SOIL INFORMATION SYSTEMS AS A TOOL FOR INTEGRATED SOIL RESOURCE MANAGEMENT BASED ON GEOGRAPHIC INFORMATION SYSTEMS, SPATIAL STATISTICS, AND REMOTE SENSING
DOI:
https://doi.org/10.32782/naturaljournal.16.2026.13Keywords:
land resources, soil classification, statistics, machine learning, geoinformation methods, digital twin, morphogenetic soil propertiesAbstract
The article substantiates the conceptual design of a modern regional soil information system as a fundamental unit of informational soil science. The author examines the transition from static databases to intelligent systems, where geographic information systems and remote sensing data play a key role. It has been established that the systemic integration of field survey results with Sentinel and Landsat satellite data significantly improves the accuracy of soil resource mapping. Particular attention is paid to the application of mathematical statistics methods and machine learning algorithms for the predictive modeling of soil properties. The concepts of a "soil coordinate system" and an object’s "digital passport" are described, ensuring logical data integrity and compliance with international standards. The mechanisms for verifying spectral indices using ground-based observations are separately analyzed, providing high reliability for the resulting cartographic models. The proposed architecture enables the automation of degradation risk calculations by integrating spatial statistics directly into land resource management logic. The use of cloud computing and third-generation network protocols creates the preconditions for a continuous flow of up-to-date information on soil quality directly from research sites. This allows for rapid genetic analysis and dynamic visualization of soil profiles in 3D space, which is critical for monitoring areas that have undergone significant anthropogenic and military transformations. The research results are aimed at creating a "digital twin" of the soil cover to support decision-making in the field of sustainable land use.
References
Директива Європейського Парламенту і Ради 2007/2/ЄС від 14 березня 2007 року про створення Інфраструктури просторової інформації у Європейському Співтоваристві (INSPIRE). Офіційний вебпортал парламенту України. [Електронний ресурс]. URL: https://zakon.rada.gov.ua/laws/show/984_002-07#Text (дата звернення: 10.02.2026)
Позняк С.П. Ґрунтознавство і географія ґрунтів : підручник. У двох частинах. Ч. 1. Львів : Видавничий центр ЛНУ імені Івана Франка, 2010. 270 с.
Позняк, С.П., Красєха Є.Н., Кіт М.Г. Картографування ґрунтового покриву : навчальний посібник. Львів : Видавничий центр ЛНУ імені Івана Франка, 2003. 500 с.
Позняк С. П., Паньків З. П., Ямелинець Т. С., Гавриш Н. С. Інвестиційна привабливість ґрунтів Карпатського регіону України. Український географічний журнал. №1 (109). 2020. С. 26–34. https://doi.org/10.15407/ugz2020.01.026
Позняк С. П., Папіш І. Я, Іванюк Г. С., Ямелинець Т. С. Ґрунтово-географічне районування Львівської обл.: структура та принципи. Вісник Львівського університету. Серія географічна. 2017. Вип. 52. С. 251–256. http://dx.doi.org/10.30970/vgg.2018.52.10191
Ямелинець Т. С. Аналіз сучасних ґрунтових інформаційних систем і баз даних ґрунтів країн світу. Вісник Одеського національного університету. Серія : Географічні та геологічні науки. 2020a. Т. 22, Вип. 1. С. 126–137. https://doi.org/10.18524/2303-9914.2020.2(37).216566
Ямелинець Т. С. Інформаційна модель ґрунту як базова одиниця інформаційного ґрунтознавства. Наукові записки Тернопільського нац. пед. ун-ту імені Володимира Гнатюка. Серія: Географія. 2020b. № 2 (вип. 49). С. 37–45. https://doi.org/10.25128/2519-4577.20.1.6
Ямелинець Т. С. Теоретичні основи наукового напряму інформаційного ґрунтознавства. Проблеми геоморфології і палеогеографії Українських Карпат і прилеглих територій. 2020c. С. 78–89. http://dx.doi.org/10.30970/gpc.2020.1.3207
Arrouays D., Saby N. P., Thioulouse J., Jolivet C., Boulonne L., Ratié C. Large trends in French topsoil characteristics are revealed by spatially constrained multivariate analysis. Geoderma. 2011. Vol. 161(3-4), P. 107–114. https://doi.org/10.1016/j.geoderma.2010.12.002
Chen S., Arrouays D., Mulder V. L., Poggio L., Minasny B., Roudier P., Walter C. Digital mapping of GlobalSoilMap soil properties at a broad scale: A review. Geoderma. 2022. Vol. 409, P. 115–167. https://doi.org/10.1016/j.geoderma.2021.115567
Congalton R. G. A review of assessing the accuracy of classifications of remotely sensed data. Remote sensing of environment. 1991. Vol. 37(1), P. 35–46. https://doi.org/10.1016/0034-4257(91)90048-B
