«МЗСА» (MZSA) / Прицепы / Производители техники
ООО «Московский завод специализированных автомобилей» (ООО «МЗСА»)
Россия,
107370,
г. Москва,
Открытое шоссе,
48-А,
ООО «МЗСА»
Предприятие основано Приказом министра автомобильной и тракторной промышленности Союза ССР, т. Акопова, в 1948 году как экспериментальный завод погрузочных машин, директором которого был назначен т. Смирнов М. И., а первой продукцией стали автопогрузчики грузоподъемностью от 1 до 5 т.
С 1955 по 1992 год, по заказу Министерства Обороны СССР, завод получил свою специализацию в виде производства каркасно-металлических фургонов, предназначенные для размещения, монтажа, транспортировки и эксплуатации различного специального военного оборудования. А для народного хозяйства начали разработку и выпуск коммунальной техники с навесным оборудованием на шасси автомобилей ГАЗ и ЗИЛ, гидрокранов и подъемников на шасси ЗИЛ-130.
В 1992 году освоили серийный выпуск бытовых и специализированных авто прицепов грузоподъемностью от 500кг до 30 т для транспортировки строительно-монтажной техники, контейнеров, компрессоров, дизель-генераторов, вездеходов, водной и снегоходной техники, самолетов и вертолетов малой авиации и многое другое.
Разработаны новые модели кузовов и специализированных автомобилей, наиболее значимыми среди которых: лаборатория для сбора крови, серия фургонов «Почта России» на базе шасси Мерседес-Бенц, шиномонтажные мастерские, мобильные офисы, специализированный автомобиль «Мосгаз», эвакуаторы на базе шасси ЗИЛ и Фольксваген и многое другое.
Значительный объем работ завод проводит по изготовлению комплексов автомоек и очистных сооружений, модульных строительных металлоконструкций, противопожарного оборудования. В 2004 году разработана, запатентована и запущена в серийное производство противопожарная продукция: противопожарные двери и ворота, объемы выпуска которых постоянно увеличиваются.
Приоритетом в деятельности предприятия является дальнейшее развитие проектно-конструкторского направления в работе. Наметилась хорошая тенденция и для дальнейшего планово-технического развития производства. Разработана и согласована с Префектурой ВАО г. Москвы и Управлением реализации инвестиционных проектов ДНиПП «Концепция реконструкции и развития завода» до 2025 года.
Она ориентирована на применение прогрессивных способов планирования, изготовления и контроля качества изготавливаемой продукции. Ее реализация позволит еще более расширить технические возможности производства завода, повысить уровень оснащенности современным высокопроизводительным оборудованием.
Справка о правовом статусе и наименовании завода с момента образования:
- 1948 Создан МЭЗПМ — Московский экспериментальный завод погрузочных машин (приказ министра автомобильной и тракторной промышленности Союза ССР № 212 от 30.04.1948 г.)
- 1949 Принято Постановление Совета Министров СССР № 2841 от 30.06.1949 г. о строительстве МЭЗА — Московского экспериментального завода автопогрузчиков
- 1950 14 августа 1950 г. на основании решения Исполкома Московского городского Совета от 14.07.1949 г. № 31/19 и от 09.11.1949 г. № 61/10 выделен земельный участок 9,3 га для строительства Московского экспериментального завода погрузочных машин
- 1966 Утвержден Устав МЗАК — Московского завода автомобильных кузовов
- 1981 Московский завод автомобильных кузовов (МЗАК) переименован в МОЭЗСА — Московский опытно-экспериментальный завод специализированных автомобилей (приказ Министра автомобильной промышленности от 01.
06.1981 г. № 044)
- Приказом Министерства автомобильного и сельскохозяйственного машиностроения СССР от 01.10.1990 г. № 486 создано СП «АСТО-МЗСА» — структурное подразделение предприятия;
- Решением Куйбышевского исполкома г. Москвы № 7690 от 15 ноября появилось АП «МЗСА» — арендное предприятие «Московский завод специализированных автомобилей»;
- 29 ноября решением Куйбышевского исполкома г. Москвы № 8010 учреждено КП «МЗСА» — коллективное предприятие «Московский завод специализированных автомобилей»
- 1994 4 апреля создано ТОО «МЗСА» — товарищество с ограниченной ответственностью «Московский завод специализированных автомобилей»
- 1999 18 марта реорганизовано в Общество с ограниченной ответственностью «МЗСА»
МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА)
МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА) ООО
МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА) ООО Адрес: Е-mail: zakaz@mzsa. Официальный сайт: Телефон: показать телефон Факс: (499)1681831 Новые вакансии: | МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА) телефон отдела кадровКак подать резюме?
|
График работы
|
| МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА) ООО вакансии
|
Вакансии в МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА) ОООДля актуализации вопросов на 2021 май, касающиеся списка открытых вакансий и величине зарплаты следует обращаться напрямую в отдел кадров или уточнив по телефону показать телефон отдела кадров. | МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА) ООО официальный сайтконтакты, адресОрганизация МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА) ООО работает по виду деятельности «Автозапчасти (продажа в розницу)», адрес отдела кадров: Россия район Богородское Москва 107370МОСКВАОТКРЫТОЕ ШОССЕ 48А . Смотреть контакты Отзывы на сайте
Россия район Южное Чертаново Москва 117534 Г. |
Фото:
Продукция:
автомобильные прицепы и полуприцепы большегрузныеОписание:
автомобильные прицепы и полуприцепы большегрузныеДобавить новый отзыв или вопрос о МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА)
Как добраться до МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА)?
- Постройте маршрут на машине до адреса 107370,МОСКВА,ОТКРЫТОЕ ШОССЕ, 48А с помощью приведенной ниже карты;
- Уточните время работы организации по телефону;
- По возможности, выберите удобный вид общественного транспорта и скорректируйте часы для посещения.
Продукция и услуги отрасли: автозапчати. Оптом, в розницу.
Новые товары от других компаний
Написать отзыв о МОСКОВСКИЙ ЗАВОД СПЕЦИАЛИЗИРОВАННЫХ АВТОМОБИЛЕЙ (МЗСА) Свежие вакансии на сайте
каталог, цены, прайс-лист, официальный сайт
Заказать звонок
На сайте с 2 май 2017
Компания ООО «АРИВА» является официальным торговым представителем Московского завода специализированных автомобилей (ООО «МЗСА», г.
Москва). Сферой деятельности компании «АРИВА» является: продажа прицепов для легковых автомобилей и запчастей к ним на всей территории Российской Федерации. Продажа прицепов марок МЗСА осуществляется по розничным ценам завода производителя. На все реализуемые прицепы действует гарантия 1,5 года.
Компания образована в 2009 году, численность 15 чел.
- Представитель компании на сайте: Алексеев Иван Геннадьевич (Арива)
- Юридический адрес: ЧР, п.Кугеси, ул.Шоссейная, д.27а
- Фактический адрес: ЧР, п.Кугеси, ул.Шоссейная, д.27а
На карте
Новые объявления компании
Все объявления компанииОфициальный сайт легковых прицепов для автомобилей
Наличие автомобиля делает человека мобильным, позволяя ему с комфортом перемещаться на большие расстояния.
