Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 5. С. 324-337
Картографирование открытых почв Минской области по данным Sentinel-2 на основе спектральных индексов
1 Белорусский государственный университет, Минск, Беларусь
Одобрена к печати: 30.07.2026
DOI: 10.21046/2070-7401-2026-23-5-324-337
Открытая почвенная поверхность — важный объект дистанционного зондирования сельскохозяйственных ландшафтов, однако её выделение затрудняется спектральным сходством с сухой растительностью, пожнивными остатками и светлыми антропогенными покрытиями. Для Беларуси методы картографирования открытых почв по данным Sentinel-2 изучены недостаточно. Цель работы — разработать и апробировать пороговый метод картографирования открытой почвенной поверхности Минской области на основе индексов BSI (англ. Bare Soil Index), NDVI (англ. Normalized Difference Vegetation Index) и NDBI (англ. Normalized Difference Built-up Index). Снимки Sentinel-2 Level-2A за 2024 г. обрабатывались в GEE (англ. Google Earth Engine) с маскированием облаков, теней, снега и невалидных наблюдений по слою SCL (англ. Scene Classification Layer); для выбора порогов проанализировано 27 их комбинаций. Рабочие условия: BSI > 0,18, NDVI < 0,20, NDBI < 0,20. Оценка, выполненная по 1000 контрольных точек для каждого из кварталов Q2–Q4, показала, что общая точность составила 88,8–89,6 %, F1-мера — 87,7–88,6 %, а коэффициент каппа — 0,775–0,792. Модель RF_index, использующая только BSI, NDVI и NDBI, и модель RF_full, включающая спектральные каналы Sentinel-2 и индексы, повысили общую точность до 90,4–92,0 и 91,9–93,2 % соответственно. Основная доля выявленных открытых поверхностей приходилась на пахотнопригодные земли, однако внутри этого класса их доля не превышала 1,0–1,6 %. Предложенный подход пригоден для регионального картографирования сезонно открытой почвенной поверхности при локальной калибровке порогов, проверке сезонной устойчивости и оценке точности по контрольным точкам.
Ключевые слова: Sentinel-2, открытая почвенная поверхность, дистанционное зондирование Земли, BSI, NDVI, NDBI, пороговая классификация, Random Forest, сельскохозяйственные ландшафты, Минская область
Полный текстСписок литературы:
- Антонов С. А., Скрипчинский А. В., Авдеев А. В. Применение данных дистанционного зондирования Земли для оценки деятельности сельскохозяйственных товаропроизводителей // С.-х. журн. 2018. № 4 (11). С. 6–11. DOI: 10.25930/9ywv-3r76.
- Генин В. А., Клебанович Н. В. Моделирование урожайности кукурузы и сои по данным дистанционного зондирования Земли // Вестн. Белорусской гос. с.-х. акад. 2018. № 4. С. 100–104.
- Земельно-информационная система Республики Беларусь. Порядок создания, ведения (эксплуатации и обновления): ТКП 610-2023 (33520). Минск: Государственный комитет по имуществу Республики Беларусь, 2023. 107 с.
- Кравцов С. Л., Привалов Ф. И., Голубцов Д. В., Лепесевич Е. В., Холодинский В. В., Булавина Т. М., Лапаник С. А., Гвоздов А. П. Перспективы применения дистанционного мониторинга в сельском хозяйстве Беларуси // Земледелие и селекция в Беларуси. 2017. Вып. 53. С. 4–12.
- Червань А. Н. Геоинформационная формализация и геостатистический анализ почвенного покрова Беларуси: учебно-метод. пособие. Минск: БГУ, 2025. 175 с.
- Червань А. Н., Чжао Б. Определение содержания органического вещества почвы Минской области Беларуси на основе классификаторов градиентного бустинга спутниковых данных // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 3. С. 121–135. DOI: 10.21046/2070-7401-2025-22-3-121-135.
- Ben-Dor E., Chabrillat S., Demattê J. A.M. et al. Using Imaging Spectroscopy to study soil properties // Remote Sensing of Environment. 2009. V. 113. P. S38–S55. DOI: 10.1016/j.rse.2008.09.019.
- Breiman L. Random Forests // Machine Learning. 2001. V. 45. No. 1. P. 5–32. DOI: 10.1023/A:1010933404324.
- Castaldi F. Sentinel-2 and Landsat-8 multi-temporal series to estimate topsoil properties on croplands // Remote Sensing. 2021. V. 13. No. 17. Article 3345. DOI: 10.3390/rs13173345.
