Detailních mapy půdních vlastností ČR - Historie editací

Admin v 3. 2. 2026, 17:59

2026-02-03T17:59:39Z

Anna.juricova v 5. 5. 2021, 09:56

2021-05-05T09:56:02Z

Anna.juricova: /* Metody */

2021-05-05T08:25:14Z

‎Metody

Anna.juricova v 5. 5. 2021, 08:21

2021-05-05T08:21:27Z

Anna.juricova v 5. 5. 2021, 08:20

2021-05-05T08:20:39Z

Anna.juricova: /* Použitá data */

2021-04-28T17:03:53Z

‎Použitá data

Anna.juricova: /* Použitá data */

2021-04-28T17:00:40Z

‎Použitá data

Anna.juricova v 28. 4. 2021, 16:51

2021-04-28T16:51:39Z

Anna.juricova v 28. 4. 2021, 16:49

2021-04-28T16:49:12Z

Anna.juricova v 28. 4. 2021, 16:48

2021-04-28T16:48:23Z

@@ Řádek 4: / Řádek 4: @@
 Nové mapy jsou svou podstatou velice žádoucí pro fungování státní správy v oblasti ochrany půdy a také v rámci samotné zemědělské výroby, kdy umožní využití půdního fondu optimálním způsobem. Rovněž umožní i širší nasazení metod precizního zemědělství, pro které je dostupnost takovýchto podkladů nepostradatelná. Využití těchto map tak v přeneseném smyslu umožní zvýšení konkurenceschopnosti českého zemědělství s vyšším důrazem na ochranu životního prostředí a poskytne podklady nutné pro monitoring stavu půdního prostředí.<br>
 Výsledné mapy byly vytvořeny na základě dat dostupných pro celou ČR. Jedná se tedy o produkty, které stojí nad datovým modelem odvozeným pro celou plochu zemědělských půd ČR. Použité metody jsou datově založené a jejich výsledky jsou tak závislé na kvalitě a pokryvnosti vstupních dat. V případě potřeby přesnějších výstupů na lokální úrovni lze tak doporučit využití lokálních dat. Použité metody jsou velice dobře využitelné i na této úrovni a pro pomoc s jejich aplikací k tvorbě přesnějších lokálních map nabízíme své znalosti a zkušenosti (kontakt: zizala.daniel@vumop.cz).<br>
-Vytvoření detailních map půdních vlastností popisující aktuální stav půdního pokryvu ČR bylo cílem výzkumného projektu NAZV QK1820389 – „Vytvoření podrobných aktuálních map půdních vlastností ČR na základě využití dat Komplexního průzkumu půd a metod digitálního mapování půd“ a výzkumného záměru: „Využití dat a metod DPZ, pedometrických metod a dat KPP pro tvorbu map půdních vlastností“ v rámci Dlouhodobého koncepčního rozvoje výzkumné organizace MZE-RO0218 Výzkumný ústav meliorací a ochrany půdy, v.v.i. Na řešení a tvorbě mapových výstupů se podíleli pracovníci z [https://www.vumop.cz/ Výzkumného ústavu meliorací a ochrany půdy, v.v.i.] společně s kolegy z [https://katedry.czu.cz/kpop/uvod/ České zemědělské univerzity v Praze].<br>
+Vytvoření detailních map půdních vlastností popisující aktuální stav půdního pokryvu ČR bylo cílem výzkumného projektu NAZV QK1820389 – „Vytvoření podrobných aktuálních map půdních vlastností ČR na základě využití dat Komplexního průzkumu půd a metod digitálního mapování půd“ a výzkumného záměru: „Využití dat a metod DPZ, pedometrických metod a dat KPP pro tvorbu map půdních vlastností“ v rámci Dlouhodobého koncepčního rozvoje výzkumné organizace MZE-RO0218 Výzkumný ústav meliorací a ochrany půdy, v.v.i. Na řešení a tvorbě mapových výstupů se podíleli pracovníci z [https://www.vumop.cz/ Výzkumného ústavu meliorací a ochrany půdy, v.v.i.] (od roku 2024 Výzkumný ústav monitoringu a ochrany půdy, v. v. i.) společně s kolegy z [https://katedry.czu.cz/kpop/uvod/ České zemědělské univerzity v Praze].<br>
 ===Prostorové vymezení===
 Mapové podklady jsou dostupné pro území celé České republiky. Omezení mapového díla je dána pokryvností vstupních dat do výpočtu. Data jsou tak dostupná pouze pro zemědělské půdy. Rozsah odpovídá zemědělské půdě v době realizace KPP - 60. léta 20. století.<br>

