Detailních mapy půdních vlastností ČR: Porovnání verzí

Z KPP - wiki
Přejít na: navigace, hledání
(Výsledné mapy)
 
(Není zobrazeno 23 mezilehlých verzí od stejného uživatele.)
Řádek 1: Řádek 1:
 +
[[Soubor:TitulniStrana-stránka001.jpg|bezrámu|vpravo|400px]]
 
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>
 
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)]]
 
 
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>
 
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>
 
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>
 
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.] společně s kolegy z [https://katedry.czu.cz/kpop/uvod/České zemědělské univerzity v Praze].<br>
 
 
===Prostorové vymezení===
 
===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>
 
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 12: Řádek 10:
 
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>
 
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===
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>
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>
 
<gallery mode="packed" widths=300px heights=200px>
 
Soubor:Sondy kpp vyberove.png|Rozmístění použitých výběrových sond.
 
Soubor:Sondy kpp vyberove.png|Rozmístění použitých výběrových sond.
Řádek 23: Řádek 20:
 
Vliv klimatu byl modelován pomocí klimatických dat ČHMÚ, konkrétně byly využity vrstvy průměrné roční teploty z let 2009-2018, průměrná roční suma srážek z let 2009-2018, průměrná roční evapotranspirace z let 2009-2018. Dále byla použita mapa regionalizovaného R faktoru, tedy mapa vyjadřující erozní účinnost deště.<br>
 
Vliv klimatu byl modelován pomocí klimatických dat ČHMÚ, konkrétně byly využity vrstvy průměrné roční teploty z let 2009-2018, průměrná roční suma srážek z let 2009-2018, průměrná roční evapotranspirace z let 2009-2018. Dále byla použita mapa regionalizovaného R faktoru, tedy mapa vyjadřující erozní účinnost deště.<br>
 
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>
 
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 1:5 000 zahrnující půdní jednotky, půdotvorné substráty, hloubky půdy, zrnitost a štěrkovitost.<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===
 
===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)]]
+
[[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 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===
+
==Výsledné mapy==
'''Mapy zrnitosti půd''' (obsah jílu, prachu a písku, mapa zrnitostních kategorií)<br>
+
===Mapy zrnitosti půd (obsah jílu, prachu a písku, mapa zrnitostních kategorií)===
<gallery mode="packed-hover" widths=300px heights=200px>
+
<gallery mode="packed-hover" widths=300px heights=350px>
Soubor:Mapa zastoupení jílu (částice menší než 0,002 mm) v ornici zem. půd..png|Mapa zastoupení jílu (částice menší než 0,002 mm) v ornici zem. půd
+
Soubor:Mapa zastoupení jílu (částice menší než 0,002 mm) v ornici zem. půd..png
 
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot jílu.jpg
 
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot jílu.jpg
 
</gallery>
 
</gallery>
<gallery mode="packed-hover" widths=300px heights=200px>
+
<br>
Soubor:Mapa zastoupení prachu (od 0,002 do 0,05 mm) v ornici zem. půd.png|Mapa zastoupení prachu (od 0,002 do 0,05 mm) v ornici zem. půd
+
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa zastoupení prachu (od 0,002 do 0,05 mm) v ornici zem. půd.png
 
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot prachu.jpg
 
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot prachu.jpg
 
</gallery>
 
</gallery>
<gallery mode="packed-hover" widths=300px heights=200px>
+
<br>
Soubor:Mapa zastoupení písku (částice od 0,05 do 2 mm) v ornici zem. půd.png|Mapa zastoupení písku (částice od 0,05 do 2 mm) v ornici zem. půd
+
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa zastoupení písku (částice od 0,05 do 2 mm) v ornici zem. půd.png
 
