Влияние принципов полевого обследования на качество аппроксимации зависимости между показателями содержания органического вещества почв и мультивременными спектральными характеристиками

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Проведены пять полевых обследований одной и той же территории (Базарно-Карабулакский район Саратовской области) для установления функциональных связей между содержанием почвенного органического вещества (ПОВ) и мультивременными спектральными характеристиками открытой поверхности почвы (ОПП). Обследования отличаются пятью различными способами планирования мест отбора почвенных образцов. В трех способах применяли традиционные подходы по регулярным и нерегулярным сетям, а в двух способах использовали карту коэффициента С мультивременной (эмпирической) линии почвы. Показано, что на основе традиционных методов получить устойчивую зависимость между значениями спектральных характеристик данных дистанционного зондирования и содержанием ПОВ сложно. Коэффициенты детерминации подобных зависимостей <0.60, что не позволяет рекомендовать полученные зависимости для целей картографирования ПОВ. Организация полевых работ на основе предварительно построенной карты коэффициента С мультивременной линии почвы показала возможность установления функциональных связей между содержанием ПОВ и мультивременными спектральными характеристиками ОПП с коэффициентом детерминации 0.81. Причинами разного качества регрессионных моделей являются пропуск ряда почвенных объектов при традиционной организации полевых работ и проблемы позиционирования отбора проб. Коррекция традиционных полевых обследований по мультивременным спектральным характеристикам ОПП позволяет повысить качество исследований и разработать новые методы картографирования ПОВ.

Об авторах

Д. И. Рухович

Почвенный институт им. В.В. Докучаева

Email: soilmap@yandex.ru
Пыжевский пер., 7, стр. 2, Москва, 119017 Россия

Д. Г. Борщев

Почвенный институт им. В.В. Докучаева

Email: soilmap@yandex.ru
Пыжевский пер., 7, стр. 2, Москва, 119017 Россия

П. В. Королева

Почвенный институт им. В.В. Докучаева

Email: soilmap@yandex.ru
Пыжевский пер., 7, стр. 2, Москва, 119017 Россия

А. Д. Рухович

Почвенный институт им. В.В. Докучаева

Автор, ответственный за переписку.
Email: soilmap@yandex.ru
Пыжевский пер., 7, стр. 2, Москва, 119017 Россия