@@ Řádek 24: / Řádek 24: @@
 ===Metody===
 [[Soubor:Schématický postup predikčního mapování s využitím metod strojového učení.png|bezrámu|vpravo|Schématický postup predikčního mapování s využitím metod strojového učení (upraveno dle Hengl et al. 2018)|350px]]
-Veškeré přípravné práce nad daty i samotné modelování a výsledná predikce probíhala v prostředí jazyka R na výpočetním stroji VÚMOP. Pro trénování modelů a predikci byl použit model Quantile Random Forest (QRF) (Meinshausen 2006). QRF model vznikl zobecněním klasického modelu random forest (RF), kdy výsledná hodnota predikce RF modelu je spočítána jako průměrná hodnota predikce všech stromů modelu. QRF model ale je schopen odhadnout i kvantily modelované proměnné pro všechna místa predikce. Kvantil 0,5 (medián) byl použit pro tvorbu výsledné mapy obdobně jako u klasického modelu RF. Hlavní výhodou QRF oproti RF je však možnost z kvantilů 0,025 a 0,975 odvodit horní a dolní odhad hodnoty modelované proměnné v každém bodě. Vznikne tak predikční interval, který s 95 % pravděpodobností pokryje skutečnou hodnotu modelované proměnné v každém pixelu. Tyto mapy mohou sloužit prezentaci nejistoty predikce.<br>
+Veškeré přípravné práce nad daty i samotné modelování a výsledná predikce probíhala v prostředí jazyka R na výpočetním stroji VÚMOP. Pro trénování modelů a predikci byl použit model Quantile Regression Forest (QRF) (Meinshausen 2006). QRF model vznikl zobecněním klasického modelu random forest (RF), kdy výsledná hodnota predikce RF modelu je spočítána jako průměrná hodnota predikce všech stromů modelu. QRF model ale je schopen odhadnout i kvantily modelované proměnné pro všechna místa predikce. Kvantil 0,5 (medián) byl použit pro tvorbu výsledné mapy obdobně jako u klasického modelu RF. Hlavní výhodou QRF oproti RF je však možnost z kvantilů 0,025 a 0,975 odvodit horní a dolní odhad hodnoty modelované proměnné v každém bodě. Vznikne tak predikční interval, který s 95 % pravděpodobností pokryje skutečnou hodnotu modelované proměnné v každém pixelu. Tyto mapy mohou sloužit prezentaci nejistoty predikce.<br>
 ==Výsledné mapy==

@@ Řádek 23: / Řádek 23: @@
 ===Metody===
-[[Soubor:Schématický postup predikčního mapování s využitím metod strojového učení.png|bezrámu|vpravo|Schématický postup predikčního mapování s využitím metod strojového učení  (upraveno dle Hengl et al. 2018)|350px]]
+[[Soubor:Schématický postup predikčního mapování s využitím metod strojového učení.png|bezrámu|vpravo|Schématický postup predikčního mapování s využitím metod strojového učení (upraveno dle Hengl et al. 2018)|350px]]
-Veškeré přípravné práce nad daty i samotné modelování a výsledná predikce probíhala v prostředí jazyka R na výpočetním stroji VÚMOP. Pro trénování modelů a predikci byl použit model Quantile Regression Forest (QRF) (Meinshausen 2006). QRF model vznikl zobecněním klasického modelu random forest, kdy výsledná hodnota predikce RF modelu je spočítána jako průměrná hodnota predikce všech stromů modelu. QRF model ale je schopen odhadnout i kvantily modelované proměnné pro všechna místa predikce. Kvantil 0,5 (medián) byl použit pro tvorbu výsledné mapy obdobně jako u klasického modelu RF. Hlavní výhodou QRF oproti RF je však možnost z kvantilů 0,025 a 0,975 odvodit horní a dolní odhad hodnoty modelované proměnné v každém bodě. Vznikne tak predikční interval, který s 95 % pravděpodobností pokryje skutečnou hodnotu modelované proměnné v každém pixelu. Tyto mapy mohou sloužit prezentaci nejistoty predikce.<br>
+Veškeré přípravné práce nad daty i samotné modelování a výsledná predikce probíhala v prostředí jazyka R na výpočetním stroji VÚMOP. Pro trénování modelů a predikci byl použit model Quantile Random Forest (QRF) (Meinshausen 2006). QRF model vznikl zobecněním klasického modelu random forest (RF), kdy výsledná hodnota predikce RF modelu je spočítána jako průměrná hodnota predikce všech stromů modelu. QRF model ale je schopen odhadnout i kvantily modelované proměnné pro všechna místa predikce. Kvantil 0,5 (medián) byl použit pro tvorbu výsledné mapy obdobně jako u klasického modelu RF. Hlavní výhodou QRF oproti RF je však možnost z kvantilů 0,025 a 0,975 odvodit horní a dolní odhad hodnoty modelované proměnné v každém bodě. Vznikne tak predikční interval, který s 95 % pravděpodobností pokryje skutečnou hodnotu modelované proměnné v každém pixelu. Tyto mapy mohou sloužit prezentaci nejistoty predikce.<br>
 ==Výsledné mapy==

