Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 3. С. 121-135
Определение содержания органического вещества почвы Минской области Беларуси на основе классификаторов градиентного бустинга спутниковых данных
А.Н. Червань
1 , Б. Чжао
1 1 Белорусский государственный университет, Минск, Беларусь
Одобрена к печати: 17.03.2025
DOI: 10.21046/2070-7401-2025-22-3-121-135
Одним из основных показателей проявления процессов деградации почв сельскохозяйственных земель является потеря содержания органического вещества (ОВ) почвы. Поэтому актуальны методики контроля пространственного и временного распределения ОВ как с экологической, так и с экономической точки зрения. В настоящее время данные дистанционного зондирования, в частности набор спутниковых снимков Sentinel-2, могут быть использованы для определения содержания ОВ в поверхностном гумусово-аккумулятивном горизонте почв пахотных земель. Целью данного исследования является использование данных Sentinel-2 и данных полевого почвенного картирования в Беларуси для анализа пространственной точности оценки содержания ОВ и результатов автоматизированного дешифрирования спутниковых снимков на примере Минской области Беларуси. Использован ряд аналитических методов, включая выбор репрезентативных спектральных каналов в качестве входных данных модели, с применением корреляционного анализа Спирмена и классификаторов градиентного бустинга для моделирования в геоинформационных системах. Предлагаемый подход оценивается с позиции достижения высокоточной и быстрой инверсии и пространственного анализа содержания ОВ в генетических типах почв. Точность инверсионной модели оценивалась с использованием независимой базы данных валидации. Результаты пространственного анализа показали, что в модели, основанной на снимках Sentinel-2 в диапазонах B6, B7, B8, B8A и B12, наиболее эффективно применяются производные второго порядка. Модель инверсии отразила самую высокую точность (минимум 93,8 % при среднем 96,2 %), ошибка RMSE составила 0,31, коэффициент Каппа — 0,985. Самое низкое содержание ОВ в пахотных почвах характерно для Березинского района, а самое высокое — для Любанского и Солигорского районов, отличающихся значительной долей гидротехнически мелиорированных сельскохозяйственных земель.
Ключевые слова: дистанционное зондирование, Sentinel-2, содержание органического вещества в почве, данные дистанционного зондирования, классификатор градиентного бустинга
Полный текстСписок литературы:
- Клебанович Н. В., Прокопович С. Н., Харламова Е. В. Опыт составления почвенных карт Беларуси в международной системе WRB // Земля Беларуси. 2011. № 2. С. 41–47.
- Лапа В. В., Черныш А. Ф., Азаренок Т. Н. и др. Атлас почв сельскохозяйственных земель Республики Беларусь. Минск: ИВЦ Минфина, 2017. 170 с.
- Романова Т. А. Диагностика почв Беларуси и их классификация в системе ФАО-WRB. Минск: Ин-т почвоведения и агрохимии НАН Беларуси, 2004. 428 с.
- Червань А. Н., Цыбулько Н. Н., Яцухно В. М. Методические подходы и практическое применение результатов оценки деградации земель/почв Беларуси // Изв. РАН. Сер. геогр. 2022. Т. 86. № 1. С. 55–68. DOI: 10.31857/S2587556622010058.
- Ahmed Z., Iqbal J. Evaluation of Landsat TM5 multispectral data for automated mapping of surface soil texture and organic matter in GIS // European J. Remote Sensing. 2014. V. 47. No. 1. P. 557–573. DOI: 10.5721/EuJRS20144731.
- Anantha Natarajan V., Sunil Kumar M., Tamizhazhagan V., Chevdumoi R. M. Prediction of soil pH from remote sensing data using gradient boosted regression analysis // J. Pharmaceutical Negative Results. 2022. V. 13. Spec. Iss. 6. P. 29–36. DOI: 10.47750/pnr.2022.13.S06.005.
- Castaldi F., Chabrillat S., Don A., van Wesemael B. Soil organic carbon mapping using LUCAS topsoil database and Sentinel-2 data: An approach to reduce soil moisture and crop residue effects // Remote Sensing. 2019. V. 11. No. 18. Article 2121. DOI: 10.3390/rs11182121.
- Chen D., Chang N., Xiao J. et al. Mapping dynamics of soil organic matter in croplands with MODIS data and machine learning algorithms // Science of the Total Environment. 2019. V. 669. P. 844–855. DOI: 10.1016/j.scitotenv.2019.03.151.
- Demir S., Sahin E. K. An investigation of feature selection methods for soil liquefaction prediction based on tree-based ensemble algorithms using AdaBoost, gradient boosting, and XGBoost // Neural Computing and Applications. 2023. V. 35. No. 4. P. 3173–3190. DOI: 10.1007/s00521-022-07856-4.
- Diek S., Fornallaz F., Schaepman M. E., De Jong R. Barest Pixel Composite for agricultural areas using Landsat time series // Remote Sensing. 2017. V. 9. No. 12. Article 1245. DOI: 10.3390/rs9121245.