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot písku.jpg
 
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot písku.jpg
 
</gallery>
 
</gallery>
[[Soubor:Mapa zrnitostních kategorií ornice dle trojúhelníku USDA.png|bezrámu|střed|Mapa zrnitostních kategorií ornice dle trojúhelníku USDA]]
+
<br>
 +
[[Soubor:Mapa zrnitostních kategorií ornice dle trojúhelníku USDA.png|bezrámu|střed|Mapa zrnitostních kategorií ornice dle trojúhelníku USDA|600px]]
 +
<br>
 +
===Mapy koncentrace organického uhlíku (v ornici a podorničí)===
 +
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa koncentrace organického uhlíku v ornici zem. půd.png
 +
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot uhlíku.jpg
 +
</gallery>
 +
<br>
 +
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa koncentrace organického uhlíku v podorničí zem. půd.png
 +
Soubor:Bodový graPorovnání pozorovaných a predikovaných hodnot uhlíku v podorničí.jpg
 +
</gallery>
 +
===Mapa půdní reakce (pH)===
 +
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa půdní reakce (pH výměnné) v ornici zem. půd.png
 +
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot pH.jpg
 +
</gallery>
 +
<br>
 +
===Mapy objemové hmotnosti (v ornici a podorničí)===
 +
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa objemové hmotnosti půd v orničním horizontu zem. půd.png
 +
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot objemové hmotnosti.jpg
 +
</gallery>
 +
<br>
 +
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa objemové hmotnosti půd v podorničním horizontu zem. půd.png
 +
Soubor:Graf OHR60.jpg
 +
</gallery>
 +
<br>
 +
===Mapy hloubky půdy (mocnost sola, mocnost humusových horizontů)===
 +
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa mocnosti sola zemědělských půd.png
 +
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot mocnosti sola.jpg
 +
</gallery>
 +
<br>
 +
<gallery mode="packed-hover" widths=300px heights=350px>
 +
Soubor:Mapa mocnosti humusových horizontů zemědělských půd.png
 +
Soubor:Bodový graf porovnání pozorovaných a predikovaných hodnot mocnosti humusových horizontů.jpg
 +
</gallery>
 +
<br>
 +
===Mapa skeletovitosti===
 +
[[Soubor:Mapa klasifikace tříd skeletovitosti.png|střed|bezrámu|Mapa klasifikace tříd skeletovitosti|600px]]
 +
<br>
 +
===Mapa půdních jednotek===
 +
[[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.

Aktuální verze z 5. 5. 2021, 10:56

TitulniStrana-stránka001.jpg

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.
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.
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.
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).
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 Výzkumného ústavu meliorací a ochrany půdy, v.v.i. společně s kolegy z České zemědělské univerzity v Praze.

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.

Metodika tvorby map

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.

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 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).
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.

Jako nezávislých proměnných, tzv. prediktorů, bylo pro predikční mapování využito široké škály datových podkladů ve formě rastru, které pokrývaly základní půdotvorné podmínky a faktory. Mezi nimi se jednalo zejména o deriváty digitálního modelu terénu, konkrétně: nadmořská výška, expozice, sklon, profilová a tečná křivost, akumulace odtoku, délka odtoku, index topografické pozice, topografický vlhkostní index, index síly toku a LS faktor (USLE). Všechny tyto vrstvy byly zpracovány v pěti úrovních zhlazení, tak aby bylo možno postihnout vhodné měřítko vlivu podmínek terénu (například vliv lokálního sklonu vs. vliv sklonu širšího území).
Dalším podkladem byly materiály dálkového průzkumu Země, konkrétně reflektance holého povrchu půdy v pásmech snímaných družicí Sentinel-2. K tomuto účelu byla vytvořena časoprostorová mozaika holých půd z časové řady satelitních snímků z let 2015-2020. Bližší popis tvorby tohoto produktu viz zmíněná metodika.
Vliv klimatu byl modelován pomocí klimatických dat ČHMÚ, konkrétně byly využity vrstvy průměrné roční teploty z let 2009-2018, průměrná roční suma srážek z let 2009-2018, průměrná roční evapotranspirace z let 2009-2018. Dále byla použita mapa regionalizovaného R faktoru, tedy mapa vyjadřující erozní účinnost deště.
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).
Posledním podkladem byly archivní mapy Komplexního průzkumu půd v měřítku 1:10 000 zahrnující půdní jednotky, půdotvorné substráty, hloubky půdy, zrnitost a štěrkovitost.

Metody

Schématický postup predikčního mapování s využitím metod strojového učení (upraveno dle Hengl et al. 2018)

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.

Výsledné mapy

Mapy zrnitosti půd (obsah jílu, prachu a písku, mapa zrnitostních kategorií)




Mapa zrnitostních kategorií ornice dle trojúhelníku USDA


Mapy koncentrace organického uhlíku (v ornici a podorničí)


Mapa půdní reakce (pH)


Mapy objemové hmotnosti (v ornici a podorničí)



Mapy hloubky půdy (mocnost sola, mocnost humusových horizontů)



Mapa skeletovitosti

Mapa klasifikace tříd skeletovitosti


Mapa půdních jednotek

Mapa půdních jednotek dle klasifikace TKSP


Použitá literatura

MEINSHAUSEN, Nicolai, 2006. Quantile regression forests. Journal of Machine Learning Research. ISSN 15337928.
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.