Список литературы

  1. Антонова Ж.А., Климентова Е.Г., Рассадина Е.В. Почвы Поволжья. Ульяновск: УлГУ, 2016. 272 с.
  2. Афонин А.Н., Грин С.Л., Дзюбенко Н.И., Фролов А.Н. Агроэкологический атлас России и сопредельных государств: экономически значимые растения, их вредители, болезни и сорные растения [Интернет-версия 2.0]. 2008. http://www.agroatlas.ru
  3. Базилевич Н.И. Биологическая продуктивность экосистем Северной Евразии. М.: Наука, 1993. 293 с.
  4. Бурдуковский М.Л., Голов В.И., Перепелкина П.А., Киселева И.В., Тимофеева Я.О. Агрогенные и постагрогенные изменения запасов углерода и физических свойств подбелов темногумусовых // Почвоведение. 2021. № 6. С. 747–756. https://doi.org/10.31857/S0032180X21060046
  5. Гришин П.Н., Кравченко В.В., Болдырев В.А. Почвы Саратовской области, их происхождение, состав и агрохимические свойства. Саратов: Саратовский нац. исслед. гос. ун-т им. Н.Г. Чернышевского, 2011. 174 с.
  6. Единая межведомственная информационно–статистическая система (ЕМИСС) https://www.fedstat.ru/
  7. Жидкин А.П., Рухович Д.И., Мальцев К.А., Королева П.В. Варьирование оценок эрозии почв при использовании разных карт пахотных угодий Белгородской области // Почвоведение. 2024. № 4. С. 621–632. https://doi.org/10.31857/S0032180X24040075
  8. Королева П.В., Рухович Д.И., Рухович А.Д., Рухович Д.Д., Куляница А.Л., Трубников А.В., Калинина Н.В., Симакова М.С. Характеристика почвенных типов и подтипов в N-мерном пространстве коэффициентов мультивременной (эмпирической) линии почв // Почвоведение. 2018. № 9. С. 1085–1098. https://doi.org/10.1134/S0032180X1809006X
  9. Королева П.В., Рухович Д.И., Рухович А.Д., Рухович Д.Д., Куляница А.Л., Трубников А.В., Калинина Н.В., Симакова М.С. Местоположение открытой поверхности почвы и линии почвы в спектральном пространстве RED-NIR // Почвоведение. 2017. № 12. С. 1435–1446. https://doi.org/10.7868/S0032180X17100045
  10. Королева П.В., Рухович Д.И., Шаповалов Д.А., Сулейман Г.А., Долинина Е.А. Ретроспективный мониторинг переувлажнения почвенного покрова пахотных земель Тамбовской области в 2018–1968 гг. // Почвоведение. 2019. № 7. С. 872–890. https://doi.org/10.1134/S0032180X19070074
  11. Куляница А.Л., Рухович А.Д., Рухович Д.Д., Королева П.В., Рухович Д.И., Симакова М.С. Применение кусочно-линейной аппроксимации спектральной окрестности линии почв для анализа качества нормализации материалов дистанционного зондирования // Почвоведение. 2017. № 4. С. 401–410. https://doi.org/10.7868/S0032180X17040049
  12. Курганова И.Н., Лопес де Гереню В.О., Ипп С.Л., Каганов В.В., Хорошаев Д.А., Сумин Ю.В., Дурманов Н.Д., Кузяков Я.В. Пилотный карбоновый полигон в России: анализ состояния почв и запасы углерода в лесной растительности // Почвы и окружающая среда. 2022. Т. 5. https://doi.org/10.31251/pos.v5i2.169
  13. Максимов П.Г., Флоринский М.А. Методические указания по проведению комплексного агрохимического обследования почв сельскохозяйственных угодий. М.: ЦНТИПР Минсельхозпрода Российской Федерации, 1994. 97 с.
  14. Общесоюзная инструкция по почвенным обследованиям и составлению крупномасштабных почвенных карт землепользования / Под ред. Ищенко Т.А. М.: Колос, 1973. 95 с.
  15. Орлов Д.С., Суханова Н.И., Розанова М.С. Спектральная отражательная способность почв и их компонентов. М.: Изд-во МГУ, 2001. 176 с.
  16. Постановление Совета министров СССР от 9 апреля 1964 г. № 319 “Об организации Государственной агрохимической службы в сельском хозяйстве”. https://docs.cntd.ru/document/901747968
  17. Почвенная карта колхоза “Родина” Базарно-Карабулакского района Саратовской области, масштаб 1 : 25000. МСХ РСФСР. Саратов, 1979.
  18. Почвенная карта Саратовской области, масштаб 1:300 000 / Отв. ред. Цвылев Е.М. Винница: Винницкая картографическая фабрика ГУГК СССР, 1989.
  19. Почвы колхоза “Родина” Базарно-Карабулакского района Саратовской области и рекомендации по их использованию Очерк к почвенной карте масштаба 1 : 25 000. Саратов, 1979. 99 с.