Искали, где приобрести надежные устройства? Вы попали по адресу – на официальный сайт компании «Легковые прицепы». У нас:
- Огромный ассортимент автоприцепов различного формата
- Выгодная стоимость моделей – работаем напрямую от производителей
- Комплексный подход – осуществляем регистрацию автоприцепа в ГИБДД в качестве дополнительной услуги, предоставляем рассрочку платежа
- Надежная и качественная продукция – соответствующая современным требованиям и ГОСТам.
Автоприцепы позволяют транспортировать различные виды грузов.
Ассортимент автоприцепов
На нашем сайте автомобильных прицепов представлены модели:
- Универсальные – оптимальный вариант для бытового применения. Подходят для перевозки личных вещей, мебели, стройматериалов и т.д.
- Лодочные – с различными габаритами.
Подбираются в зависимости от длины и веса лодки - Для техники – квадроциклов, снегоходов, мототехники (культиваторы, мотоблоки и т.д.)
- От разных заводов – СлавутичЪ, МЗСА, Трейлер, Вектор Лав, Лейкер
По конструкционным особенностям реализуемые прицепы отличаются:
- Бортами – их высотой и функцией откидывания, а также полным отсутствием бортов (платформы)
- Количеством осей – одно- и двухосные
- Перевозимыми грузами – автоприцепы для длинномеров, техники, катеров
- Функциональностью – например, автоприцепы с крышкой позволяют безопасно перевозить грузы, нуждающиеся в защите от осадков.
Какова цена прицепов на официальном сайте?
Стоимость каждого автоприцепа указана рядом с изображением и зависит от:
- Технических характеристик модели
- Используемых материалов в процессе производства изделия
- Предназначения прицепа (формата перевозимого груза).
Не знаете, какую модель подобрать? Звоните по указанному на сайте номеру телефона – подберем оптимальный вариант автоприцепа под ваши потребности и выделенный бюджет.
каталог, цены, прайс-лист, официальный сайт
Заказать звонок Перейти на сайт
На сайте с 13 сен 2019
Компания ООО «АРИВА» является официальным торговым представителем Московского завода специализированных автомобилей (ООО «МЗСА», г. Москва). Сферой деятельности компании «АРИВА» является: продажа и прокат прицепов для легковых автомобилей на всей территории Российской Федерации. Продажа прицепов марок МЗСА осуществляется по розничным ценам завода-производителя. На все реализуемые прицепы действует гарантия 1,5 года.
- Представитель компании на сайте: Компания АРИВА (Компания АРИВА)
- Фактический адрес: 429500, Чувашия, п.Кугеси, ул.Шоссейная, д.27а
На карте
Новые объявления компании
Все объявления компании
лодки, моторы, прицепы, тюнинг в Рязани
С 2007 года команда Fishmaster.
Pro занимаемся строительством, тюнингом, ремонтом и эксплуатацией рыболовных катеров и лодок. Этот огромный опыт помог определить наилучшие решения в подготовке профессиональных катеров для спортивной или любительской рыбалки. А тысячи часов эксплуатации в режиме рыболовных турниров позволили убедиться в надежности устанавливаемого оборудования и систем.
Алюминиевые катера
Fishmaster.Pro является официальным дилером Заводов Volzhanka, WindBoat, Finval, являющихся по нашему небезосновательному мнению одними из лидеров по производству алюминиевых катеров в России.
Широкий модельный ряд, разнообразие целевого использования и стоимости от самых минимальных, позволят удовлетворить любые потребности и слои населения огромной братии водомоторников. Мы с удовольствием проконсультируем по всему модельному ряду катеров Волжанка, Windboat, Finval и поможем приобрести лодку вашей мечты!
Лодочные моторы Mercury и MotorGuide
Fishmaster.
Pro является официальным дилером моторов Mercury и MotorGuide. Мы готовы поставить вам любой мотор Mercury из нашего каталога, а так же оказать гарантийное и послегарантийное обслуживание.
Лодочные прицепы МЗСА
Fishmaster.Pro является официальным дилером прицепов МЗСА. Большое количество прицепов МЗСА в наличии и любая модель под заказ.
Лодки ПВХ
С 2019 года мы продаем лодки ПВХ размеров от самых маленьких до больших российских производителей. Вместе с лодками вы можете купить у нас необходимые акссессуары — насосы, тенты, транцевые колеса и многое другое
Интернет-магазин
Каталог нашего интернет-магазина содержит самые передовые и современные товары для оснащения рыболовного катера, от троллинговых моторов и картплоттеров, до деталей системы аэратора (livewell), электросистем и аксессуаров для рыбалки.
Сервис и тюнинг
Правильно смонтировать и подключить приобретенное оборудование на вашу рыболовную лодку помогут специалисты технического центра Fishmaster.
Pro. Так же вы можете получить абсолютно бесплатную консультацию по любым вопросам самостоятельной установки и эксплуатации наших товаров.
По всем вопросам обращайтесь по телефону или электронной почте из раздела контакты
лодки, моторы, прицепы в Красноярске
Поиск
склад-магазин «КАТЕРА СИБИРИ»
рад приветствовать Вас на своем сайте!
Наша компания является официальным представителем многих известных производителей по Восточно-Сибирскому ФО. Мы предлагаем продукцию, доступную широким слоям населения – катера, лодки, гидроциклы, лодочные моторы, моторы-болотоходы, моторы-Весло, водомётные моторы, вездеходы и снегоходы, прицепы к легковым автомобилям а так же дополнительное судовое оборудование, товар для частных лиц, муниципальных, государственных и коммерческих организаций.
Основное направление нашей деятельности — комплектация и поставка Водомоторной и Мотовездеходной техники .
Преимуществами работы с нашей компанией являются:
• гибкая ценовая политика, рассчитанная на плодотворное сотрудничество,
• бесперебойные поставки,
• обеспечение всеми необходимыми сопроводительными документами,
• прием заказов в любой удобной для Вас форме: по электронной почте, телефону.
• резервирование необходимого ассортимента на складе под клиента, а также поставка товаров под заказ.
Политика работы компании «КАТЕРА СИБИРИ» предполагает индивидуальный подход к каждому нашему клиенту. Квалифицированные сотрудники нашей компании всегда помогут сориентироваться в многообразии выбора и дадут грамотную консультацию по всем интересующим Вас вопросам. Все предложения и замечания по сотрудничеству и работе сайта мы предлагаем направлять через эл. форму в разделе «Контакты». Ваше мнение очень важно для нас.
Покупайте или делайте заказ не выходя из дома!
Найдите на сайте, то что Вам понравилось и оформляйте заказ, так же Вы можете написать нам или позвонить! Мы предоставим Вам все необходимые документы.
С правилами оформления заказа и доставки товара до Вас, можете ознакомиться здесь…
Тел.: +7(391) 242 4371; +7 902 990 4371
E-mail: [email protected]
Выберите важные переменные с помощью алгоритма Boruta
В этой статье объясняется, как выбрать важные переменные с помощью пакета boruta в R. Выбор переменных — важный шаг в проекте прогнозного моделирования. Это также называется «Выбор функции». Каждое частное и государственное агентство начало отслеживать данные и собирать информацию по различным атрибутам. Это приводит к доступу к слишком большому количеству предикторов для прогнозной модели. Но не каждая переменная важна для прогнозирования конкретной задачи.Следовательно, важно определить важные переменные и удалить избыточные переменные. Перед построением прогнозной модели, как правило, неизвестен точный список важных переменных, возвращающих точную и надежную модель.