- Congalton R. G., Green K. Assessing the accuracy of remotely sensed data: Principles and practices. 3rd ed. Boca Raton: CRC Press, 2019. 346 p. DOI: 10.1201/9780429052729.
- Demattê J. A.M., Fongaro C. T., Rizzo R., Safanelli J. L. Geospatial Soil Sensing System (GEOS3): A powerful data mining procedure to retrieve soil spectral reflectance from satellite images // Remote Sensing of Environment. 2018. V. 212. P. 161–175. DOI: 10.1016/j.rse.2018.04.047.
- Deng Y., Wu C., Li M., Chen R. RNDSI: A ratio normalized difference soil index for remote sensing of urban/suburban environments // Intern. J. Applied Earth Observation and Geoinformation. 2015. V. 39. P. 40–48. DOI: 10.1016/j.jag.2015.02.010.
- Drusch M., Del Bello U., Carlier S. et al. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services // Remote Sensing of Environment. 2012. V. 120. P. 25–36. DOI: 10.1016/j.rse.2011.11.026.
- Dvorakova K., Heiden U., Pepers K. et al. Improving soil organic carbon predictions from a Sentinel-2 soil composite by assessing surface conditions and uncertainties // Geoderma. 2023. V. 429. Article 116128. DOI: 10.1016/j.geoderma.2022.116128.
- 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.
- Griffiths P., Nendel C., Hostert P. Intra-annual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping // Remote Sensing of Environment. 2019. V. 220. P. 135–151. DOI: 10.1016/j.rse.2018.10.031.
- Liu Y., Meng Q., Zhang L., Wu C. NDBSI: A normalized difference bare soil index for remote sensing to improve bare soil mapping accuracy in urban and rural areas // CATENA. 2022. V. 214. Article 106265. DOI: 10.1016/j.catena.2022.106265.
- Qi L., Zhou Y., Van Oost K. et al. High-resolution soil erosion mapping in croplands via Sentinel-2 bare soil imaging and a two-step classification approach // Geoderma. 2024. V. 446. Article 116905. DOI: 10.1016/j.geoderma.2024.116905.
- Qiu B., Zhang K., Tang Z. et al. Developing soil indices based on brightness, darkness, and greenness to improve land surface mapping accuracy // GIScience and Remote Sensing. 2017. V. 54. No. 5. P. 759–777. DOI: 10.1080/15481603.2017.1328758.
- Rikimaru A., Roy P. S., Miyatake S. Tropical forest cover density mapping // Tropical Ecology. 2002. V. 43. No. 1. P. 39–47.
- Rouse J. W., Jr., Haas R. H., Schell J. A., Deering D. W. Monitoring vegetation systems in the great plains with ERTS // 3rd Earth Resources Technology Satellite-1 (ERTS-1) Symp. NASA SP-351. 1974. V. 1. P. 309–317.
- Urbina-Salazar D., Vaudour E., Richer-de-Forges A. C. et al. Sentinel-2 and Sentinel-1 bare soil temporal mosaics of 6-year periods for soil organic carbon content mapping in Central France // Remote Sensing. 2023. V. 15. No. 9. Article 2410. DOI: 10.3390/rs15092410.
- Vaudour E., Gomez C., Lagacherie P. et al. Temporal mosaicking approaches of Sentinel-2 images for extending topsoil organic carbon content mapping in croplands // Intern. J. Applied Earth Observation and Geoinformation. 2021. V. 96. Article 102277. DOI: 10.1016/j.jag.2020.102277.
- Zepp S., Heiden U., Bachmann M. et al. Optimized bare soil compositing for soil organic carbon prediction of topsoil croplands in Bavaria using Landsat // ISPRS J. Photogrammetry and Remote Sensing. 2023. V. 202. P. 287–302. DOI: 10.1016/j.isprsjprs.2023.06.003.
- Zha Y., Gao J., Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery // Intern. J. Remote Sensing. 2003. V. 24. No. 3. P. 583–594. DOI: 10.1080/01431160304987.
- Zhu Y., Qi L., Wu Z., Shi P. Spectra-based predictive mapping of soil organic carbon in croplands: Single-date versus multitemporal bare soil compositing approaches // Geoderma. 2024. V. 449. Article 116987. DOI: 10.1016/j.geoderma.2024.116987.