjograficzno-glebowych
potencjalnie przydatnych do tych celów. Wykorzystano dane pochodzące z bazy danych fizjograficznoglebowych
z rejonu GOP (Górnośląski Okręg Przemysłowy) uzyskanych w wyniku digitalizacji materiałów kartograficznych.
Analizie poddano wyłącznie tereny użytków rolnych: gruntów ornych (R) i trwałych użytków
zielonych (Ł i Ps). Na obszarze o powierzchni 1 km2 wyodrębniono 6,4 mln jednostek tworzących siatkę kwadratów
o rozmiarach 20 × 20 m. Wykorzystane zostały algorytmy samoorganizującej mapy (SOM) Kohonena
oraz klasyfikatory – głęboka sieć neuronowa, oraz dwa rodzaje drzew decyzyjnych – rozproszony las losowy
(ang. Distributed Random Forest) i wzmacniane drzewa losowe (ang. Gradient Boosting Machine). Szczególnie
algorytm rozproszonego lasu losowego (algorytm DRF) wykazał bardzo wysoki stopień zdolności generalizacyjnej
w modelowaniu zróżnicowania kompleksów glebowych.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00