  20. Распоряжение Правительства РФ от 29 октября 2022 г. № 3240-р Об утверждении важнейшего инновационного проекта государственного значения “Единая национальная система мониторинга климатически активных веществ” и плана мероприятий (“дорожной карты”) по реализации первого этапа (2022–2024 гг.) важнейшего инновационного проекта государственного значения “Единая национальная система мониторинга климатически активных веществ”. https://www.garant.ru/products/ipo/prime/doc/405491263/?ysclid=m410f1l5bm51205603
  21. Родин Л.Е., Ремезов Н.П., Базилевич Н.И. Методические указания к изучению динамики и биологического круговорота в фитоценозах. Л.: Наука, 1968. 143 с.
  22. Рухович Д.И., Королева П.В., Вильчевская Е.В., Калинина Н.В. Цифровая тематическая картография как смена доступных первоисточников и способов их использования // Цифровая почвенная картография: теоретические и экспериментальные исследования. М.: Почв. ин-т им. В.В. Докучаева, 2012. С. 58–6.
  23. Рухович Д.И., Королева П.В., Калинина Н.В., Вильчевская Е.В., Симакова М.С., Долинина Е.А., Рухович С.В. Государственная почвенная карта – версия ArcInfo // Почвоведение. 2013. № 3. С. 251–267. https://doi.org/10.7868/S0032180X13030088
  24. Рухович Д.И., Рухович А.Д., Рухович Д.Д., Симакова М.С., Куляница А.Л., Брызжев А.В., Королева П.В. Информативность коэффициентов a и b линии почв для анализа материалов дистанционного зондирования // Почвоведение. 2016. № 8. С. 903–917. https://doi.org/10.7868/S0032180X16080128
  25. Рухович Д.И., Симакова М.С., Куляница А.Л., Брызжев А.В., Калинина Н.В., Королева П.В., Вильчевская Е.В., Долинина Е.А., Рухович С.В. Влияние лесополос на фрагментацию овражно-балочной сети и образование мочаров // Почвоведение. 2014. № 11. С. 1043–1045. https://doi.org/10.7868/S0032180X14110094
  26. Рухович Д.И., Симакова М.С., Куляница А.Л., Брызжев А.В., Калинина Н.В., Королева П.В., Вильчевская Е.В., Долинина Е.А., Рухович С.В. Ретроспективный анализ изменчивости землепользования на слитых почвах замкнутых западин // Почвоведение. 2015. № 10. С. 1168–1194. https://doi.org/10.7868/S0032180X15100093
  27. Рухович Д.И., Симакова М.С., Куляница А.Л., Брызжев А.В., Королева П.В., Калинина Н.В., Черноусенко Г.И., Вильчевская Е.В., Долинина Е.А., Рухович С.В. Методология сравнения разновременных почвенных карт в целях выявления и описания динамики почвенного покрова на примере мониторинга засоления почв // Почвоведение. 2016. № 2. С. 164–181. https://doi.org/10.7868/S0032180X1602009X
  28. Рухович Д.И., Симакова М.С., Куляница А.Л., Брызжев А.В., Королева П.В., Калинина Н.В., Черноусенко Г.И., Вильчевская Е.В., Долинина Е.А., Рухович С.В. Влияние засоленных почв на изменчивость типов землепользования в Азовском районе Ростовской области // Почвоведение. 2017. № 3. С. 289–310. https://doi.org/10.7868/S0032180X17010130
  29. Титлянова А.А. Запасы фитомассы, мортмассы (мертвая фитомасса) и депонированных в них элементов питания; чистая первичная продукция и потребление элементов питания; поступление отмершей фитомассы и возврат элементов питания в подстилку и почву в экосистемах Евразии, Северной и Южной Америки, Африки и Австралии. База данных. 2007. http://biodat.ru/db/dbsoil.htm
  30. Усов Н.И. Почвы Саратовской области. Ч. 1: Правобережье. Саратов: Огиз, 1948. 288 с.
  31. Хитров Н.Б., Никитин Д.А., Иванова Е.А., Семенов М.В. Пространственно-временная изменчивость содержания и запасов органического вещества почвы: аналитический обзор // Почвоведение. 2023. № 12. С. 1493–1521. https://doi.org/10.31857/S0032180X23600841
  32. Чернова О.В., Голозубов О.М., Алябина И.О., Щепащенко Д.Г. Комплексный подход к картографической оценке запасов органического углерода в почвах России // Почвоведение. 2021. № 3. С. 273–286. https://doi.org/10.31857/S0032180X21030047
  33. Шаповалов Д.А., Королева П.В., Калинина Н.В., Рухович Д.И., Сулейман Г.А., Долинина Е.А. Учет и выделение переувлажненных территорий при почвенном картографировании и землеустройстве // Почвоведение. 2020. № 3. C. 291–307. https://doi.org/10.31857/S0032180X20010141
