Predictive soil mapping in the Boreal Plains of Northern Alberta by using multi-temporal remote sensing data and terrain derivatives

IF 1.5 4区 农林科学 Q4 SOIL SCIENCE
P. Sorenson, J. Kiss, Anna Serdetchnaia, J. Iqbal, A. Bedard-Haughn
{"title":"Predictive soil mapping in the Boreal Plains of Northern Alberta by using multi-temporal remote sensing data and terrain derivatives","authors":"P. Sorenson, J. Kiss, Anna Serdetchnaia, J. Iqbal, A. Bedard-Haughn","doi":"10.1139/cjss-2022-0028","DOIUrl":null,"url":null,"abstract":"Abstract As Canada's vast Boreal Plains are extensively managed, predictive soil mapping could be used as an effective tool to generate high-resolution soil information for the region to inform sustainable resource management. This study aimed to investigate the use of multi-temporal remote sensing data and terrain derivatives to map soil types in the region. A method of constraining subgroup and great-group soil-type predictions based on the predictions at higher-order levels (great-group and order, respectively) was tested. Sentinel time series median values obtained by using Google Earth Engine were tested in combination with first- and second-order digital elevation model derivatives for use as predictor variables in the predictive models. A recursive feature selection process was implemented to reduce the number of predictor variables used in model training. Soil classes were predicted at the order, great-group, and subgroup levels and two approaches were tested. In the first approach, models were unconstrained based on previous predictions. In the second approach, models were constrained to predict only soil great-group classes that occur within the predicted soil order for a given location and similarly predict only soil subgroup classes that occur within the predicted soil great group for a given location. Determined through independent validation testing, the most probable predicted soil maps had overall accuracies ranging from 42% to 68% and kappa scores ranging from 0.33 to 0.48. Overall, the constrained models had the best performance of the approaches tested. Résumé Les vastes plaines boréales du Canada étant largement aménagées, une carte prédictive des sols constituerait un bon moyen pour obtenir des données à haute résolution sur les sols régionaux et ainsi faciliter la gestion des ressources durables. Les auteurs ont examiné comment des données de télédétection multitemporelles et les dérivées du terrain pourraient servir à cartographier la nature des sols locaux. Dans cette optique, ils ont testé une méthode qui contraint les prévisions du sous-groupe et du grand groupe de sols d’après les prévisions effectuées à un ordre plus élevé (ceux du grand groupe et de l’ordre, respectivement). La valeur médiane des séries chronologiques sentinelles obtenues avec le moteur Google Earth a été testée en combinaison avec les dérivées de modèles numériques des hauteurs du premier et du deuxième ordre, employées comme variables explicatives dans le modèle prédictif. Pour réduire le nombre de variables explicatives servant à former le modèle, les auteurs ont recouru à un processus récursif de sélection des propriétés du sol. Les classes de sol ont été prédites aux niveaux de l’ordre, du grand groupe et du sous-groupe, et deux approches ont été vérifiées. Dans la première, les auteurs n’ont pas contraint le modèle selon les prévisions antérieures; dans la seconde, le modèle a été contraint afin de ne prédire que les classes du grand groupe dans l’ordre des sols prévu et que celles du sous-groupe dans le grand groupe de sols prévu, pour un endroit donné. Après validation dans le cadre d’un essai indépendant, l’exactitude des cartes des sols prévus les plus probables variait de 42 à 68 % et leur note Kappa allait de 0,33 à 0,48. Les modèles contraints sont généralement ceux qui fonctionnent le mieux parmi les approches testées. [Traduit par la Rédaction]","PeriodicalId":9384,"journal":{"name":"Canadian Journal of Soil Science","volume":null,"pages":null},"PeriodicalIF":1.5000,"publicationDate":"2022-06-13","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"2","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Canadian Journal of Soil Science","FirstCategoryId":"97","ListUrlMain":"https://doi.org/10.1139/cjss-2022-0028","RegionNum":4,"RegionCategory":"农林科学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"SOIL SCIENCE","Score":null,"Total":0}
引用次数: 2

