Abstract
В современных агроэкологических исследованиях и практике устойчивого землепользования точное определение вертикальной стратификации почвенного профиля является одной из ключевых задач. Традиционные подходы, основанные на бурении и лабораторных анализах, требуют значительных затрат времени и ресурсов, а также обеспечивают ограниченное пространственное покрытие. В данной работе предложена автоматизированная методика стратификации, объединяющая данные мультиспектральных снимков Sentinel-2, климатические переменные ERA5-Land и статические почвенные карты OpenLandMap. Для одновременного прогнозирования количественных показателей (содержание глины и песка, плотность сложения) и категориальных характеристик (текстурные классы и типы земного покрова) использована многоцелeвая стекинг-модель. В качестве базовых алгоритмов применялись Random Forest, Gradient Boosting и XGBoost, а метамодель была реализована на основе линейной и логистической регрессии. Экспериментальные исследования, проведённые в долине озера Бозайгыр (Казахстан), продемонстрировали высокую точность прогнозирования. Для содержания глины и песка коэффициент детерминации составил R² = 0.999–1.000 при средней абсолютной ошибке около 1.0–1.2 %. Для плотности почвы R² варьировал в пределах 0.985–0.996. Общая точность классификации текстурных классов достигла 97.4–99.7 %, а для soil_horizon_class — около 99 %. Основные ошибки наблюдались между спектрально близкими категориями. Полученные результаты подтверждают, что ансамблевый стекинг-подход, интегрирующий мультиспектральные, климатические и статиче-ские почвенные данные, может служить эффективным инструментом цифрового картографирования почв, особенно для засушливых и полузасушливых регионов.