Цифровая трансформация современного почвоведения открывает новые горизонты для применения передовых методов ассимиляции данных в создании высокоточных климатических полей. Интеграция глобальных реанализов с наземными наблюдениями представляет собой ключевую технологию для развития цифрового картографирования почв и систем их интеллектуального мониторинга. Целью исследования является разработка современной методологии ассимиляции климатических данных на основе машинного обучения и оптимальной интерполяции для создания высокоразрешающих пространственно-временных полей метеорологических параметров, адаптированных для задач цифрового почвоведения. Методология объединяет современные подходы обработки больших данных с классическими методами геостатистики. Использован реанализ ERA5-Land как фоновое поле с последующей ассимиляцией данных 521 метеостанции России методом оптимальной интерполяции с адаптивными весами. Разработан алгоритм восстановления пропущенных данных на основе ансамбля методов машинного обучения, включая случайный лес, градиентный бустинг и нейронные сети. Применена кросс-валидация с временным разделением для оценки качества прогнозирования. Созданный инновационный климатический продукт для России, с суточным разрешением и пространственной дискретностью 0.1° за 1980-2020 гг, представляет собой основу для создания систем оперативной ассимиляции климатических данных в цифровом почвоведении. Интеграция с технологиями дистанционного зондирования и методами искусственного интеллекта открывает перспективы создания интеллектуальных систем мониторинга почвенных ресурсов в режиме реального времени. Методология масштабируема и может быть адаптирована для глобального применения, способствуя развитию цифровых технологий в науках о Земле.

Работа выполнена при финансовой поддержке Министерства науки и высшего образования Российской Федерации (Соглашение № 075-15-2024-545 от 24 апреля 2024 года)