  34. Щепащенко Д.Г., Мухортова Л.В., Швиденко А.З., Ведрова Э.Ф. Запасы органического углерода в почвах России // Почвоведение. 2013. № 2. С. 123. https://doi.org/10.7868/S0032180X13020123
  35. ArcGIS, 2023. https://www.esri.com/ru-ru/arcgis/about-arcgis/overview
  36. Asare E., Segarra E. Adoption and extent of adoption of georeferenced grid soil sampling technology by cotton producers in the southern US // Precision Agriculture. 2018. V. 19. P. 992–1010. https://doi.org/10.1007/s11119-018-9568-3
  37. Bento N.L., Silva Ferraz G.A., Santana L.S., de Oliveira Faria R., da Silva Amorim J., de Lourdes Oliveira e Silva M., et al. Soil compaction mapping by plant height and spectral responses of coffee in multispectral images obtained by remotely piloted aircraft system // Precision Agriculture. 2024. V. 25. P. 729–750. https://doi.org/10.1007/s11119-023-10090-0
  38. Di L., Yu E. Remote Sensing Big Data, Cham: Springer International Publishing. 2023.
  39. Ellili Y., Walter C., Michot D., Pichelin P., Lemercier B. Mapping soil organic carbon stock change by soil monitoring and digital soil mapping at the landscape scale // Geoderma. 2019. V. 351. P. 1–8. https://doi.org/10.1016/j.geoderma.2019.03.005
  40. Erdas Imagine. https://www.hexagongeospatial.com/products/power-portfolio/erdas-imagine
  41. FAO. Global Soil Organic Carbon Sequestration Potential Map – GSOCseq v.1.1. Technical report. Rome. 2022. P. 129. https://doi.org/10.4060/cb9002en
  42. Farm Management. Satellite Big Data: how it is changing the face of precision farming. 2019. http://www.farmmanagement.pro/satellite-big-data-how-it-is-changing-the-face-of-precision-farming
  43. Friedman J.H. Greedy function approximation: A gradient boosting machine // Annals of Statistics 2001. V. 29. P. 1189–1232.
  44. Georgi C., Spengler D., Itzerott S., Kleinschmit B. Automatic delineation algorithm for site-specific management zones based on satellite remote sensing data // Precision Agriculture. 2018. V. 19. P. 684–707. https://doi.org/10.1007/s11119-017-9549-y
  45. Hengl T., Mendes de Jesus J., Heuvelink G.B.M., Gonzalez R.M., Kilibarda M., Blagoti´c A., Shangguan W., et al. SoilGrids250m: Global gridded soil information based on machine learning // PLoS One. 2017. V. 12. P. e0169748. https://doi.org/10.1371/journal.pone.0169748
  46. Hong S.Y., Sudduth K.A., Kitchen N.R., Drummond S.T., Palm H.L., Wiebold W.J. Estimating within-field variation in soil properties from airborne hyperspectral images // Proceedings of the Pecora 15 Land Satellite Information IV Conf. and the ISPRS Commission I. 2002. http://www.isprs.org/commission1/proceedings02/paper/00025.pdf
  47. Hu B., Xie M., Zhou Y., Chen S., Zhou Y., Ni H., Peng J., Ji W., Hong Y., Li H., Shi Z. A high-resolution map of soil organic carbon in cropland of Southern China // Catena. 2024. V. 237. P. 107813. https://doi.org/10.1016/j.catena.2024.107813
  48. Hu B.F., Ni H., Xie M.D., Li H.Y., Wen Y.L., Chen S.C., Zhou Y., Teng H.F., Bourennane H., Shi Z. Mapping soil organic matter and identifying potential controls in the farmland of Southern China: Integration of multi-source data, machine learning and geostatistics // Land Degradation Development. 2023. V. 34. P. 5468–5485. https://doi.org/10.1002/ldr.4858
  49. Ioffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift // Int. Conf. Machine Learning. PMLR. 2015. P. 448–456.
  50. Jadon S.A. A survey of loss functions for semantic segmentation // 2020 IEEE Conf. On Computational Intelligence in Bioinformatics and Computational Biology. IEEE. 2020. P. 1–7. https://doi.org/10.1109/CIBCB48159.2020.9277638
  51. Jordan C.F. Derivation of leaf area index from quality of light on the forest floor // Ecology. 1969. V. 50. Р. 663–666.
  52. Kauth R.J., Thomas G.S. The tasselled cap – a graphic description of the spectral-temporal development of agricultural crops as seen by Landsat // LARS symposia. 1976. P. 159.
