Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 4. С. 253-266
Автоматизированная классификация поверхности терруаров по паттернам спутниковых спектрограмм и базам почвенных проб
В.А. Орлов
1 , А.А. Лукьянов
1 1 Анапская зональная опытная станция виноградарства и виноделия — филиал ФГБНУ «Северо-Кавказский федеральный научный центр садоводства, виноградарства, виноделия», Анапа, Россия
Одобрена к печати: 24.06.2025
DOI: 10.21046/2070-7401-2025-22-4-253-266
Почвенные характеристики и климатические условия во многом определяют продуктивность и органолептические свойства винограда в пределах терруара. Терруары играют важную роль в сельском хозяйстве, особенно в виноградарстве, однако их типизация остаётся сложной задачей. Традиционные методы исследования почв, основанные на лабораторном анализе, требуют значительных трудозатрат, особенно при обследовании крупных территорий. В настоящем исследовании применяется метод автоматизированной классификации почвенных признаков терруаров на основе анализа паттернов нормализованных спектральных индексов в точках отбора почвенных проб. Для расчёта вегетационных и почвенных индексов использовались мультиспектральные данные дистанционного зондирования со спутника Sentinel-2 в сочетании с результатами агрохимического анализа. Обработка данных выполнялась с применением алгоритма случайного леса RF (англ. Random Forest), что обеспечило точность классификации на уровне 85–90 %. Спектральные индексы, отражающие содержание гумуса, глины, песка, щебня, солей, влажности и текстурные особенности почвы, рассчитывались на основе спектральных каналов Sentinel-2. Картографирование паттернов почвенной неоднородности выполнялось с использованием алгоритмов машинного обучения, реализованных в облачной платформе GEE (англ. Google Earth Engine). Показаны примеры успешного применения мультиспектральных спутниковых данных и ГИС-технологий для анализа почв в различных виноградарских регионах — Италии, Калифорнии, Чили, Аргентине и Краснодарском крае России. Результаты исследования позволяют выделять почвенные участки с различными физико-химическими свойствами, существенно влияющими на урожайность и качество винограда. Предлагаемый подход открывает новые возможности для автоматизированного мониторинга терруаров, сокращает затраты на полевые исследования и предоставляет виноградарям инструменты для оптимизации агротехники. Исследование подтверждает высокую эффективность использования пороговых значений спектральных индексов в сочетании с алгоритмом RF для цифровой классификации почвенной поверхности в агрономических задачах.
Ключевые слова: терруар, спектральные паттерны, спутниковая спектрограмма, дистанционное зондирование, почвенные пробы, машинное обучение, классификация
Полный текстСписок литературы:
- Вечеров В. В. Применение автоматизированного дешифрирования данных Sentinel-2 для создания актуализированных карт-схем страт ГИЛ на территории труднодоступных районов Российской Федерации // Лесохоз. информация. 2019. № 2. С. 5–14. DOI: 10.24419/LHI.2304-3083.2019.2.01.
- Лапа В. В., Матыченков Д. В., Азаренок Т. Н. Информационная система учета динамики и прогноза свойств почвенного покрова // Почвоведение и агрохимия. 2019. № 2(63). С. 7–15.
- Лукьянов А. А., Петров В. С., Денисова Т. А. База данных карбонатных почв Анапского района Краснодарского края. Свидетельство о регистрации базы данных RU2020621941. 2020. Рег. 12.10.2020.
- Орлов В. А., Лукьянов А. А. Оценочные признаки виноградопригодных земель по спектральным паттернам // Вестн. Казанского гос. аграрного ун-та. 2023. № 1(69). С. 29–37.
- Орлов В. А., Лукьянов А. А., Михайловская О. И. Определение морфометрических показателей почвенной поверхности виноградного насаждения по спектральным каналам спутниковых изображений // Аграрная наука. 2024. № 10. С. 159–164. DOI: 10.32634/0869-8155-2024-387-10-159-164.
- Павлова А. И. Применение вегетационных индексов для цифрового почвенного картографирования на основе космических снимков Sentinel-2 // Siberian J. Life Sciences and Agriculture. 2021. Т. 13. № 6. С. 119–131. DOI: 10.12731/2658-6649-2021-13-6-119-131.