@@ Řádek 1: / Řádek 1: @@
 Pro potřeby návrhu vhodného hospodaření na zemědělských půdách, pro účelné návrhy opatření na ochranu půdy a pro využití moderních metod v zemědělství je zcela nezbytné mít k dispozici aktuální a co nejpřesnější mapy půdního prostředí a vlastností půdy. Dostupnost detailních map zachycujících aktuální stav půdního krytu a půdních vlastností v ČR byla v současné době nedostatečná. Existující mapy vycházejí převážně z archivních, neaktualizovaných dat s omezenou přesností, nebo jsou naopak výsledkem modelů zohledňujících spíše potenciální procesy a vlastnosti půd než jejich skutečný stav. Tradiční způsoby půdního mapování jsou náročné technicky, finančně i časově, obzvláště v podmínkách velké prostorové variability půdního krytu, jako je tomu v ČR. Přes nezastupitelnou roli bodového sondování a odběru půdních vzorků však tradiční způsoby tvorby map pomocí polygonových zákresů neumožňují zachytit veškerý detail a řada důležitých informací o půdní variabilitě může být ve výsledném díle ztracena. Spojení tradičních přístupů a nových progresivních metod výzkumu, tedy zpracování archivních dat s unikátní detailností v kombinaci s nově pořízenými daty a aplikace pokročilých pedometrických metod s využitím doplňkových dat reflektujících současný stav našich půd, zaručuje vznik přesnějších půdních map a map jednotlivých půdních vlastností ve vysokém stupni detailnosti.<br>
 Nově vzniklé mapy jsou zaměřeny na problematiku mapování základních půdních vlastností zemědělských půd ČR. K jejich tvorbě bylo využito metod digitálního mapování půd včetně metod strojového učení, bodových dat z půdních průzkumů a dalších environmentálních proměnných. Využito bylo jak dat z nedávno zdigitalizovaného archivu Komplexního průzkumu půd (KPP), tak širokého spektra dalších aktuálních dat (aktuální půdní data, digitální model terénu, data dálkového průzkumu Země apod.). Mapy zobrazují kontinuální hodnoty v podrobném měřítku (s rozlišením 20 metrů na obrazový bod) pro celý půdní fond ČR. Některé mapové podklady výrazně zpřesňují dosud publikované mapy půdních vlastností, některé v tomto ohledu přinášejí zcela nový, dosud nedostupný podklad pro hodnocení půdních vlastností. Mapy jsou doplněné určením míry přesnosti predikce a tak poskytují i informaci o přesnosti stanovení hodnot v jednotlivých bodech.<br>
 Nové mapy jsou svou podstatou velice žádoucí pro fungování státní správy v oblasti ochrany půdy a také v rámci samotné zemědělské výroby, kdy umožní využití půdního fondu optimálním způsobem. Rovněž umožní i širší nasazení metod precizního zemědělství, pro které je dostupnost takovýchto podkladů nepostradatelná. Využití těchto map tak v přeneseném smyslu umožní zvýšení konkurenceschopnosti českého zemědělství s vyšším důrazem na ochranu životního prostředí a poskytne podklady nutné pro monitoring stavu půdního prostředí.<br>
 Výsledné mapy byly vytvořeny na základě dat dostupných pro celou ČR. Jedná se tedy o produkty, které stojí nad datovým modelem odvozeným pro celou plochu zemědělských půd ČR. Použité metody jsou datově založené a jejich výsledky jsou tak závislé na kvalitě a pokryvnosti vstupních dat. V případě potřeby přesnějších výstupů na lokální úrovni lze tak doporučit využití lokálních dat. Použité metody jsou velice dobře využitelné i na této úrovni a pro pomoc s jejich aplikací k tvorbě přesnějších lokálních map nabízíme své znalosti a zkušenosti (kontakt: zizala.daniel@vumop.cz).<br>
 Vytvoření detailních map půdních vlastností popisující aktuální stav půdního pokryvu ČR bylo cílem výzkumného projektu NAZV QK1820389 – „Vytvoření podrobných aktuálních map půdních vlastností ČR na základě využití dat Komplexního průzkumu půd a metod digitálního mapování půd“ a výzkumného záměru: „Využití dat a metod DPZ, pedometrických metod a dat KPP pro tvorbu map půdních vlastností“ v rámci Dlouhodobého koncepčního rozvoje výzkumné organizace MZE-RO0218 Výzkumný ústav meliorací a ochrany půdy, v.v.i. Na řešení a tvorbě mapových výstupů se podíleli pracovníci z [https://www.vumop.cz/ Výzkumného ústavu meliorací a ochrany půdy, v.v.i.] společně s kolegy z [https://katedry.czu.cz/kpop/uvod/ České zemědělské univerzity v Praze].<br>
 ===Prostorové vymezení===