  53. Kingma D.P., Ba J. Adam: A method for stochastic optimization. arXiv2014, arXiv:1412.6980. https://arxiv.org/abs/1412.6980
  54. Kohavi R.A. A study of cross-validation and bootstrap for accuracy estimation and model selection // IJCAI. 1995. V 14. P. 1137–1145.
  55. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks // Adv. Neural Information Processing Systems. 2012. V. 25. P. 1097–1105.
  56. Landsat data courtesy of the U.S. Geological Survey. https://earthexplorer.usgs.gov
  57. Le Cun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition // Proceedings IEEE 1998. 1998. V. 86. P. 2278–2324. https://doi.org/10.1109/5.726791
  58. Lemercier B., Lagacherie P., Amelin J., Sauter J., Pichelin P., Richer-de-Forges A.C., Arrouays D. Multiscale evaluations of global, national and regional digital soil mapping products in France // Geoderma. 2022. V. 425. P. 116052. https://doi.org/10.1016/j.geoderma.2022.116052
  59. Liu P. A survey of remote-sensing big data // Frontiers Environ. Sci. 2015. V. 3. P. 45. https://doi.org/10.3389/fenvs.2015.00045
  60. Liu P., Di L., Du Q., Wang L. Remote sensing big data: theory, methods and applications // Remote Sensing. 2018. V. 10. P. 711. https://doi.org/10.3390/rs10050711
  61. Modified Copernicus Sentinel data 2016–2023. https://www.sentinel-hub.com (accessed 04 March 2024).
  62. Mullin M., Sukthankar R. Complete cross-validation for nearest neighbor classifiers // ICML. 2000. P. 639–646.
  63. Myslyva T., Nadtochiy P., Bilyavskyi Y., Trofymenko P. Intra-field spatial heterogeneity prediction for the purposes of precision farming: comparison of frequency ratio and Shannon’s entropy models // Scientific Papers. Series A. Agronomy. 2023. V. LXVI. P. 138–147. https://agronomyjournal.usamv.ro/pdf/2023/issue_1/Art19.pdf
  64. Nauman T.W., Duniway M.C. Relative prediction intervals reveal larger uncertainty in 3D approaches to predictive digital soil mapping of soil properties with legacy data // Geoderma. 2019. V. 347. P. 170–184. https://doi.org/10.1016/j.geoderma.2019.03.037
  65. Nelson D.W., Sommers L.E. Total carbon, organic carbon and organic matter // Methods of Soil Analysis / Eds. Page et al. Soil Science Society of America. Madison, 1982. P. 574–577.
  66. Poggio L., De Sousa L.M., Batjes N.H., Heuvelink G., Kempen B., Ribeiro E., Rossiter D. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty // Soil. 2021. V. 7. P. 217–240. https://doi.org/10.5194/soil-7-217-2021
  67. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. Catboost: Unbiased boosting with categorical features // Adv.n Neural Information Processing Systems. 2018. V. 31. P. 6638–6648.
  68. Robert P.C. Characterization of soil conditions at the field level for soil specific management // Geoderma. 1993. V. 60. P. 57–72.
  69. Romanenkov V.A., Meshalkina J.L., Gorbacheva A.Y., Krenke A.N., Petrov I.K., Golozubov O.M., Rukhovich D.I. Maps of soil organic carbon sequestration potential in the Russian croplands // Euras. Soil Sci. 2024. V. 57. P. 737–750. https://doi.org/10.1134/S106422932360375X
  70. Rukhovich D., Koroleva P., Rukhovich A., Komissarov M. A detailed mapping of soil organic matter content in arable land based on the multitemporal soil line coefficients and neural network filtering of big remote sensing data // Geoderma. 2024. V. 447. P. 116941. https://doi.org/10.1016/j.geoderma.2024.116941
  71. Rukhovich D.I., Koroleva P.V., Rukhovich A.D., Komissarov M.A. Informativeness of the long-term average spectral characteristics of the bare soil surface for the detection of soil cover degradation with the neural network filtering of remote sensing data // Remote Sensing. 2023. V. 15. P. 124. https://doi.org/10.3390/rs15010124
  72. Rukhovich D.I., Koroleva P.V., Rukhovich D.D., Kalinina N.V. The use of deep machine learning for the automated selection of remote sensing data for the determination of areas of arable land degradation processes distribution // Remote Sensing. 2021. V. 13. P. 155. https://doi.org/10.3390/rs13010155
