Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 3. С. 131-144
Потенциальные возможности дистанционного детектирования параметров плодородия пахотных почв на основе спектральной отражательной способности их поверхности и данных о её температуре
Е.Ю. Прудникова
1 , И.Ю. Савин
1 1 Почвенный институт им. В.В. Докучаева, Москва, Россия
Одобрена к печати: 15.05.2024
DOI: 10.21046/2070-7401-2024-21-3-131-144
Спутниковая оценка свойств пахотных почв основана на связи между ними и спектральной отражательной способностью их поверхности. Детектирование параметров плодородия пахотных почв по дистанционным данным осложняется тем, что не все из этих параметров оказывают непосредственное влияние на спектральную отражательную способность почв. Рассматривается информативность различных наборов спектральных параметров оптического и теплового диапазонов для детектирования параметров плодородия пахотных почв на примере тестового поля с выщелоченными чернозёмами, расположенного в Серебряно-Прудском р-не Московской обл. При этом анализируется как открытая поверхность почв, так и посевы. Наилучшие модели при применении наиболее часто используемых спектральных индексов и отношений, рассчитываемых на основе данных оптического диапазона (Rcv2 — коэффициент детерминации по результатам кросс-валидации и RPIQ (англ. Ratio of Performance to Interquartile Range) — отношение межквартильного размаха к среднеквадратической ошибке предсказания), были получены для содержания органического вещества в почвах (Rcv2 = 0,50, RPIQ = 1,84) и для массовой доли соединений фосфора (Rcv2 = 0,49, RPIQ = 1,16). При совместном использовании данных оптического и теплового диапазона в некоторых случаях были получены модели более высокой точности и предсказательной способности. Для содержания органического вещества Rcv2 увеличился до 0,64, RPIQ — до 2,23, а для массовой доли соединений фосфора Rcv2 увеличился до 0,53, RPIQ — до 1,33. Привлечение дополнительного набора параметров в оптическом диапазоне, включающего 102 варианта комбинаций, позволило получить модели для всех анализируемых свойств с Rcv2 лучших моделей в районе 0,72–0,87 и RPIQ в районе 1,52–3,34. Кроме того, для ряда свойств удалось получить достоверные модели с высокой предсказательной способностью только после привлечения дополнительного набора параметров. В целом спектральная отражательная способность открытой поверхности почв оказалась более информативной, чем спектральная отражательная способность посевов озимой пшеницы в стадии всходов.
Ключевые слова: параметры плодородия пахотных почв, спектральная отражательная способность, оптический диапазон, температура поверхности почв, Sentinel-2
Полный текстСписок литературы:
- ГОСТ 26423-85. Почвы. Методы определения удельной электрической проводимости, pH и плотного остатка водной вытяжки. М.: Стандартинформ, 2011. 4 с.
- ГОСТ 26483-85. Почвы. Приготовление солевой вытяжки и определение ее pH по методу ЦИНАО. М.: Изд-во стандартов, 1985. 5 с.
- ГОСТ 26213-84. Почвы. Методы определения органического вещества. М.: Изд-во стандартов, 1992. 6 с.
- ГОСТ Р 54650-2011. Почвы. Определение подвижных соединений фосфора и калия по методу Кирсанова в модификации ЦИНАО. М.: Стандартинформ, 2013. 7 с.
- ГОСТ 26210-91. Почвы. Определение обменного калия по методу Масловой. М.: Изд-во стандартов, 1992. 4 с.
- ГОСТ 26951-86. Почвы. Определение нитратов ионометрическим методом. М.: Изд-во стандартов, 1986. 7 с.
- ГОСТ 26107-84, п. 4.1. Почвы. Методы определения общего азота. М.: Изд-во стандартов, 1984. 8 с.
- Грубина П. Г., Савин И. Ю., Прудникова Е. Ю. Возможности использования данных тепловой съемки для детектирования основных параметров плодородия пахотных почв // Бюл. Почвенного ин-та имени В. В. Докучаева. 2020. № 105. С. 146–172. https://doi.org/10.19047/0136-1694-2020-105-146-172.
- Кирьянова Е. Ю., Савин И. Ю. Неоднородность посевов, определяемая по спутниковым данным MODIS, как индикатор контрастности почвенного покрова // Докл. Российской акад. с.-х. наук. 2013. № 3. С. 36–39.
- Курганова И. Н., Типе Р. Влияние процессов промерзания-оттаивания на дыхательную активность почв // Почвоведение. 2003. № 9. С. 1095–1105.
- Методические указания по проведению комплексного мониторинга плодородия почв земель сельскохозяйственного назначения. М.: ФГНУ «Росинформагротех», 2003. 240 с.