Abstract

Abstract As Canada's vast Boreal Plains are extensively managed, predictive soil mapping could be used as an effective tool to generate high-resolution soil information for the region to inform sustainable resource management. This study aimed to investigate the use of multi-temporal remote sensing data and terrain derivatives to map soil types in the region. A method of constraining subgroup and great-group soil-type predictions based on the predictions at higher-order levels (great-group and order, respectively) was tested. Sentinel time series median values obtained by using Google Earth Engine were tested in combination with first- and second-order digital elevation model derivatives for use as predictor variables in the predictive models. A recursive feature selection process was implemented to reduce the number of predictor variables used in model training. Soil classes were predicted at the order, great-group, and subgroup levels and two approaches were tested. In the first approach, models were unconstrained based on previous predictions. In the second approach, models were constrained to predict only soil great-group classes that occur within the predicted soil order for a given location and similarly predict only soil subgroup classes that occur within the predicted soil great group for a given location. Determined through independent validation testing, the most probable predicted soil maps had overall accuracies ranging from 42% to 68% and kappa scores ranging from 0.33 to 0.48. Overall, the constrained models had the best performance of the approaches tested. Résumé Les vastes plaines boréales du Canada étant largement aménagées, une carte prédictive des sols constituerait un bon moyen pour obtenir des données à haute résolution sur les sols régionaux et ainsi faciliter la gestion des ressources durables. Les auteurs ont examiné comment des données de télédétection multitemporelles et les dérivées du terrain pourraient servir à cartographier la nature des sols locaux. Dans cette optique, ils ont testé une méthode qui contraint les prévisions du sous-groupe et du grand groupe de sols d’après les prévisions effectuées à un ordre plus élevé (ceux du grand groupe et de l’ordre, respectivement). La valeur médiane des séries chronologiques sentinelles obtenues avec le moteur Google Earth a été testée en combinaison avec les dérivées de modèles numériques des hauteurs du premier et du deuxième ordre, employées comme variables explicatives dans le modèle prédictif. Pour réduire le nombre de variables explicatives servant à former le modèle, les auteurs ont recouru à un processus récursif de sélection des propriétés du sol. Les classes de sol ont été prédites aux niveaux de l’ordre, du grand groupe et du sous-groupe, et deux approches ont été vérifiées. Dans la première, les auteurs n’ont pas contraint le modèle selon les prévisions antérieures; dans la seconde, le modèle a été contraint afin de ne prédire que les classes du grand groupe dans l’ordre des sols prévu et que celles du sous-groupe dans le grand groupe de sols prévu, pour un endroit donné. Après validation dans le cadre d’un essai indépendant, l’exactitude des cartes des sols prévus les plus probables variait de 42 à 68 % et leur note Kappa allait de 0,33 à 0,48. Les modèles contraints sont généralement ceux qui fonctionnent le mieux parmi les approches testées. [Traduit par la Rédaction]
利用多时相遥感数据和地形衍生物在艾伯塔省北部北方平原进行预测土壤制图
摘要:由于加拿大广阔的北方平原得到广泛管理,预测性土壤测绘可以作为一种有效工具,为该地区生成高分辨率土壤信息,为可持续资源管理提供信息。本研究旨在调查使用多时间遥感数据和地形导数绘制该地区土壤类型图。测试了一种基于高阶水平(分别为高阶组和阶)预测的约束亚组和大组土壤类型预测的方法。使用谷歌地球引擎获得的哨兵时间序列中值与一阶和二阶数字高程模型导数结合使用进行了测试,以用作预测模型中的预测变量。实现了递归特征选择过程,以减少模型训练中使用的预测器变量的数量。土壤等级按顺序、大组和亚组水平预测,并测试了两种方法。在第一种方法中,模型是基于先前的预测未经训练的。在第二种方法中,要求模型仅预测给定位置的预测土壤顺序中出现的土壤大群类,类似地,仅预测给定位置预测土壤大群内出现的土壤亚群类。通过独立验证测试确定,最可能预测的土壤地图的总体准确率范围为42%至68%,卡帕分数范围为0.33%至0.48%。总体而言,约束模型具有测试方法的最佳性能。摘要:由于加拿大广阔的北方平原得到了广泛的管理,预测性土壤地图将是获取区域土壤高分辨率数据的好方法,有助于可持续资源管理。作者研究了如何利用多时间遥感数据和地形导数绘制当地土壤的性质。考虑到这一点,他们测试了一种方法,该方法将亚组和大组土壤的预测限制在更高阶(分别为大组和阶)的预测。使用Google Earth引擎获得的哨兵时间序列的中值与预测模型中用作解释变量的一阶和二阶高度的数值模型导数相结合进行了测试。为了减少用于形成模型的解释变量的数量,作者采用了递归过程来选择土壤特性。在顺序、大组和亚组级别预测土壤等级,并验证了两种方法。在第一种情况下,作者没有按照先前的预测约束模型;在第二种情况下,该模型被强制仅预测给定位置的预测土壤顺序中的大组和预测土壤大组中的亚组的等级。在独立测试中验证后,最可能预测土壤图的准确率范围为42-68%,Kappa评分范围为0.33-0.48。约束模型通常是测试方法中最有效的模型。[由编辑翻译]
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
Canadian Journal of Soil Science
Canadian Journal of Soil Science 农林科学-土壤科学
CiteScore
2.90
自引率
11.80%
发文量
73
审稿时长
6.0 months
期刊介绍: The Canadian Journal of Soil Science is an international peer-reviewed journal published in cooperation with the Canadian Society of Soil Science. The journal publishes original research on the use, management, structure and development of soils and draws from the disciplines of soil science, agrometeorology, ecology, agricultural engineering, environmental science, hydrology, forestry, geology, geography and climatology. Research is published in a number of topic sections including: agrometeorology; ecology, biological processes and plant interactions; composition and chemical processes; physical processes and interfaces; genesis, landscape processes and relationships; contamination and environmental stewardship; and management for agricultural, forestry and urban uses.
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信