Почему важен выбор переменных?
- Удаление избыточной переменной помогает повысить точность. Точно так же включение соответствующей переменной положительно влияет на точность модели.
- Слишком много переменных может привести к переобучению, что означает, что модель не может обобщить шаблон
- Слишком много переменных приводит к медленным вычислениям, что, в свою очередь, требует больше памяти и оборудования.
Почему пакет Boruta?
В R. много пакетов для выбора функций. Возникает вопрос: «В чем особенность пакета boruta?». См. Следующие причины использования пакета boruta для выбора функций.
- Он хорошо работает как для классификации, так и для задач регрессии.
- Учитывает отношения нескольких переменных.
- Это усовершенствованный метод измерения важности случайных переменных в лесу, который является очень популярным методом выбора переменных.
- Он следует методу выбора всех релевантных переменных, в котором рассматриваются все характеристики, которые имеют отношение к переменной результата.
Принимая во внимание, что большинство других алгоритмов выбора переменных следуют минимально оптимальному методу, когда они полагаются на небольшое подмножество функций, что дает минимальную ошибку для выбранного классификатора. - Он может обрабатывать взаимодействия между переменными
- Может иметь дело с колеблющимся характером случайной меры важности случайного леса
| Борута Пакет |
Выполните перемешивание значений предикторов и объедините их с исходными предикторами, а затем создайте случайный лес на объединенном наборе данных.Затем сравните исходные переменные со случайными переменными, чтобы измерить важность переменных. Только переменные, имеющие более высокую важность, чем рандомизированные, считаются важными.
Как работает алгоритм Борута
Выполните следующие шаги, чтобы понять алгоритм —
- Создайте дубликаты всех независимых переменных.
Если количество независимых переменных в исходных данных меньше 5, создайте не менее 5 копий, используя существующие переменные. - Перемешайте значения добавленных повторяющихся копий, чтобы удалить их корреляцию с целевой переменной. Это называется теневыми элементами или переставленными копиями.
- Объединить оригинальные с перетасованными копиями
- Запускает случайный классификатор лесов для объединенного набора данных и выполняет меру важности переменной (по умолчанию — средняя точность уменьшения), чтобы оценить важность каждой переменной, где чем выше, тем важнее.
- Затем вычисляется Z-оценка. Это означает среднее значение потери точности, деленное на стандартное отклонение потери точности.
- Найдите максимальное значение Z среди теневых атрибутов (MZSA)
- Пометьте переменные как «неважные», если их важность значительно ниже, чем MZSA. Затем мы навсегда удаляем их из процесса.
- Пометьте переменные как «важные», если они имеют значимость значительно выше, чем MZSA.

- Повторите вышеуказанные шаги для предопределенного количества итераций (случайные прогоны леса) или до тех пор, пока все атрибуты не будут помечены как «неважные» или «важные», в зависимости от того, что наступит раньше.
Разница между Boruta и случайным показателем важности леса
Когда я впервые изучил этот алгоритм, этот вопрос «Измерение важности RF по сравнению с Boruta» заставил меня задуматься на несколько часов. Много прочитав об этом, я выяснил точную разницу между этими двумя алгоритмами выбора переменных.
В случайном лесу оценка Z вычисляется путем деления средней потери точности на ее стандартное отклонение. Он используется в качестве меры важности для всех переменных.Но мы не можем использовать оценку Z, которая рассчитывается в случайном лесу, в качестве меры для определения важности переменной, поскольку эта оценка Z не связана напрямую со статистической значимостью важности переменной. Чтобы решить эту проблему, пакет boruta запускает случайный лес как для исходных, так и для случайных атрибутов и вычисляет важность всех переменных.
Поскольку весь процесс зависит от перестановок копий, мы повторяем процедуру случайной перестановки, чтобы получить статистически надежные результаты.
Борута — решение для всех?
Ответ НЕТ.Вам нужно протестировать другие алгоритмы. Невозможно судить о лучшем алгоритме, не зная данных и предположений. Поскольку это усовершенствованная мера важности случайных переменных леса, в большинстве случаев она должна работать хорошо.Ознакомьтесь с оригинальной статьей — Выбор функций с помощью Boruta в R , чтобы увидеть реализацию алгоритма Boruta с R и его сравнение с другими алгоритмами выбора функций.
GRIZZLY G680 PRO CABIN — официальный сайт производителя
Нестандартный цвет корпуса по RAL
Изменение цвета наклеек
Выбор цвета интерьера и мебели
Выбрать цвет транспортной маркизы
Выбрать цвет транспортного тента
Выберите цвет для носовой маркизы
Носовой тент
Матросский тент
Транспортный тент
Декоративные накладки на консоли, руль и т.
Д.логотипы Дополнительный транец для двигателя малой мощности до 15 л.с. Дополнительный транец для двигателя малой мощностью более 15 л.с.
Носовая лестница
Кормовой трап
Тарга из трубы 30 мм АМГ5М.
Резная тарга АМГ5М 10мм.
Платформа транцевая (кринолин)
Гидравлический комплект рулевого управления до 150 л.с.
Гидравлический комплект рулевого управления до 300 л.с.
Гидравлический комплект рулевого управления более 300 л.с.
Дополнительное освещение кормовой палубы
Дополнительное освещение передней палубы
Передние фары передние
Стеклопакеты раздвижные в салоне
Фара налобная дистанционная для тарга с установкой
Фара налобная с кормовым освещением на катушке с фитингом
Светодиодные навигационные огни
Спойлеры (с возможностью автоматического подключения) Автоматика для спойлеров
Автопилот
Транцы
Платформа для эхолота
Установка эхолота
Расширение порта консоли для установки радиосистемы Звуковая система: электромонтаж, подготовка к установке оборудования
Увеличение топливного бака до 300л.
Музыка: Водонепроницаемый бокс для судовой звуковой аппаратуры — 1 шт., Морские звуковые колонки — 4 шт., Активная антенна — 1 шт., Стереосистема — 1 шт.
Установка спиннинговых держателей чашек (с регулировкой)
Установка стаканов прядильных держателей (на трубу ø 38, приварная)
Держатели спиннингов на борту
Поверхность для даунриггера (механическая)
Поверхность для даунриггера с электроустановкой
Электрический зуммер (встроенный)
Электрический однотональный звуковой сигнал
Стеклоочиститель
Электронасос автоматический
Стол в кокпите + дополнительная база
Дополнительная зона отдыха с рундуком 1200х450х350мм.
Судовой обогреватель кабины Webasto с установкой
Стойка регулируемая по высоте с полозьями
Регулируемая по высоте стойка с полозьями (с полозьями) Фильтр топливного сепаратора
Дополнительные конструкции из трубы — 25, 30 мм
Модернизация анкеров
Регулировка высоты транца от 508 до 630 мм.
Установка двигателя МОТОРЫ:
Mercury 200 L Verado (без оборудования) — 1 шт.
Mercury 225 L Verado (без оборудования) — 1 шт.
Mercury 250 L Verado (без оборудования) — 1 шт.