- Орлов Д. С., Бирюкова О. Н., Рыжова И. М. Зависимость запасов гумуса от продолжительности периода биологической активности почв // Почвоведение. 1997. № 7. С. 818–822.
- Орлов Д. С., Суханова Н. И., Розанова М. С. Спектральная отражательная способность почв и их компонентов. М.: Изд-во МГУ, 2001. 176 с.
- Прудникова Е. Ю., Савин И. Ю., Грубина П. Г. Спутниковая оценка агрономически важных свойств пахотных почв с учетом состояния их поверхности // Бюл. Почв. ин-та им. В. В. Докучаева. 2023. № 115 С. 129–159. DOI: 10.19047/0136-1694-2023-115-129-159.
- Руководство по лабораторным методам исследования ионно-солевого состава нейтральных и щелочных минеральных почв / Под ред. Н. Б. Хитрова, А. А. Понизовского. М.: Почв. ин-т им. В. В. Докучаева, 1990. 235 с.
- Савин И. Ю., Виндекер Г. В. Некоторые особенности использования оптических свойств поверхности почв для определения их влажности // Почвоведение. 2021. № 7. С. 806–814. DOI: 10.31857/S0032180X21070121.
- Bellinaso H., Demattê J. A. M., Romeiro S. A. Soil spectral library and its use in soil classification // Revista Brasileira de Ciência do Solo. 2010. V. 34. P. 861–870. DOI: 10.1590/S0100-06832010000300027.
- Bulan R., Sitorus A. Vis-NIR spectra combined with machine learning for predicting soil nutrients in cropland from Aceh Province, Indonesia // Case Studies in Chemical and Environmental Engineering. 2022. V. 6. Article 100268. DOI: 10.1016/j.cscee.2022.100268.
- Demattê J. A., Ramirez-Lopez L., Marques K. P. P., Rodella A. A. Chemometric soil analysis on the determination of specific bands for the detection of magnesium and potassium by spectroscopy // Geoderma. 2017. V. 288. P. 8–22. https://doi.org/10.1016/j.geoderma.2016.11.013
- Fang Q., Hong H., Zhao L. et al. Visible and near-infrared reflectance spectroscopy for investigating soil mineralogy: A review // J. Spectroscopy. 2018. V. 2018. P. 1–14. DOI: 10.1155/2018/3168974.
- Gholizadeh A., Saberioon M., Carmon N. et al. Examining the performance of PARACUDA-II data-mining engine versus selected techniques to model soil carbon from reflectance spectra // Remote Sensing. 2018. V. 10(8). Article 1172. DOI: 10.3390/rs10081172.
- Kuang B., Mahmood H. S., Quraishi M. Z. et al. Sensing soil properties in the laboratory, in situ, and on-line: a review // Advances in Agriculture. 2012. V. 114. P. 155–223. DOI: 10.1016/B978-0-12-394275-3.00003-1.
- Lesaignoux A., Fabre S., Briottet X., Olioso A., Belin E. Influence of surface soil moisture on spectral reflectance of bare soil in the 0.4–15 μm domain // Geosciences and Remote Sensing Letters. 2011. V. 8(1). P. 143–147.
- Mouazen A. M., Kuang B. On-line visible and near infrared spectroscopy for in-field phosphorous management // Soil and Tillage Research. 2016. V. 155. P. 471–477. DOI: 10.1016/j.still.2015.04.003.
- Prudnikova E., Savin I. Some peculiarities of arable soil organic matter detection using optical remote sensing data // Remote Sensing. 2021. V. 13(12). Article 2313. DOI: 10.3390/rs13122313.
- Soriano-Disla J. M., Janik L. J., Rossel R. A. V. et al. The Performance of Visible, Near-, and Mid-Infrared Reflectance Spectroscopy for Prediction of Soil Physical, Chemical, and Biological Properties // Applied Spectroscopy Reviews. 2014. V. 49. P. 139–186. DOI: 10.1080/05704928.2013.811081.
- Stenberg B., Viscarra Rossel R. A., Mouazen A. M., Wetterlind J. Visible and near-infrared spectroscopy in soilscience // Advances in Agriculture. 2010. V. 107. P. 163–215. DOI: 10.1016/S0065-2113(10)07005-7.
- Trontelj ml. J., Chambers O. Machine learning strategy for soil nutrients prediction using spectroscopic method // Sensors. 2021. V. 21(12). Article 4208. DOI: 10.3390/s21124208.
- Viscarra Rossel R. A., Walvoort D. J. J., McBratney A. B. et al. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties // Geoderma. 2006. V. 131. P. 59–75. DOI: 10.1016/j.geoderma.2005.03.007.
- Wetterlind J., Stenberg B., Söderström M. Increased sample point density in farm soil mapping by local calibration of visible and near infrared prediction models // Geoderma. 2010. V. 156(3–4). P. 152–160.