- Прудникова Е. Ю., Савин И. Ю., Грубина П. Г. Спутниковая оценка агрономически важных свойств пахотных почв с учетом состояния их поверхности // Бюл. Почвенного ин-та имени В. В. Докучаева. 2023. № 115. С. 129–159. https://doi.org/10.19047/0136-1694-2023-115-129-159.
- Савин И. Ю., Савенкова Е. В., Кучер Д. Е. и др. Оценка контрастности почвенного покрова пахотных угодий по спутниковым данным Sentinel-2 // Почвоведение. 2021. № 11. С. 1295–1305. DOI: 10.31857/S0032180X21110125.
- Тимиргалеева Р. Р., Гришин И. Ю., Рыбалко Е. А. Анализ методов дистанционной диагностики плодородия виноградных агроценозов // Дистанционные образовательные технологии: Материалы 4-й Всероссийской научно-практической конф. (с международным участием) / под ред. В. Н. Тарана. Ялта: ООО «Изд-во Типография «Ариал», 2019. С. 331–338.
- Хитров Н. Б., Горохова И. Н., Панкова Е. И. Дистанционная диагностика содержания карбонатов в орошаемых почвах сухостепной зоны Волгоградской области // Почвоведение. 2021. № 6. С. 657–674. DOI: 10.31857/S0032180X21060071.
- Ammoniaci M., Kartsiotis S.-P., Perria R., Storchi P. State of the art of monitoring technologies and data processing for precision viticulture // Agriculture. 2021. V. 11. No. 3. Article 201. DOI: 10.3390/agriculture11030201.
- Bartholomeus H. M., Schaepman M. E., Kooistra L. et al. Spectral reflectance based indices for soil organic carbon quantification // Geoderma. 2008. V. 145. No. 1–2. P. 28–36. DOI: 10.1016/j.geoderma.2008.01.010.
- Becker S. J., Maloney M. C., Griffin A. W. H. et al. Bare ground classification using a spectral index ensemble and machine learning models optimized across 12 international study sites // Geocarto Intern. 2025. V. 40. No. 1. Article 2465452. DOI: 10.1080/10106049.2025.2465452.
- Ben-Dor E., Chabrillat S., Demattê J. A. M., Taylor G. R., Hill J., Whiting M. L., Sommer S. Using imaging spectroscopy to study soil properties // Remote Sensing of Environment. 2009. V. 113. P. S38–S55.
- Caruso G., Palai G. Assessing grapevine water status using Sentinel-2 images // Italus Hortus. 2023. V. 30. P. 70–79. DOI: 10.26353/j.itahort/2023.3.7079.
- Crespo N., Pádua L., Santos J. A., Fraga H. Satellite remote sensing tools for drought assessment in vineyards and olive orchards: A systematic review // Remote Sensing. 2024. V. 16. No. 11. Article 2040. DOI: 10.3390/rs16112040.
- de Campos Assunção J. M. S. Terrain classification using machine learning algorithms in a multi-temporal approach: Dissertação para obtenção do Grau de Mestre em Engenharia Eletrotécnica e de Computadores. Universidade NOVA de Lisboa, 2021. 24 p.
- Eslava Lecumberri F. J., Jiménez Ballesta R. Delineating vineyard management zones: Intrafield spatial variability of soil properties of carbonate vineyard soils // European J. Soil Science. 2024. V. 75. No. 6. Article e70029. DOI: 10.1111/ejss.70029.
- Gomez C., Vaudour E., Féret J.-B. et al. Topsoil clay content mapping in croplands from Sentinel-2 data: Influence of atmospheric correction methods across a season time series // Geoderma. 2022. V. 423. Article 115959. DOI: 10.1016/j.geoderma.2022.115959.
- Gorelick N., Hancher M., Dixon M. et al. Google Earth Engine: Planetary scale geospatial analysis for everyone // Remote Sensing of Environment. 2017. V. 202. P. 18–27. DOI: 10.1016/j.rse.2017.06.031.