Suzuki DF 175 TL — 1 комплект
Suzuki DF 200 ATL — 1 комплект
ПРИЦЕП
МЗСА 822141.502
МЗСА 822141.402
* На лодках мощностью 80 л.с. и выше рекомендуется установка гидроусилителя.
GRIZZLY G680 PRO TWIN Cruiser — официальный сайт производителя
Стиль GRIZZLY G680 PRO TWIN Cruiser аналогичен G680 Twin, который уже хорошо известен.Традиционно для всей серии Pro делается упор на надежность и долговечность. GRIZZLY G680 PRO TWIN Cruiser удовлетворяет всем этим требованиям и занимает свое место в профессиональной линейке Grizzly.
Комфорт и универсальность сегодня очень важны для многих владельцев лодок. Если пожертвовать передней кабиной в традиционной компоновке лодок серии PRO, в результате получилась уютная и очень удобная обитаемая кабина с мягкими подушками, входящими в стандартную комплектацию этой модели, что делает комфортным спальное место, в котором могут разместиться два человека.
GRIZZLY G680 PRO TWIN Cruiser, имея кабину, имеет больший запас хода, по продолжительности переходов и поездок кабина дает возможность ночевать в лодке, не заботясь о ночлежке, что значительно увеличивает время, затрачиваемое на лодка и позволяет эксплуатировать ее в самых тяжелых условиях.
Эта лодка, как и все яхты GRIZZLY, определенно будет выделяться при швартовке в гавани или буксировке по тропе. Это по ряду причин, с одной стороны, акцент на современном стиле и моде, но больше на структурных особенностях — росписи, современных формах и узнаваемом удлиненном банте.
Особая деталь на внешней стороне корпуса похожа на модель: конструктивная носовая часть переборки. Его внешняя часть покрыта специальным материалом Line-X. Широко используется при тюнинге больших полноприводных автомобилей и крупных пикапов. Создание особого стиля, но в первую очередь с особыми структурными свойствами: повышенной стойкостью к истиранию и повреждениям. Это используется в конструкции планширя, где это особенно ценно.
Ведь классическое покрытие — резина — имеет свойство быстро выходить из строя, устаревать, теряя первоначальный вид.Конструкция балки фока, благодаря большей толщине, немного выступает за границы корпуса и выполняет функцию брызгозащитного устройства. Это тоже уникально для лодок этого класса. Кроме того, такая форма увеличивает площадь крыльев, что делает плавание по борту более удобным и безопасным. Удобные и прочные поручни по периметру всего корпуса еще больше усиливают это. Они также предлагают дополнительные функции, позволяющие не просто держаться за лодку во время движения, но и использовать ее для закрепления грузов.А в верхней части рубки они служат дополнительной защитой навигационных огней. Это очень важно при швартовке у высокой стенки швартовки или «швартовке», так как это предотвратит повреждение фонарей в случае сильного раскачивания.
Если, однако, вы пришвартовываетесь к низкой швартовной стене или к более низкому судну, на корпусе устанавливается дополнительное нижнее крыло.
Лодка имеет двойной подвесной двигатель, установленный на транце, и это одна из основных особенностей данной модели, которая также указывает на присутствие слова twin в названии лодки.Что означает двойную силовую установку. По мере того, как все больше и больше лодок оснащается сдвоенными двигателями, тенденция к монолитным двигателям постепенно угасает по целому ряду объективных причин. Поскольку лодка с так называемым «двойным двигателем» имеет гораздо большую маневренность, доступную минимальную скорость (это особенно важно при рыбалке или швартовке в марине), способность поворачиваться, оставаясь на месте, более уверенное управление, не склонная к боковое покачивание во время движения. Благодаря двум точкам вращения пропеллеров двигателей, сдвоенное и моно расположение можно сравнить с ездой на автомобиле или мотоцикле.Разница в том, что сдвоенный блок дает вам преимущество в маневренности. Более того, такая установка еще и безопаснее. С одной стороны, осадка лодки уменьшена по сравнению с однодвигательной установкой.
С другой стороны, в случае отказа одного из двигателей второй обеспечит достаточную скорость для возврата в безопасное место. Однако цена такого комплекта более выгодна, чем комплект, состоящий из двигателя полной мощности с вспомогательным двигателем (докэджем).
Кормовая часть лодки разделена на две просторные зоны: плавательную платформу и кормовой кокпит.Платформа для плавания состоит из двух просторных кринолинов, которые можно использовать не только для легкого доступа к двигателю, но и для рыбалки или для занятий водными видами спорта. Для наиболее легкой и удобной посадки в один из кринолинов встроена сверхмощная перекрестная лестница. Сама кабина достаточно просторная.
Для удобства рыбаков по бокам есть специальные шкафчики, в которых они могут хранить свои спиннинги. А над кабиной можно разместить таргу на 8-10 спиннингов, с катушками для троллинга.Концепция лодки идеально подходит для такого стиля рыбалки.
Дверь кабины сделана из прочного акрила. В отличие от стекла, этот материал небьющийся, но также обеспечивает отличный обзор из кабины и лодки.
Дистанционное зондирование | Бесплатный полнотекстовый | Улучшение пространственного прогнозирования содержания органического углерода в почве в двух контрастирующих климатических регионах путем объединения моделей машинного обучения и повторного сканирования ковариатного пространства
3.2. Важность ковариат
Выбранные ковариаты для прогнозирования содержания SOC на двух участках на всех определенных глубинах представлены на рисунке 5.Цифры обозначают Z-баллы, а интенсивность цветов от светлого до темного представляет значения Z-баллов от низкого до высокого, соответственно. Ковариаты, используемые для прогнозирования содержания SOC, показали различный уровень важности в моделях. Результаты показали, что ковариаты на засушливом участке имели отношение от слабого до умеренного к содержанию SOC. Z-оценка варьировалась от 0,40 до 10,60 для глубины впадины (SOC 100–200 см) и ближнего инфракрасного диапазона Sentinel-2 (SOC 5–15 см), соответственно.
На субгумидном участке она колебалась от 0.От 20 до 23.80 для переменных полной инсоляции (SOC 100–200 см) и зеленой полосы Sentinel-2 (SOC 0–5 см), соответственно. Для засушливого участка рисунок 5 показывает, что все ковариаты были умеренно релевантными (например, полоса ближнего инфракрасного излучения Sentinel-2) или незначительно релевантными (например, индекс высоты и влажности) для прогнозирования содержания SOC, по крайней мере, для одного интервала глубины почвы, за исключением девять ковариат (например, площадь водосбора). Четыре ковариаты (например, MrVBF) были определены как незначительно релевантные на всех шести глубинах почвы (рисунок 5).В субгумидном участке, однако, только одна ковариата (красный край растительности Sentinel-2) была важна для всех шести интервалов глубин, а шесть ковариат (например, высота) из 28 были слабо значимы для прогнозирования SOC на любом интервале глубин ( Рисунок 5). Следует подчеркнуть, что все другие ковариаты были классифицированы как слегка релевантные (например, наклон водосбора), умеренно релевантные (например, NDVI) и релевантные (например, зеленая полоса Sentinel-2) переменные при прогнозировании содержания SOC на всех шести интервалах глубины.