@@ Řádek 1: / Řádek 1: @@
 Pro potřeby návrhu vhodného hospodaření na zemědělských půdách, pro účelné návrhy opatření na ochranu půdy a pro využití moderních metod v zemědělství je zcela nezbytné mít k dispozici aktuální a co nejpřesnější mapy půdního prostředí a vlastností půdy. Dostupnost detailních map zachycujících aktuální stav půdního krytu a půdních vlastností v ČR byla v současné době nedostatečná. Existující mapy vycházejí převážně z archivních, neaktualizovaných dat s omezenou přesností, nebo jsou naopak výsledkem modelů zohledňujících spíše potenciální procesy a vlastnosti půd než jejich skutečný stav. Tradiční způsoby půdního mapování jsou náročné technicky, finančně i časově, obzvláště v podmínkách velké prostorové variability půdního krytu, jako je tomu v ČR. Přes nezastupitelnou roli bodového sondování a odběru půdních vzorků však tradiční způsoby tvorby map pomocí polygonových zákresů neumožňují zachytit veškerý detail a řada důležitých informací o půdní variabilitě může být ve výsledném díle ztracena. Spojení tradičních přístupů a nových progresivních metod výzkumu, tedy zpracování archivních dat s unikátní detailností v kombinaci s nově pořízenými daty a aplikace pokročilých pedometrických metod s využitím doplňkových dat reflektujících současný stav našich půd, zaručuje vznik přesnějších půdních map a map jednotlivých půdních vlastností ve vysokém stupni detailnosti.<br>
-[[Soubor:Obalka DSM-1.png|bezrámu|vpravo|Tvorba půdních map pedometrickými metodami. (Žížala, Minařík a kol., 2020)|400px]]
+[[Soubor:TitulniStrana-stránka001.jpg|bezrámu|vpravo|400px]]
 Nově vzniklé mapy jsou zaměřeny na problematiku mapování základních půdních vlastností zemědělských půd ČR. K jejich tvorbě bylo využito metod digitálního mapování půd včetně metod strojového učení, bodových dat z půdních průzkumů a dalších environmentálních proměnných. Využito bylo jak dat z nedávno zdigitalizovaného archivu Komplexního průzkumu půd (KPP), tak širokého spektra dalších aktuálních dat (aktuální půdní data, digitální model terénu, data dálkového průzkumu Země apod.). Mapy zobrazují kontinuální hodnoty v podrobném měřítku (s rozlišením 20 metrů na obrazový bod) pro celý půdní fond ČR. Některé mapové podklady výrazně zpřesňují dosud publikované mapy půdních vlastností, některé v tomto ohledu přinášejí zcela nový, dosud nedostupný podklad pro hodnocení půdních vlastností. Mapy jsou doplněné určením míry přesnosti predikce a tak poskytují i informaci o přesnosti stanovení hodnot v jednotlivých bodech.<br>

