ҐРУНТОВІ ІНФОРМАЦІЙНІ СИСТЕМИ ЯК ІНСТРУМЕНТ ІНТЕГРОВАНОГО УПРАВЛІННЯ ҐРУНТОВИМИ РЕСУРСАМИ НА ОСНОВІ ГЕОІНФОРМАЦІЙНИХ СИСТЕМ, ПРОСТОРОВОЇ СТАТИСТИКИ ТА ДИСТАНЦІЙНОГО ЗОНДУВАННЯ
DOI:
https://doi.org/10.32782/naturaljournal.16.2026.13Ключові слова:
земельні ресурси, класифікація ґрунтів, статистика, машинне навчання, геоінформаційні методи, цифровий двійник, мофрогенетичні властивості ґрунтуАнотація
У статті обґрунтовано концептуальний проєкт сучасної регіональної ґрунтової інформаційної системи як базової одиниці інформаційного ґрунтознавства. Автор розглядає перехід від статичних баз даних до інтелектуальних систем, де ключову роль відіграють географічні інформаційні системи та дані дистанційного зондування. Встановлено, що системна інтеграція результатів польових обстежень із супутниковими даними Sentinel та Landsat дозволяє значно підвищити точність картографування ґрунтових ресурсів. Особливу увагу приділено застосуванню методів математичної статистики та алгоритмів машинного навчання для предиктивного моделювання властивостей ґрунтів. Описано концепцію «ґрунтової системи координат» та «цифрового паспорта» об’єкта, що забезпечують логічну цілісність даних та їх відповідність міжнародним стандартам. Окремо проаналізовано механізми верифікації спектральних індексів за допомогою наземних спостережень, що забезпечує високу достовірність отриманих картографічних моделей. Запропонована архітектура дозволяє автоматизувати розрахунок деградаційних ризиків, інтегруючи просторову статистику безпосередньо в логіку управління земельними ресурсами. Використання хмарних обчислень та мережевих протоколів третього покоління створює передумови для формування безперервного потоку актуальної інформації про якісний стан ґрунту безпосередньо з місця досліджень. Це дозволяє здійснювати оперативний генетичний аналіз і динамічну візуалізацію ґрунтових профілів у тривимірному просторі, що є критично важливим для моніторингу територій, які зазнали значних антропогенних та військових трансформацій. Результати дослідження спрямовані на створення «цифрового двійника» ґрунтового покриву для підтримки прийняття рішень у сфері сталого землекористування.
Посилання
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
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