- Guo Y. K., Zeng F., Ding M. Q. et al. Research on SPOT-5 image-based soil organic matter content estimation // Applied Mechanics and Materials. 2013. V. 409–410. P. 246–251. DOI: 10.4028/www.scientific.net/AMM.409-410.246.
- Habibi L. N., Komariah K., Ariyanto D. P. et al. Estimation of soil organic matter on paddy field using remote sensing method // SAINS TANAH — J. Soil Science and Agroclimatology. 2019. V. 16. No. 2. P. 159–168. DOI: 10.20961/stjssa.v16i2.35395.
- Kang T.-H., Choi S.-W., Lee C., Chang S.-H. Soil classification by machine learning using a tunnel boring machine’s operating parameters // Applied Sciences. 2022. V. 12. No. 22. Article 11480. DOI: 10.3390/app122211480.
- Li X., Ding J., Liu J. et al. Digital mapping of soil organic carbon using Sentinel series data: A case study of the Ebinur Lake watershed in Xinjiang // Remote Sensing. 2021. V. 13. No. 4. Article 769. DOI: 10.3390/rs13040769.
- Liu H. J., Zhang M. W., Yang H. X. et al. Invertion of cultivated soil organic matter content combining multi-spectral remote sensing and random forest algorithm // Trans. Chinese Society of Agricultural Engineering. 2020. V. 36. No. 10. P. 134–140. DOI: 10.11975/j.issn.1002-6819.2020.10.016.
- Pan H., Chen Z., de Wit A., Ren J. Joint assimilation of leaf area index and soil moisture from Sentinel-1 and Sentinel-2 data into the WOFOST model for winter wheat yield estimation // Sensors. 2019. V. 19. No. 14. Article 3161. DOI: 10.3390/s19143161.
- Sahin E. K. Comparative analysis of gradient boosting algorithms for landslide susceptibility mapping // Geocarto Intern. 2022. V. 37. No. 9. P. 2441–2465. DOI: 10.1080/10106049.2020.1831623.
- Tang S., Du C., Nie T. Inversion estimation of soil organic matter in Songnen Plain based on multispectral analysis // Land. 2022. V. 11. No. 5. Article 608. DOI: 10.3390/land11050608.
- Tziachris P., Aschonitis V., Chatzistathis T., Papadopoulou M. Assessment of spatial hybrid methods for predicting soil organic matter using DEM derivatives and soil parameters // CATENA. 2019. V. 174. P. 206–216. DOI: 10.1016/j.catena.2018.11.010.
- Vaudour E., Gomez C., Loiseau T. et al. The impact of acquisition date on the prediction performance of topsoil organic carbon from Sentinel-2 for croplands // Remote Sensing. 2019. V. 11. No. 18. Article 2143. DOI: 10.3390/rs11182143.
- Wang X., Han J., Wang X. et al. Estimating soil organic matter content using Sentinel-2 imagery by machine learning in Shanghai // IEEE Access. 2021. V. 9. P. 78215–78225. DOI: 10.1109/ACCESS.2021.3080689.
- Yang R., Rossiter D. G., Liu F. et al. Predictive mapping of topsoil organic carbon in an Alpine environment aided by Landsat TM // PLOS One. 2015. V. 10. No. 10. Article e0139042. DOI: 10.1371/journal.pone.0139042.
- Ye Z., Sheng Z., Liu X. et al. Using machine learning algorithms based on GF-6 and Google Earth Engine to predict and map the spatial distribution of soil organic matter content // Sustainability. 2021. V. 13. No. 24. Article 14055. DOI: 10.3390/su132414055.
- Yin H., Chen C., He Y. et al. Synergistic estimation of soil salinity based on Sentinel-1 image texture and Sentinel-2 salinity spectral indices // J. Applied Remote Sensing. 2023. V. 17. No. 1. Article 018502. DOI: 10.1117/1.JRS.17.018502.
- Zhang L., Wang L. Optimization of site investigation program for reliability assessment of undrained slope using Spearman rank correlation coefficient // Computers and Geotechnics. 2023. V. 155. Article 105208. DOI: 10.1016/j.compgeo.2022.105208.
- Zhang M., Zhang M., Yang H. et al. Mapping regional soil organic matter based on Sentinel-2A and MODIS imagery using machine learning algorithms and Google Earth Engine // Remote Sensing. 2021. V. 13. No. 15. Article 2934. DOI: 10.3390/rs13152934.
- Zhou T., Geng Y., Chen J. et al. High-resolution digital mapping of soil organic carbon and soil total nitrogen using DEM derivatives, Sentinel-1 and Sentinel-2 data based on machine learning algorithms // Science of the Total Environment. 2020. V. 729. Article 138244. DOI: 10.1016/j.scitotenv.2020.138244.
- Zhou T., Geng Y., Ji C. et al. Prediction of soil organic carbon and the C:N ratio on a national scale using machine learning and satellite data: A comparison between Sentinel-2, Sentinel-3 and Landsat-8 images // Science of the Total Environment. 2021. V. 755. Article 142661. DOI: 10.1016/j.scitotenv.2020.142661.