Congalton R. G. Accuracy assessment and validation of remotely sensed and other spatial information. International journal of wildland fire. 2001. Vol. 10(4), P. 321–328. https://doi. org/10.1071/WF01031
Grundy L., Ghimire C., Snow V. Characterisation of soil micro-topography using a depth camera. MethodsX. 2020. Vol. 7, P. 101–144. https://doi.org/10.1016/j.mex.2020.101144
Hengl T., Nussbaum M., Wright M. N., Heuvelink G. B., Gräler B. Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables. PeerJ. 2018. Vol. 6, e5518. https://doi.org/10.7287/peerj.preprints.26693v2
Hengl T., Heuvelink G. B., Kempen B., Leenaars J. G., Walsh M. G., Shepherd K. D., Tondoh J. E. Mapping soil properties of Africa at 250 m resolution: Random forests significantly improve current predictions. PloS one. 2015. Vol. 10(6), e0125814. https://doi.org/10.1371/journal.pone.0125814
Hengl T., Mendes de Jesus J., Heuvelink G. B., Ruiperez Gonzalez M., Kilibarda M., Blagotić A., Kempen B. SoilGrids250m: Global gridded soil information based on machine learning. PLoS one. 2017. Vol. 12(2), e0169748. https://doi.org/10.33292/areste.v5i1.76
Ivanyuk H., Yamelynets T., Papish I., Hnativ P., Pankiv Z., Bonishko O., Ivaniuk V., Haskevych O., Baranskyi D., Avhustynovych M. Soil classification of Ukraine and its correlation with WRB (2022). Soil Science Annual. 2026. Vol. 77(1), P. 215–263. https://doi.org/10.37501/soilsa/215263
Lagacherie P., McBratney A. B. Spatial soil information systems and spatial soil inference systems: perspectives for digital soil mapping. Developments in soil science. 2006. Vol. 31, P. 3–22. https://doi.org/10.1016/S0166-2481(06)31001-X
Lagacherie P., McBratney A., Voltz M. Digital soil mapping: an introductory perspective. Elsevier. 2006. Vol. 31. P. 600.
Lagacherie P., Bailly J. S., Monestiez P., Gomez C. Using scattered hyperspectral imagery data to map the soil properties of a region. European Journal of Soil Science. 2012. Vol. 63(1), P. 110–119. https://doi.org/10.1111/j.1365-2389.2011.01409.x
Li C., de Jong R., Schmid B., Wulf H., Schaepman M. E. Changes in grassland cover and in its spatial heterogeneity indicate degradation on the Qinghai-Tibetan Plateau. Ecological Indicators. 2020. Vol. 119, P. 106–141. https://doi.org/10.1016/j.ecolind.2020.106641
Naegeli K., Damm A., Huss M., Wulf H., Schaepman M., Hoelzle M. Cross-comparison of albedo products for glacier surfaces derived from airborne and satellite (Sentinel-2 and Landsat 8) optical data. Remote Sensing. 2017. Vol. 9(2), P. 110. https://doi.org/10.3390/rs9020110
Padarian J., Minasny B., McBratney A. B. Machine learning and soil sciences: A review aided by machine learning tools. Soil. 2020. Vol. 6(1), P. 35–52. https://doi.org/10.5194/soil-6-35-2020
Pankiv Z., Malyk S., Yamelynets T. Soil-forming processes in profile texturaldifferentiated forest soils of the Cis-Carpathian region, Ukraine. Baltic Forestry. 2020. Vol. 26(2): P. 472 https://doi.org/10.46490/BF472
Pankiv Z., Malyk S., Yamelynets T. Diagnostic criteria for lessivage of profile-differentiated soils of the Precarpathian region (Ukraine). Die Bodenkultur: Journal of Land Management, Food and Environment. 2019. Vol. 70, Issue 4, P. 189–207 https://doi.org/10.2478/boku-2019-0018
Prost G. Alteration mapping with airborne multispectral scanners. Economic Geology. 1980. Vol. 75(6), P. 894–906. https://doi.org/10.2113/gsecongeo.75.6.894
Rossiter D. G. Past, present & future of information technology in pedometrics. Geoderma. 2018. Vol. 324, P. 131–137. https://doi.org/10.1016/j.geoderma.2018.03.009
Rossiter D. G. Digital soil resource inventories: status and prospects. Soil use and management. 2004. Vol. 20(3), P. 296–301. https://doi.org/10.1111/j.1475-2743.2004.tb00372.x
SOTER (база даних про ґрунти і рельєф) [Електронний ресурс]. URL: https://esdac.jrc.ec.europa.eu (дата звернення 03.02.2026).
Wang J., Zhen J., Hu W., Chen S., Lizaga I., Zeraatpisheh M., Yang X. Remote sensing of soil degradation: Progress and perspective. International Soil and Water Conservation Research. 2023. Vol. 11(3), P. 429–454. https://doi.org/10.1016/j.iswcr.2023.03.002
World reference base for soil resources. Rome: IUSS, ISRIC, FAO. 2014. 133 p.
Wulf H., Mulder T., Schaepman M. E., Keller A., Jörg P. C., Schaepman M. E. Remote sensing of soils. Remote Sensing Laboratories, University of Zurich: Zürich, Switzerland. 2015; P. 1–71. https://doi.org/10.5167/uzh-109992
