Cопряженный анализ пространственных данных для решения задачи среднемасштабного картографирования почв, полностью покрытых тундрово-степной растительностью

Проблемы дешифрирования почв, полностью покрытых растительностью, связаны с «закрытостью» объекта и, следовательно, с отсутствием прямых дешифровочных признаков. Для таких территорий ведущую роль при дешифрировании почвенного покрова играет ландшафтная индикация, которая предполагает использование разнородной пространственной информации о компонентах ландшафта и проведение сопряженной классификации разнородных тематических слоев. Для решения задачи классификации разнородных пространственных данных оптимальным подходом является разработка алгоритмов принятия решений, которые на основе экспертных правил осуществляют построение цифровых почвенных карт.
Объектами исследования послужили различные типы и подтипы почв из отдела альфегумусовых (дерново-подбур иллювиально железистый, подбур глееватый, подбур грубогумусированный, дерново-подбур глееватый) и железисто-метаморфических (ржавозем грубогумусированный), а также параметры растительности и рельефа Джулукульской котловины (Республика Алтай).
Приведена методика сопряженной обработки спутниковых (Landsat 7 ETM+, SPOT 4, SRTM90) и лабораторно-полевых данных для среднемасштабного (1:100000) картографирования почв, полностью покрытых тундрово-степной растительностью. Сущность методики заключается в расчете и количественной оценке индикационных параметров растительности и рельефа по спутниковым данным и матрицам высот, установлении статистических связей между химическими свойствами почв и индикационными параметрами, а также в выборе наиболее информативных признаков и составлении классификационных алгоритмов «дерево решений». Эти алгоритмы позволяют создавать различные пространственные тематические слои, характеризующие уровни классификационной иерархии почв, с последующим объединением полученной информации в единую цифровую почвенную карту.
Проведена оценка точности классификации ареалов почв с использованием матрицы ошибок, согласно которой из 37 537-ми пиксела 35 227 были идентифицированы правильно. Общая точность классификации для всей карты составляет 93,8 %, что больше порогового значения 85 %, поэтому результаты классификации следует признать удовлетворительными. Таким образом, используемые тематические слои и обучающие правила в алгоритме «дерево решений» содержат в себе достаточно информации для правильного распределения пикселов по классам.