À cette étape de la cartographie, les informations pédologiques collectées de manière ponctuelle sont interpolées sur la surface, et des cartes sont établies. Les cartographes disposent pour cela de plusieurs méthodes. Dans la cartographie classique, des cartes de polygones sont élaborées directement sur le terrain à partir de sondages et des caractéristiques du site. À cela s’ajoutent aujourd’hui des méthodes mathématiques et statistiques qui sont de plus en plus souvent utilisées au niveau international pour la production de cartes. Ce sont ces méthodes que nous appliquons et optimisons dans nos projets pilotes du CCSols.
La modélisation et régionalisation spatiales des données pédologiques relevées en un point donné permettent de générer des cartes tramées (raster) et des cartes de polygones pour diverses propriétés et paramètres pédologiques. On utilise à cet effet des méthodes mathématiques et statistiques issues du domaine de la pédométrie. Parmi celles-ci figurent notamment des méthodes géostatistiques, des approches de régression et de classification ainsi que des méthodes issues du domaine de l’intelligence artificielle (apprentissage automatique). Selon les besoins, une carte tramée et/ou une carte de polygones est produite pour chaque propriété et chaque paramètre pédologique. Pour certaines propriétés pédologiques, des cartes tramées sont également générées à différents niveaux de profondeur. Vous trouvez des exemples dans le rapport sur le premier projet pilote du CCSols à Diemerswil.
Les cartes de base ainsi établies servent de point de départ pour différentes évaluations destinées aux utilisateurs (cartes thématiques). Les cartes tramées et de polygones sont reproductibles et peuvent être mises à jour de manière efficace lorsque de nouvelles informations pédologiques sont disponibles. Outre des prévisions pour une propriété pédologique donnée, il est possible de donner des indications sur la fiabilité de l’évaluation. L’intégration de nouvelles méthodes dans le déroulement d’une cartographie des sols fonctionne surtout lorsque celles-ci complètent des éléments éprouvés de la cartographie de terrain actuelle.
Bibliographie complémentaire
Baltensweiler, A.; et al. 2021. Machine learning based soil maps for a wide range of soil properties for the forested area of Switzerland. Geoderma Regional, 27(13), e00437 https://doi.org/10.1016/j.geodrs.2021.e00437
Behrens T., K. Schmidt, A. Keller. 2017. Factsheets Digital Soil Mapping.
Behrens, T., Schmidt, K., MacMillan, R.A., Viscarra Rossel, R. (2018): Multi-scale Digital Soil Mapping with deep learning. Scientific Reports 8: 15244.
Chen et al. 2022. Digital mapping of GlobalSoilMap soil properties at broad scale: A review. Geoderma 409, 115567.
Greve et al. 2022. Soil mapping and priorities in Denmark. Geoderma Regional 29. https://doi.org/10.1016/j.geodrs.2022.e00527
Nussbaum, M., et al. 2018. Evaluation of digital soil mapping approaches with large sets of environmental covariates. Soil 4 (1), 1–22. https://doi.org/10.5194/soil-4-1-2018.
Oechslin S. et al. 2022. Bodenkartierung St. Galler Rheintal (en allemand). Berner Fachhochschule BFH-HAFL. Forschungsgruppe Bodennutzung und Bodenschutz. Länggasse 85, CH-3052 Zollikofen. S. 84 plus Anhang