.Для засушливого участка, согласно рисунку 5, можно дополнительно сделать вывод, что ковариаты на основе местности и RS играют важную роль в прогнозировании содержания SOC на шести интервалах глубин, что согласуется с исследованием Wang et al. [19,102]. Важно отметить, что ковариаты на основе RS (например, полоса NIR Sentinel-2) были более важны для прогнозирования органического углерода поверхностных почв по сравнению с ковариатами на основе местности (например, MrVBF). Это может быть связано с тем, что большая часть территории была пуста, за исключением ее центра, и, таким образом, данные дистанционного зондирования могли отражать спектральное поведение почвы на поверхности [21,22].Однако ковариаты на основе местности были более актуальны для прогнозирования содержания SOC на глубине от 60 до 200 см по сравнению с ковариатами на основе RS. Это особенно верно для высоты (Elev), индекса влажности (WI), уклона водосбора (Ca.Slop) и индекса плоскостности дна долины с несколькими разрешениями (MrVBF).
Эта местная топография может определять скорость эрозии и осаждения почвы, а также количество поступающей солнечной радиации, которая может определять распределение SOC. Кроме того, влияние ковариат на основе рельефа на прогнозирование содержания SOC может быть связано с изменениями других свойств почвы, а также с наличием культивации в более низких возвышенностях (например,г., центр площади). Основным фактором, контролирующим поступление, разложение и стабилизацию органических веществ в почву, является культивация в центре участка. Культивирование объяснило количество и вариацию содержания SOC в исследуемой области [76]. Следовательно, в засушливом районе распределение SOC может частично характеризоваться топографией. В соответствии с нашими результатами, в нескольких исследованиях [7,22,54] сообщается о важности ковариат на основе местности, таких как WI, MrVBF, уклон и высота, для прогнозирования SOC на разных глубинах почвы, поскольку они отражают важные геоморфологические единицы, е.
g., более глубокое развитие почвы на дне долины с крутыми склонами, окружающими в результате эрозионных процессов. в то время как для субгумидного участка ковариаты на основе рельефа не являются контролирующими факторами изменчивости содержания SOC, за заметным исключением водосборов. площадь в нижних интервалах глубины (30-200 см). Этих результатов следовало ожидать, потому что исследуемый район в северных частях Ирана имеет почти равнинный рельеф [83]. Однако это открытие выявило важность ковариат на основе RS для изменчивости содержания SOC в субгумидном участке (рис. 5).Например, мы обнаружили, что NDVI является важным предиктором содержания SOC в поверхностных слоях почвы [47,48]. Параметры растительности, полученные с помощью дистанционного зондирования, и NDVI обычно считаются хорошими индикаторами первичной и экологической продуктивности. Следовательно, данные дистанционного зондирования эффективно применялись для прогнозирования содержания SOC [48]. Следовательно, на субгумидном участке эти результаты показывают, что растительность оказывает наиболее эффективное влияние на ПОУ верхнего слоя почвы.
Кроме того, спектральные полосы Sentinel-2 оказали существенное влияние на оценку содержания SOC на глубине почвы от 0 до 30 см в субгумидном участке, как показано на Рисунке 5.Это показывает высокий потенциал спектральных данных в обнаружении SOC и его вариаций. В нескольких исследованиях [47,103] также сообщается о большом вкладе изображений Sentinel-2 в прогнозирование содержания SOC в почвах в Чешской Республике и Франции. Например, Gholizadeh et al. [48] доказали, что изображение Sentinel-2 может фиксировать изменение SOC, особенно там, где уровни SOC были относительно высокими. Они сообщили, что наилучшие корреляции спектральных полос SOC и Sentinel-2 были получены от B4 и B5, за которыми следуют B11 и B12.Вообще говоря, ковариаты на основе RS в основном представляют особенности поверхности, указывающие на землепользование / покров, исходные материалы и любые другие особенности, влияющие на спектральное поведение. Ковариаты на основе рельефа в основном представляют собой параметры рельефа, которые способствуют процессу эрозии и осаждения, а также накоплению и перераспределению воды и мелких частиц.
Как обсуждалось выше, ковариаты на основе местности и RS потенциально могут объяснить вариации содержания SOC на двух участках исследования (рис. 5).Тем не менее, относительное влияние ковариат различается в засушливых и субгумидных регионах. Согласно рисунку 5, наши результаты показали, что ковариаты на основе RS могут лучше объяснить изменение содержания SOC в субгумидном участке по сравнению с засушливым участком. Это ожидается, потому что растительный покров, влияя на отражательную способность земли в видимом и инфракрасном диапазоне [21], делает ковариаты на основе RS многообещающими объясняющими переменными для объяснения содержания SOC и его вариаций в субгумидных регионах [22], поскольку простая корреляция между фотосинтетической активностью растения и большее количество исходного материала (прокси на основе RS) могут привести к большему накоплению органического углерода.Другими словами, влияние растительности на содержание SOC может быть представлено ковариатами на основе RS. Однако ковариаты на основе рельефа за счет управления процессами эрозии и осадконакопления оказались более успешными в засушливом районе по сравнению с субгумидным районом для объяснения вариаций содержания SOC.
Это может быть связано с тем, что климат в засушливом районе однороден и, следовательно, не является контролирующим фактором. Однако топография является важным фактором, объясняющим вариации содержания SOC. Наименьшее значение ковариат на основе местности в субгумидных участках ожидается и объясняется тем фактом, что равнинность субгумидных участков сводит к минимуму влияние топографии и возвышенности на почвы [104].Кроме того, относительный эффект ковариат меняется с глубиной, указывая на то, что механизмы, участвующие в стабилизации и динамике SOC на разных глубинах, могут быть разными. По сути, совокупный эффект этих переменных влияет на содержание SOC.3.3. Характеристики отдельных моделей машинного обучения
Для обоих сайтов производительность шести отдельных моделей машинного обучения, используемых на уровне 0, с точки зрения R 2 , RMSE и RPIQ с шестью интервалами глубины, была следующей: DNN> RF> XGBoost> AvNNet> ANN> Кубист (Таблица 5 и Таблица 6).
Наши результаты показали, что модели RF могут хорошо предсказывать содержание SOC на двух участках исследования. В соответствии с нашими выводами, Keskin et al. [67] сообщили, что RF привел к самому низкому среднеквадратичному среднему значению для предсказания SOC по сравнению с другими моделями ML из-за случайного выбора переменных во время построения и сборки дерева. Наш опыт здесь также был аналогичен выводам, сделанным Набиоллахи и др. [30], которые успешно использовали RF для картирования запасов SOC в двух интервалах глубин (0-30 и 30-60 см) с использованием ковариат RS и местности, и обнаружили, что он достаточно хорошо работает для прогнозирования SOC на двух глубинах почвы ( R 2 = 0.70 и 0,67 соответственно). Однако Were et al. [20] вводят широкий спектр ковариат окружающей среды (например, свойства почвы, климатические переменные, данные о земном покрове, факторы рельефа и спектральные индексы) в RF и ANN для картирования запасов SOC, и показали, что ANN имеет более низкие значения RMSE и ME.
