Modelowanie położenia jednostek kompleksów rolniczej przydatności gleb na podstawie przetwarzania ograniczonych informacji fizjograficznych i Glebowych ze zdigitalizowanych materiałów kartograficznych / Modeling the Position of Agricultural Suitability Units of Soils on the Basis of the Limited Physiographic Information Processing with Digitized Cartographic Materials

Open access

Abstract

The aim of the study was to test the ability to model soil capability units diversity of on the basis of limited information about particle size and morphology of the terrain data. The data obtained from digitization of maps of agricultural soil and topography of the region of the Upper Silesian Industrial District. Rule extraction tools and build models were algorithms in the field of computational intelligence: different versions of decision trees, neural networks and deep learning algorithms. The best algorithms allow for correct classification to 90% of the elements of the validation set. The design ensemble of specialized classifier algorithm increased the efficiency of decision-making algorithm to identify a set of validation to about 94%. Proper selection decision algorithm allows the estimation of the likelihood vector belonging to a complex object. Computational intelligence algorithms can be considered as a tool for extracting classification rules from the collection of data on soils on the local or regional level.

Białousz S., Chmiel J., Fijałkowska A., Różycki S., 2010. Wykorzystanie zdjêæ satelitarnych i technologii GIS w aktualizacji jednostek glebowo-krajobrazowych - przykłady dla opracowañ małoskalowych. Archiwum Fotogrametrii, Kartografii i Teledetekcji 21: 21-32.

Bielska A., Jaroszewicz J., 2012. Przegląd metod wykorzystują- cych funkcje rozmyte i analizy wielokryterialne do opracowania cyfrowych map glebowo-rolniczych. Acta Scientiarum Polonorum. Geodesia et Descriptio Terrarum 11(2): 5-15.

Cortes C., Vapnik V., 1995. Support-vector networks. Machine Learning 20, pp. 273-279.

Duch W., Diercksen G.H.F., 1995. Feature Space Mapping as a universal adaptive system. Computer Physics Communications vol. 81, pp. 341-371.

Friedman J., 2000. Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics 29: 1189-1232.

Jankowski N., 2003. Ontogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturê. Exit.

Jones A., Montanarella L., Jones R. (ed.), 2005. Soil Atlas of Europe. JRC EC, European Soil Bureau Network, 128 pp. Office for Official Publications of the European Communities.

Kleinberg E., 1996. An Overtraining-Resistant Stochastic Modeling Method for Pattern Recognition). Annals of Statistics 24(6): 2319-2349.

Kurzyński M., 1997. Rozpoznawanie obiektów. Metody statystyczne, Politechnika Wrocławska.

LeCunY., BengioY., Hinton G.E., 2015. Deep Learning. Nature vol. 521, pp. 436-444.

McBratney A.B., Mendonça Santos M.L., Minasny B., 2003. On digital soil mapping. Geoderma 117 (1-2): 3-52.

Palm R.B., 2012. Prediction as a candidate for learning deep hierarchical models of data. Master thesis IMM2012-06284.

Strzemski M., Bartoszewski Z., Czarnowski F., Dombek E., Siuta J., Truszkowska R., Witek T., 1964. Instrukcja w sprawie wykonywania map glebowo-rolniczych w skali 1: 5000 i 1: 25 000 oraz map glebowo-przyrodniczych w skali 1: 25 000, Załącznik do Zarządzenia nr 115 Ministra Rolnictwa z dnia 28 lipca 1964 r. w sprawie organizacji prac gleboznawczoi rolniczo-kartograficznych (Dz.Urz. Min. Rol. Nr 19, poz. 121), Warszawa.

Strzemski M., Siuta J., Witek T., 1973. Przydatnooeæ rolnicza gleb Polski. PWRiL Warszawa, ss. 285.

Tadeusiewicz R., 1993. Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza RM.

Zhou G., Hull R., King R., Franchitti JC., 2006. Supporting data integration and warehousing using H2O. IEEE Data Engineering, vol. 18, pp. 29-48.

Zhu A.X., Hudson B., Burt J., Lubich K., Simonsen D., 2001. Soil mapping using GIS, expert knowledge, and fuzzy logic. Soil Science Society of America Journal 65: 1463-1472.

Soil Science Annual

formerly Roczniki Gleboznawcze

Journal Information

Index Copernicus Value- 93.69 pkt

CiteScore 2017: 1.13

SCImago Journal Rank (SJR) 2017: 0.468
Source Normalized Impact per Paper (SNIP) 2017: 0.781

Metrics

All Time Past Year Past 30 Days
Abstract Views 0 0 0
Full Text Views 75 75 10
PDF Downloads 25 25 6