  73. Rukhovich D.I., Koroleva P.V., Rukhovich D.D., Rukhovich A.D. Recognition of the bare soil using deep machine learning methods to create maps of arable soil degradation based on the analysis of multi-temporal remote sensing data // Remote Sensing. 2022. V. 14. P. 2224. https://doi.org/10.3390/rs14092224
  74. Sakhaee A., Gebauer A., Ließ M., Don A. Spatial prediction of organic carbon in German agricultural topsoil using machine learning algorithms // Soil. 2022. V. 8. P. 587–604. https://doi.org/10.5194/soil-8-587-2022
  75. Samsonova V.P., Meshalkina J.L., Blagoveschensky Y.N., Yaroslavtsev A.M., Stoorvogel J.J. The role of positional errors while interpolating soil organic carbon contents using satellite imagery // Precision Agriculture. 2018. V. 19. P. 1085–1099. https://doi.org/10.1007/s11119-018-9575-4
  76. Sulaeman Y., Minasny B., McBratney A.B., Sarwani M., Sutandi A. Harmonizing legacy soil data for digital soil mapping in Indonesia // Geoderma. 2013. V. 192. P. 77–85. https://doi.org/10.1016/j.geoderma.2012.08.005
  77. USGS EROS Archive-Declassified Data-Declassified Satellite Imagery-1, 2018. https://www.usgs.gov/centers/eros/science/usgs-eros-archive-declassified-data-declassified-satellite-imagery-1?qt-science_center_objects=0#qt-science_center_objects (accessed 04 March 2024).
  78. Varvel G.E., Schlemmer M.R., Schepers J.S. Relationship between spectral data from an aerial image and soil organic matter and phosphorus levels // Precision Agriculture. 1999. V. 1. P. 291–300. https://doi.org/10.1023/A:1009973008521
  79. Walkley A., Black I.A. An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method // Soil Sci. 1934. V. 37. P. 29–38.
  80. Wollenhaupt N.C., Wolkowski R.P. Grid soil sampling // Better Crops. 1994. V. 78. P. 6–9.
  81. Yang C., Anderson G.L. Airborne videography to identify spatial plant growth variability for grain sorghum // Precision Agriculture. 1999. V. 1. P. 67–79. https://doi.org/10.1023/A:1009917617316
  82. Yang C., Anderson G.L. Determining within-field management zones for grain sorghum using aerial videography // Proc. 26th Int. Symp. Remote Sensing of Environ. Vancouver, 1996. P. 606–611.
  83. Yang J., Guan X., Luo M., Wang T. Cross-system legacy data applied to digital soil mapping: A case study of Second National Soil Survey data in China // Geoderma Regional. 2022. V. 28. P. e00489. https://doi.org/10.1016/j.geodrs.2022.e00489
  84. Yang R.M., Liu L.A., Zhang X., He P.X., Zhu C.M., Zhang Z.Q., Li J.G. The effectiveness of digital soil mapping with temporal variables in modeling soil organic carbon changes // Geoderma. 2022. V. 405. P. 115407. https://doi.org/10.1016/j.geoderma.2021.115407
  85. Zeraatpisheh M., Garosi Y., Owliaie H.R., Ayoubi S., Taghizadeh-Mehrjardi R., Scholten T., Xu M. Improving the spatial prediction of soil organic carbon using environmental covariates selection: A comparison of a group of environmental covariates // Catena. 2022. V. 208. P. 105723. https://doi.org/10.1016/j.catena.2021.105723
  86. Zhang J., Zhu H., Wang P., Ling X. ATT squeeze U-Net: a lightweight network for forest fire detection and recognition // IEEE Access 2021. 2021. V. 9. P. 10858–10870. https://doi.org/10.1109/ACCESS. 2021.3050628
  87. Ziliani M.G., Altaf M.U., Aragon B., Houborg R., Franz T.E., Lu Y., Sheffield J., Hoteit I., McCabe M.F. Intra-field crop yield variability by assimilating CubeSat LAI in the APSIM crop model // The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences. 2022. V. XLIII-B3-2022. P. 1045–1052. https://doi.org/10.5194/isprs-archives-XLIII-B3-2022-1045-2022
  88. Žížala D., Minařík R., Skála J., Beitlerová H., Juřicová A., Reyes Rojas J., Penížek V., Zádorová T. High-resolution agriculture soil property maps from digital soil mapping methods, Czech Republic // Catena. 2022. V. 212. 106024. https://doi.org/10.1016/j.catena.2022.106024

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».