, а также более высокие значения R 2 при прогнозировании SOC по сравнению с моделями RF. Вышеупомянутые исследования показали, что результаты RF-моделей значительно различаются от исследования к исследованию. Хотя трудно объяснить причины этих различий, различия могут быть связаны с разной протяженностью исследуемых территорий, топографией, плотностью выборки или количеством и качеством используемых экологических ковариат.Производительность XGBoost на обоих сайтах и шести интервалах глубины точно соответствовала производительности RF (Таблица 5 и Таблица 6). По показателям R 2 , RMSE и RPIQ он превзошел Cubist. В соответствии с нашими выводами, Tziachris et al. [104] сообщили о разумной точности XGBoost по сравнению с моделями RF для прогнозирования SOC в Греции. Более высокая точность XGBoost может быть объяснена тем, что его стохастический градиент, который улучшает процедуру, может уменьшить переобучение и может улучшить точность прогнозирования [67].Кроме того, было показано, что ансамбль XGBoost способен обрабатывать данные о шуме благодаря использованию ряда древовидных классификаторов на основе решений.
Есть несколько других примеров экспертов DSM, которые успешно применили модели XGBoost и RF для прогнозирования питательных веществ в почве в Африке к югу от Сахары [105], свойств почвы в Соединенных Штатах [106], pH почвы в Китае [107], свойств почвы на в глобальном масштабе [108] и глубина залегания коренных пород в глобальном масштабе [109]. Хотя кубизм дал относительно хорошие прогнозы содержания SOC на двух участках исследования, особенно в поверхностных слоях (Таблица 5 и Таблица 6), это было превосходит RF и XGBoost.В соответствии с нашими результатами Zeraatpisheh et al. [21] показали, что по R 2 и RMSE Cubist уступает RF. Несмотря на полезность кубизма в объяснении взаимосвязей между свойствами почвы и ковариатами, а также в моделировании содержания SOC, о чем сообщалось в нескольких исследованиях [93], наши результаты показали, что эта модель не очень конкурентоспособна с другими моделями ML. Непонятно, почему Cubist не смог обеспечить более высокую точность по сравнению с другими моделями ML в текущем исследовании.
Разные результаты могут быть связаны с различиями в различных процессах, которые вызывают эволюцию и накопление SOC в этих почвах. Кроме того, это говорит о том, что ни один алгоритм машинного обучения не может лучше всего служить для каждого ландшафта и что несколько моделей следует оптимизировать, чтобы найти наиболее надежную модель прогнозирования. Тем не менее, мы отметили, что различия в производительности моделей ML на обоих участках и на всех интервалах глубин были довольно небольшими. Для этих двух областей производительность классической ИНС на всех интервалах глубины точно соответствовала производительности AvNNet (Таблица 5 и Таблица 6).О более высокой производительности AvNNet по сравнению с ANN также сообщили Бейкер и Эллисон [84], которые оценили и сравнили производительность AvNNet и ANN для прогнозирования данных об удержании воды. Они указали, что объединение ИНС улучшает способность обобщать отдельные компоненты ИНС. Аналогичным образом Meyer et al. [83] сообщили о более высокой производительности AvNNet, сравнив ее с тремя моделями ML — RF, ANN и SVM — для обнаружения области дождя и распределения интенсивности дождя над Германией.
Хотя производительность прогнозирования немного улучшается за счет усреднения ИНС по сравнению с классической ИНС, Мейер и др.[83] пришли к выводу, что прогнозы могут быть полезными в случаях, когда для обучения доступны только ограниченные данные. Однако наш результат отличается от результата Taghizadeh-Mehrjardi et al. [7], которые обнаружили более высокую производительность ИНС по сравнению с РФ для трехмерного картирования содержания SOC в западных частях Ирана. Следует отметить, что на точность прогноза могут влиять несколько параметров, таких как количество полевых наблюдений, тип моделей, изменчивость свойств почвы и способность ковариат окружающей среды описывать вариации SOC.В засушливом районе DNN могла составлять от 39% до 83% от общего изменения содержания SOC от нижнего интервала глубин (100-200 см) до поверхностного слоя (0–5 см), соответственно (Таблица 5 ). Для субгумидного участка (таблица 6) DNN показал наилучшие характеристики. На его долю приходилось от 44% до 81% изменения общего содержания ПОУ на глубинах 100–200 см и 0–5 см соответственно.
В целом DNN превзошел другие отдельные методы и дал наиболее точные результаты, хотя все пять моделей ML в исследуемых областях оказались подходящими для картирования SOC.Можно сделать вывод, что DNN обеспечила лучшие результаты в этом исследовании по сравнению с другими отдельными методами и продемонстрировала надежность машинного обучения при моделировании и прогнозировании сложных данных. Наши результаты согласуются с другими исследованиями в литературе по машинному обучению, в которых сообщается о способности модели DNN выявлять и изучать нелинейные и сложные закономерности, лежащие в основе наборов данных [32,110]. Однако в литературе по почвоведению о превосходных характеристиках DNN в прогнозировании свойств почвы сообщается лишь в нескольких исследованиях [32,111].Например, Behrens et al. [31] нашли наиболее точные результаты для анализа DSM с использованием глубокого обучения, что указывает на улучшение на 4–7% по сравнению с RF. В дополнение к этому примеру Padarian et al. [33] и Wadoux et al.
[34] успешно применили модель сверточной нейронной сети (CNN) (хорошо известную модель DNN) для прогнозирования различных свойств почвы (например, SOC) на основе больших спектроскопических баз данных. Подобно нашим результатам, они также достигли лучшей производительности за счет внедрения CNN по сравнению с другими отдельными моделями машинного обучения.Это в основном из-за того, что модели CNN используют информацию о контекстных ковариантах в качестве входных данных [34]. Тем не менее, предложенная нами DNN использовала точечные ковариаты в качестве входных данных в этом исследовании. Таким образом, мы можем сделать вывод, что более высокий выход DNN по сравнению с другими отдельными методами ML может быть связан с другими факторами, включая мощность извлечения функций или атрибутов из необработанных данных. Модели DNN создают новые функции (иногда также называемые представлениями необработанных данных) автоматически с помощью нейронных сетей со многими скрытыми слоями и мощными вычислительными ресурсами, позволяющими им моделировать очень сложные функции, например.
г., отношения SOC – ландшафт.3.4. Характеристики моделей стекирования ансамбля
Результаты моделирования двух подходов к наложению, а именно стандартного режима (Stack1 и Stack2) и режима повторного сканирования (Stack3 и Stack4), для прогнозирования содержания SOC на шести интервалах глубины в засушливой зоне. и субвлажные области представлены в Таблице 5 и Таблице 6. Точность моделирования следующая: Stack4> Stack3> Stack2> Stack1. Например, RMSE для прогноза содержания SOC в интервале глубин от 0 до 5 см обоих участков с помощью моделей Stack4 были на 17% и 5% ниже, чем те, которые были получены с помощью Stack1 (Таблица 5 и Таблица 6).Аналогичным образом, Stack4 снизил RMSE (23% и 6%) для прогноза содержания SOC на 100–200 см профилях почвы засушливого участка и субгумидного участка по сравнению с моделями Stack1. Как правило, суммирование моделей ансамбля в режиме повторного сканирования имеет более высокую точность, чем модели в стандартном режиме [68]. Это может быть связано с тем, что модели метаобучения (LASSO и SVR), используемые на уровне 1, могут повторно захватывать и извлекать некоторую недостающую информацию из исходного ковариантного пространства.