- Hall A. Remote sensing applications for viticultural terroir analysis // Elements: An Intern. Magazine of Mineralogy, Geochemistry, and Petrology. 2018. V. 14. No. 3. P. 185–190. DOI: 10.2138/gselements.14.3.185.
- Hall A., Lamb D. W., Holzapfel B. P., Louis J. The use of remote sensing and GIS technologies to monitor and manage vineyard uniformity // Australian J. Grape and Wine Research. 2002. V. 8. No. 2. P. 163–174. DOI: 10.1111/j.1755-0238.2002.tb00208.x.
- Lasko K., O’Neill F. D., Sava E. Automated mapping of land cover type within international heterogenous landscapes using Sentinel-2 imagery with ancillary geospatial data // Sensors. 2024. V. 24. No. 5. Article 1587. DOI: 10.3390/s24051587.
- Mucalo A., Matić D., Morić-Španić A., Čagalj M. Satellite solutions for precision viticulture: Enhancing sustainability and efficiency in vineyard management // Agronomy. 2024. V. 14. No. 8. Article 1862. DOI: 10.3390/agronomy14081862.
- Mulder V. L., Bartholomeus H., van der Werff H. et al. Estimating soil organic carbon across an agricultural area in the Netherlands using hyperspectral reflectance data // Soil Science Society of America J. 2011. V. 75. No. 6. P. 2215–2225. DOI: 10.2136/sssaj2011.0052.
- Ortuani B., Mayer A., Bianchi D. et al. Effectiveness of management zones delineated from UAV and Sentinel-2 data for precision viticulture applications // Remote Sensing. 2024. V. 16. No. 4. Article 635. DOI: 10.3390/rs16040635.
- Parra F., González J., Chacón M., Marín M. Modeling and evaluation of the susceptibility to landslide events using machine learning algorithms in the province of Chañaral, Atacama region, Chile // Sustainability. 2023. V. 15. No. 24. Article 16806. DOI: 10.3390/su152416806.
- Puig-Sirera À., Antichi D., Raffa D. W., Rallo G. Application of remote sensing techniques to discriminate the effect of different soil management treatments over rainfed vineyards in Chianti terroir // Remote Sensing. 2021. V. 13. No. 4. Article 716. DOI: 10.3390/rs13040716.
- Ramos T. B., Castanheira N., Oliveira A. R. et al. Soil salinity assessment using vegetation indices derived from Sentinel-2 multispectral data: application to Lezíria Grande, Portugal // Agricultural Water Management. 2020. V. 241. Article 106387. DOI: 10.1016/j.agwat.2020.106387.
- Secu C. V., Stoleriu C. C., Lesenciuc C. D., Ursu A. Normalized Sand index for identification of bare sand areas in temperate climates using Landsat images, application to the South of Romania // Remote Sensing. 2022. V. 14. No. 15. Article 3802. DOI: 10.3390/rs14153802.
- Simón Sánchez A. M., González-Piqueras J., de la Ossa L., Calera A. Convolutional neural networks for agricultural land use classification from Sentinel-2 image time series // Remote Sensing. 2022. V. 14. No. 21. Article 5373. DOI: 10.3390/rs14215373.
- Thaler E. A., Larsen I. J., Yu Q. A new index for remote sensing of soil organic carbon based solely on visible wavelengths // Soil Science Society of America J. 2019. V. 83. No. 5. P. 1443–1450. DOI: 10.2136/sssaj2018.09.0318.
- Van Leeuwen C., Seguin G. The concept of terroir in viticulture // J. Wine Research. 2006. V. 17. No. 1. P. 1–10. DOI: 10.1080/09571260600633135.
- Wang Q., Liu X., Li Z. Hyperspectral remote sensing for soil organic carbon estimation in vineyards: A review // Sensors. 2020. V. 20. No. 19. Article 5548. DOI: 10.3390/s20195548.
- Zeyada A. M., Al-Gaadi K. A., Tola E. K. et al. Sentinel-2 satellite imagery application to monitor soil salinity and calcium carbonate contents in agricultural fields // Phyton. 2023. V. 92. No. 5. DOI: 10.32604/phyton.2023.027267.