@@ Řádek 12: / Řádek 12: @@
 Metodický postup a popis jednotlivých použitých metod je podrobně popsán v certifikované metodice „Tvorba půdních map pedometrickými metodami“ (Žížala et al. 2020). V ní je možno nalézt širší detaily. Zde jsou představeny použité metody ve stručné podobě.<br>
 ===Použitá data===
-Použitá data lze rozdělit do dvou skupin, které vycházejí z konceptu digitálního mapování půd. První skupinou jsou bodová trénovací data, tzn. hodnoty modelované proměnné (proměnných) v odběrných místech.  Druhou skupinou jsou tzv. prediktory neboli environmentální proměnné (nejčastěji v podobě rastru) pokrývající celé území. Zjištěné vztahy mezi modelovanou proměnnou a prediktory ve známých bodech slouží pak k predikci modelované proměnné v neznámých bodech (pixelech rastru).<br>
+Použitá data lze rozdělit do dvou skupin, které vycházejí z konceptu digitálního mapování půd. První skupinou jsou bodová trénovací data, tzn. hodnoty modelované proměnné v odběrných místech. Druhou skupinou jsou tzv. prediktory neboli environmentální proměnné (nejčastěji v podobě rastru) pokrývající celé území. Zjištěné vztahy mezi modelovanou proměnnou a prediktory ve známých bodech pak slouží k predikci modelované proměnné v neznámých bodech (pixelech rastru).<br>
-Jako trénovací data byly využity informace z KPP pro vlastnosti, jejichž dynamika v čase není velká (zrnitost, skeletovitost, hloubka půdy) a data z aktuálních databází VÚMOP a ČZU a dalších dostupných mezinárodních databází s daty z ČR pro modelování dynamicky ovlivněných půdních vlastností (organický uhlík, půdní reakce, objemová hmotnost). Z dat KPP bylo využito dat z výběrových sond (cca 36 000 sond) pro modelování zrnitostních kategorií. Základní sondy totiž obsahují informaci pouze o jedné zrnitostní frakci (tzv. jílnaté částice, <0.01 mm). Tento datový soubor (cca 350 000 sond) byl použit pro mapování hloubky půdy a skeletovitosti. <br>
+Jako trénovací data byly využity informace z KPP pro vlastnosti, jejichž dynamika v čase není velká (například zrnitost, skeletovitost či hloubka půdy) a data z aktuálních databází VÚMOP a ČZU a dalších dostupných mezinárodních databází s daty z ČR pro modelování dynamicky ovlivněných půdních vlastností (organický uhlík, půdní reakce, objemová hmotnost). Z dat KPP bylo využito informací z výběrových sond (cca 36 000 sond) pro modelování zrnitostních kategorií. Základní sondy totiž obsahují informaci pouze o jedné zrnitostní frakci (tzv. jílnaté částice, <0.01 mm). Tento datový soubor (cca 350 000 sond) byl použit pro mapování hloubky půdy, mocnosti humusového horizontu a skeletovitosti. Datový soubor aktuálních rozborů obsahoval data z celkem 6 843 sond a 11 465 horizontů. V rámci přípravy nesourodých datových souborů bylo dbáno na využití stejných laboratorních metod pro stanovení cílové proměnné. Datové zdroje získané s využitím jiných laboratorních metod byly ze souboru vyřazeny.<br>
 <gallery mode="packed" widths=300px heights=200px>
 Soubor:Sondy kpp vyberove.png|Rozmístění použitých výběrových sond.
@@ Řádek 24: / Řádek 23: @@
 Rovněž byly využity i informace o poloze, které často nejsou v rámci digitálního modelování půd využívány. Konkrétně se jednalo o syntetizované podklady vyjadřující vzdálenost nejbližší sondy v dané třídě dle hodnoty modelovaného atributy (hodnoty vždy rozděleny do 20 kvantilů).<br>
 Posledním podkladem byly archivní mapy Komplexního průzkumu půd v měřítku 1:10 000 zahrnující půdní jednotky, půdotvorné substráty, hloubky půdy, zrnitost a štěrkovitost.<br>
 ===Metody===
 [[Soubor:Schématický postup predikčního mapování s využitím metod strojového učení.png|bezrámu|vpravo|Schématický postup predikčního mapování s využitím metod strojového učení  (upraveno dle Hengl et al. 2018)|350px]]

← Starší verze		Verze z 28. 4. 2021, 16:49
Řádek 90:		Řádek 90:
	===Mapa půdních jednotek===		===Mapa půdních jednotek===
	[[Soubor:Mapa půdních jednotek dle klasifikace TKSP.png\|bezrámu\|střed\|Mapa půdních jednotek dle klasifikace TKSP\|600px]]		[[Soubor:Mapa půdních jednotek dle klasifikace TKSP.png\|bezrámu\|střed\|Mapa půdních jednotek dle klasifikace TKSP\|600px]]
		+
		+
		+	==Použitá literatura==
		+	MEINSHAUSEN, Nicolai, 2006. Quantile regression forests. Journal of Machine Learning Research. ISSN 15337928. <br>
		+	ŽÍŽALA, Daniel, Robert MINAŘÍK, Radim VAŠÁT, Jan SKÁLA, Anna JUŘICOVÁ, Tereza ZÁDOROVÁ, Vít PENÍŽEK a Hana BEITLEROVÁ, 2020. Metodika tvorby aktuálních půdních map pedometrickými metodami. Praha: VÚMOP, v.v.i. ISBN 978-80-88323-34-1.