Это доказывает возможность использования повторного сканирования исходного пространства ковариаций для повышения производительности стандартных методов стекирования.Обратите внимание, что не было попытки протестировать другие алгоритмы машинного обучения на уровне 0 и уровне 1. Изменяя количество и тип индивидуальных моделей и моделей метаобучения, можно было бы дополнительно улучшить производительность предлагаемого метода стекирования. Кроме того, точность прогнозирования может быть дополнительно улучшена, если структура пространственной корреляции остатков модели проанализирована и затем добавлена к детерминированному пространственному тренду. Однако такой анализ выходил за рамки нашего исследования. Чтобы лучше понять, какие модели машинного обучения работают лучше всего, мы проиллюстрировали производительность стекирования и отдельных моделей на рисунке 6.График показывает, что моделирование ансамбля суммирования в обоих режимах (стандартный режим и режим повторного сканирования) показало более высокую производительность по сравнению с отдельными моделями.
Здесь мы сравниваем характеристики лучшей индивидуальной модели (DNN) и лучшей модели штабелирования (Stack4) с точки зрения R 2 и RMSE. На рисунке 6 ясно видно, что модели ансамбля Stack4 увеличили значения R 2 и уменьшили значения RMSE по сравнению с моделями DNN. Например, RMSE для прогноза содержания SOC в профилях почвы от 0 до 5 см засушливого участка и субгумидного участка с помощью моделей Stack4 были на 17% и 9% соответственно, меньше, чем полученные с помощью моделей DNN.Аналогичным образом, Stack4 снизил значения RMSE (28% и 10%) для прогноза содержания SOC в профилях почвы засушливого и субгумидного от 100 до 200 см по сравнению с моделями DNN. Как правило, ансамблевые модели Stack4 показали наилучшие результаты. способность фиксировать пространственные вариации содержания SOC, а также уменьшать неопределенность прогнозов. Это указывает на то, что суммированные модели ансамбля на уровне 1 были успешными, чтобы сохранить преимущества и отбросить неточный аспект отдельных моделей ML на уровне 0.
Это оправдано тем фактом, что информация, потерянная моделями на уровне 0, успешно фиксируется моделями уровня 1. Фактически, методы суммирования использовали сильные стороны нескольких алгоритмов обучения, чтобы получить лучшую прогнозирующую способность и сделать прогнозную модель более надежной, чем на основе отдельных моделей. Мы подчеркиваем, что стратегия суммирования более точна, чем любая из ее отдельных моделей, если отдельные модели точны и разнообразны. Успех метода суммирования обычно связан с двумя фактами: (1) обучающие данные не всегда предоставляют достаточно информации для выбора единственной точной модели, и (2) процессы обучения отдельной модели могут быть несовершенными [40, 68].Это причины, по которым сложение никогда не было хуже, чем выбор отдельных моделей в нашем тематическом исследовании. Несколько исследований показали, что ансамблевые модели демонстрируют лучшие характеристики для прогнозирования свойств почвы в сообществе DSM [38,68]. Например, Таджик и др. [38] обнаружили, что моделирование стека показало лучшую производительность для прогнозирования содержимого SOC по сравнению с отдельными моделями, включая RF и SVM.
Аналогичным образом Zhou et al. [39] и Chen et al. [40] недавно оценили эффективность ансамблевых моделей для прогнозирования пространственных изменений свойств почвы.Чтобы предсказать общий азот в почве, Zhou et al. [39] объединили модели RF и XGBoost с использованием метода взвешенного усреднения. Их результаты подтвердили, что приемлемый результат был получен с помощью ансамблевого подхода с самым низким RMSE (1,15 г / кг — 1 ) и самым высоким R 2 (0,41) по сравнению с двумя отдельными моделями. Somarathna et al. [112], однако, пришли к выводу, что объединение алгоритмов ML не может обеспечить значительного улучшения (~ 2%) в предсказаниях SOC. Они сообщили, что модель ансамбля может оказаться полезной только при объединении различных алгоритмов машинного обучения, ковариат или наборов данных.Это означает, что стратегии наложения обычно дают разумную производительность в зависимости от диверсификации отдельных моделей. В текущем исследовании можно упомянуть, что разнообразный и мощный набор алгоритмов машинного обучения, реализованных на уровне 0, в результате чего методы суммирования, предлагали более высокую производительность прогнозирования по сравнению с отдельными моделями.
В дополнение к этому повторное сканирование исходного ковариантного пространства на уровне 1 увеличило разнообразие и эффективность методов наложения, что оказалось эффективным инструментом для прогнозирования содержания SOC, которое следует использовать в качестве инструмента для цифрового картирования почв.Хотя эффективность суммирования была продемонстрирована в нескольких исследованиях (например, Ссылки [38,39,40]), есть некоторые потенциальные недостатки, которые следует учитывать. Поскольку наибольшее улучшение суммирования достигается, когда предикторы на уровне 0 менее коррелированы, выбор комбинации разнородных моделей не всегда является простой практикой. Этот метод также обычно является дорогостоящим с точки зрения вычислений. Поэтому они добавляют к проблеме ограничения на время обучения и память. И последнее, но не менее важное: поскольку суммирование представляет собой алгоритм «черного ящика», точный вклад предикторов в окончательный результат не может быть раскрыт явно.
Это означает, что укладываемые (ансамблевые) модели страдают от недостатка интерпретируемости. Было разработано несколько инструментов для понимания подобранной функции и повышения интерпретируемости моделей машинного обучения, например, график частичной зависимости (PDP) и важность перестановочной переменной [113]. Частичные графики — это интуитивно понятный и простой для понимания метод визуализации, позволяющий показать предельное влияние каждого предиктора на ответ [113,114]. Однако существуют ограничения в использовании PDP, например, PDP имеют смысл, когда входные коварианты не сильно коррелированы [113], а кривая отклика не учитывает взаимодействие между ковариатами и более значима для аддитивных моделей [114].Входные данные содержат составных моделей (т. Е. Повторно сканированное исходное ковариатное пространство и прогноз наших шести моделей) имеют высокую степень корреляции (высокая корреляция между прогнозами различных моделей) и высокий уровень взаимодействия (как прогнозирование каждая модель напрямую зависит от повторно отсканированного исходного ковариатного пространства).
Таким образом, использование PDP может быть не очень разумным для оценки подобранной функции составных моделей. Это один из недостатков использования суммирования моделей, поскольку этот метод чрезвычайно затрудняет интерпретацию моделей.Добавление ковариантного пространства повторного сканирования также вызывает дополнительные трудности при интерпретации модели. В целом, интерпретируемость моделей машинного обучения в реальных задачах, таких как цифровое картографирование почв, по-прежнему остается проблемой, на которой необходимо сосредоточиться в будущем.3.5. Характеристики моделей машинного обучения в двух различных климатических регионах
Вертикальное распределение значений R 2 , nRMSE и RPIQ на глубине 200 см показано на Рисунке 7. В целом, на двух площадках наблюдалась тенденция к снижению R 2 и Значения RPIQ с увеличением глубины.В противном случае процент вариации содержания SOC, который описывается моделями, уменьшался с увеличением глубины.
Также была выявлена обратная тенденция для nRMSE (рисунок 7). Результаты показывают, что производительность моделей снижается с каждым приращением глубины вниз по профилю почвы, и подтверждают, что модели имеют гораздо лучшую эффективность прогнозирования для поверхностных слоев, чем для подземных слоев. Об увеличении неопределенности содержания SOC с глубиной сообщалось в многочисленных исследованиях [24]. Например, Laub et al.[115] обнаружили, что эффективность моделей ML, используемых для прогнозирования SOC в Китае, снизилась с 0,8 в верхнем слое почвы до 0,2 на глубине 0,8–1 м. О подобной модели изменения неопределенности с глубиной сообщалось в нескольких других исследованиях [22]. Эта тенденция к снижению показателей может быть объяснена тем фактом, что большинство ковариат на основе рельефа и RS, которые используются в качестве предикторов содержания SOC (перечисленных в таблице 2), объясняют особенности и процессы поверхности почвы [9] и, например, вертикальные гидрологические процессы или биотурбация менее объяснены; следовательно, используемые ковариаты не могут уловить подземные вариации SOC.
В соответствии со всеми показателями эффективности на Рисунке 7 (R 2 , nRMSE и RPIQ), все протестированные модели ML показали лучшие результаты для шести глубин почвы на субгумидном участке, чем на засушливом участке. Здесь мы сравниваем производительность лучших (Stack4), худших (Cubist) и AvNNet как модели с промежуточной производительностью с точки зрения R 2 , nRMSE и RPIQ. Stack4 дал значения R 2 на в среднем 0,73 и 0,69 для субгумидных и засушливых участков, соответственно.Значения R 2 для Cubist были 0,55 и 0,50, а для AvNNet 0,58 и 0,54 для тех же областей, что и для Stack4. Наши результаты, кроме того, показали, что Stack4, Cubist и AvNNet дали значения R 2 для субгумидного участка, которые были на ~ 9%, ~ 8% и ~ 5% выше, чем значения для засушливого участка. Разница в производительности моделей машинного обучения гораздо более очевидна, если мы рассмотрим значения nRMSE, в которых значения nRMSE, полученные Stack4, Cubist и AvNNet для засушливого сайта, были на ~ 25%, ~ 17% и ~ 2% больше, чем значения для субгумидного участка (рис.
7).Эти результаты показали, что модели ML лучше работали на шести интервалах глубин в субгумидном участке по сравнению с моделями, полученными на засушливом участке. Эти результаты могут быть частично объяснены большими различиями между территориями с точки зрения факторов почвообразования, что приводит к сложным взаимосвязям между содержанием SOC и ковариатами. Модели ML привели к снижению и увеличению тенденции R 2 , nRMSE и RPIQ соответственно. , с глубиной в двух областях (рис. 7). Как можно видеть, в верхних слоях (0-60 см) засушливые участки, как правило, имели самые высокие значения nRMSE, но с увеличением глубины точность моделей с точки зрения nRMSE, как правило, была почти одинаковой на обоих участках. .Это также показывает, что модели ML, такие как Stack4, основанные на ковариатах, используемых в этом исследовании, не могут уловить изменчивость содержания SOC в нижней части профилей почвы [7,54]. Это согласуется с результатами других исследователей [7,17,22,54], которые сообщили, что точность DSM снижалась с увеличением глубины.
Это указывает на то, что наибольшая неопределенность вызвана пространством ковариаций, а не выбором алгоритма машинного обучения, что может быть связано с уменьшением объясняющей силы ковариат окружающей среды вместе с увеличением глубины слоя почвы.Следует добавить, что типичные ковариаты, используемые в исследованиях DSM, — это ковариаты на основе RS и рельефа [10], которые могут характеризовать свойства почвы только на поверхности земли. Результаты этого исследования показывают, что еще предстоит проделать работу, чтобы улучшить точность модели для глубинного прогнозирования SOC. Более того, точность модели потенциально может быть улучшена за счет использования дополнительных переменных среды. Мы предполагаем, что реализация важных зависящих от масштаба ковариат местности, представляющих косвенные переменные, зависящие от климата (например,g., эффекты затенения высоких горных хребтов) или генерация ковариат, представляющих вертикальное распределение воды, будут влиять на точность прогнозов для более глубоких горизонтов (например, с использованием геофизических методов).
3,6. Пространственное распределение SOC
Пространственное распределение среднего, верхнего и нижнего пределов содержания SOC в засушливой зоне на шести интервалах глубин показано на Рисунке 8. Наблюдалась тенденция к снижению содержания SOC вниз по профилю почвы. Центральные части территории, как правило, имели наибольшее содержание SOC, что соответствует возделываемым площадям, в основном, под фисташковыми садами и пшеницей.Более того, топография этой области в основном плоская и расположена ниже по склону, что приводит к большему скоплению мелкозернистых материалов и воды. В засушливых районах из-за нехватки осадков необходимо орошение, чтобы обеспечить влажность почвы для выращивания сельскохозяйственных культур. Таким образом, орошаемое земледелие и топографические особенности в центральных частях способствуют увеличению количества растительности и, следовательно, большему количеству органических веществ накапливается в почве. Более низкое содержание SOC в других частях участка можно объяснить более высокой степенью уклона, что делает эти участки склонными к эрозии и большему расходу воды.
Кроме того, нехватка воды на этих территориях не компенсируется орошением. В соответствии с нашими результатами Wiesmeier et al. [52] предположили, что в небольших масштабах с аналогичными климатическими условиями растительность, землепользование и управление земельными ресурсами оказывают значительное влияние на уровень запасов ПОУ. В региональном масштабе климатические эффекты могут быть уравновешены сельскохозяйственными методами (например, внесением удобрений и орошением) [49]. Изображено пространственное распределение среднего, верхнего и нижнего пределов содержания SOC на субгумидном участке на шести интервалах глубин. на рисунке 8.Опять же, тенденция к снижению содержания SOC с глубиной показана на субгумидном участке. Карта пространственного распределения содержания ПОУ в верхнем слое выявила большее накопление ПОУ в северных частях, чем в других разрезах. Небольшой уклон северных частей делает эти районы благоприятными для большего накопления воды и, таким образом, приводит к плохому дренированию почв. Содержание SOC больше накапливается и меньше разлагается в слабо дренированных почвах. Mishra et al. [116] сообщили, что высокие запасы ПОУ были обнаружены в районах, характеризующихся низким уклоном склонов и плохо дренированными почвами.Wiesmeier et al. [52] указали, что участки с небольшим уклоном и вогнутой поверхностью способствуют накоплению воды. Влажность почвы, которая в значительной степени определяется характеристиками местности, влияет на пространственное распределение содержания SOC [117].

06.1981 г. № 044)
ru
МОСКВА УЛ. АКАДЕМИКА ЯНГЕЛЯ 6 КОРП. 1
Подбираются в зависимости от длины и веса лодки
Принимая во внимание, что большинство других алгоритмов выбора переменных следуют минимально оптимальному методу, когда они полагаются на небольшое подмножество функций, что дает минимальную ошибку для выбранного классификатора.
Если количество независимых переменных в исходных данных меньше 5, создайте не менее 5 копий, используя существующие переменные.