Выделение поверхностно-карбонатных почв и диагностика почв на пестрых подстилающих породах юга Приволжской возвышенности с помощью обработки космического снимка

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Цель работы – установить связи между спектральными характеристиками открытой поверхности почвы на снимке Pleiades (25.04.2020) и почвами на ключевом участке со сложной структурой почвенного покрова на территории южной части Приволжской возвышенности Волго-Донской оросительной системы, Волгоградская область. Территория характеризуется высокой литологической неоднородностью: палеогеновые и неогеновые пески и суглинки перекрыты чехлом четвертичных бурых суглинков переменной мощности от 1–2 м до полного выклинивания. Почвенный покров представлен светло-каштановыми солонцовыми комплексами, осложненными мозаикой литологических вариантов и эрозионно-аккумулятивными сочетаниями. На основе цифровых методов обработки спектральных характеристик космического снимка и использования наземной информации о почвах выделено восемь групп почв и построена карта их распространения на ключевом участке площадью 343 га. Группы почв различаются по общим особенностям поверхности почвы, обусловленным наличием и количеством щебня и камней, гранулометрическим составом поверхностного горизонта (от песка до среднего суглинка), наличием осветленных корочек на поверхности, наличием или отсутствием вскипания от HCl с поверхности в зависимости от мощности первого литологического слоя. Внутри отдельных групп объединены почвы с разным строением профиля (агрокаштановые, агроземы, агросолонцы). Почвы одного типа и иногда подтипа попадают в разные группы по спектральным характеристикам. Это обусловлено неполным соответствием свойств поверхности почвы, которые влияют на спектральные характеристики, и внутреннего строения почвенного профиля в целом.

Полный текст

Доступ закрыт

Об авторах

И. Н. Горохова

Почвенный институт им. В.В. Докучаева

Автор, ответственный за переписку.
Email: g-irina14@yandex.ru
Россия, Москва

Н. Б. Хитров

Почвенный институт им. В.В. Докучаева

Email: g-irina14@yandex.ru
ORCID iD: 0000-0001-5151-5109
Россия, Москва

Л. А. Тарнопольский

Научный геоинформационный центр РАН

Email: g-irina14@yandex.ru
Россия, Москва

Список литературы

  1. Азизов Б.М., Мамедов Р.Г., Султанова Н.Б., Герайзаде А.П. Микрофотометрический анализ влажности почв по данным дистанционной съемки // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. М.: Наука, 1990. С. 183–189.
  2. Андроников В.Л. Аэрокосмические методы изучения почв. М: Колос, 1979. 280 с.
  3. Андроников В.Л., Афанасьева Т.В., Симакова М.С. Дешифрирование по аэро- и космическим снимкам почвенного покрова основных природных зон страны для картографирования // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. М.: Наука, 1990. С. 22–34.
  4. Барановская А.В., Азовцев В.И. Влияние орошения на миграцию карбонатов в почвах Поволжья // Почвоведение. 1981. № 10. С. 17–26.
  5. Волгоградская область: природные условия, ресурсы, хозяйство, население, геоэкологическое состояние. Волгоград: Перемена, 2011. 528 с.
  6. Горохова И.Н., Хитров Н.Б. Распознавание каменистых, песчаных и карбонатных с поверхности почв на юге Приволжской возвышенности (Волгоградская область) по космическим // Почвоведение. 2023. № 11. C. 1340–1356.
  7. Горохова И.Н., Панкова Е.И. Природа пятнистости орошаемых почв сухостепной зоны (на примере Светлоярской оросительной системы) // Аридные экосистемы. 2017. Т. 23. № 3(72). С. 44–54.
  8. Горохова И.Н., Хитров Н.Б., Прокопьева К.О., Харланов В.А. Почвенный покров Светлоярской оросительной системы через полвека мелиоративных воздействий // Почвоведение. 2018. № 8. С. 1033–1044.
  9. Гуров А.Ф., Рачкудик В.И., Буданов В.Е. Возможности дистанционного определения содержания гумуса и водорастворимых солей в почвах сельскохозяйственных угодий // Мониторинг земель. Опыт, проблемы, перспективы развития. М., 1991. С. 165–180.
  10. Дегтярева Е.Т., Жулидова А.Н. Почвы Волгоградской области. Волгоград: Нижне-Волжское книжное изд-во, 1970. 319 с.
  11. Доклад о состоянии и использовании земель сельскохозяйственного назначения РФ в 2020 г. М.: Росинформагротех. 2022. 384 с.
  12. Зимовец Б.А. Экология и мелиорация почв сухостепной зоны. М.: Почв. ин-т им. В.В. Докучаева, 1991. 248 с.
  13. Зинченко Е.В., Горохова И.Н., Круглякова Н.Г., Хитров Н.Б. Современное состояние орошаемых почв юга Приволжской возвышенности. // Бюл. Почв. ин-та им. В.В. Докучаева. 2020. Вып. 104. С. 68–109. https://doi.org/10.19047/0136-1694-2020-104-68-109
  14. Кирьянова Е.Ю., Савин И.Ю. О возможностях оценки контрастности почвенного покрова Саратовского Поволжья по спутниковым данным Landsat // Цифровая почвенная картография: теоретические и экспериментальные исследования. М.: Почв. ин-т им. В.В. Докучаева, 2012. С. 190–209.
  15. Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 342 с.
  16. Классификация и диагностика почв СССР. М.: Колос, 1977. 247 с.
  17. Методика составления крупномасштабных почвенных карт с применением материалов аэрофотосъемки. М.: Изд-во АН СССР, 1962. 116 с.
  18. Методика составления крупномасштабных почвенно-мелиоративной карты и карты мелиоративной оценки почвенного покрова солонцовой территории. М.: Почв. ин-т им. В.В. Докучаева, 1985. 95 с.
  19. Орлов Д.С. Спектральная отражательная способность почв и их компонентов. М.: Изд-во Моск. ун-та, 2001. 175 с.
  20. Полевой определитель почв России. М.: Почв. ин-т им. В.В. Докучаева, 2008. 182 с.
  21. Прудникова Е.Ю. Автоматизированное картографирование почв по спутниковым данным для проектирования АЛСЗ (на примере тестовых полей в Саратовском Поволжье). Дис. …канд. биол. наук. М., 2013. 20 с.
  22. 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. Вып. 115. С. 129–159. https://doi.org/ 10.19047/0136-1694-2023-115-129-159
  23. Руководство по описанию почв. Рим: Продовольственная и сельскохозяйственная организация объединенных наций, 2012. 101 с.
  24. Рухович Д.И. Многолетняя динамика засоления орошаемых почв центральной части Голодной степи и методы ее выявления. Дис. … канд. биол. наук. М., 2009. 24 с.
  25. Симакова М.С. Методика картирования почв Прикаспийской низменности по материалам аэрофотосъемки // Почвенно-географические исследования и использование аэрофотосъемки в картировании почв. М.: Изд-во АН СССР, 1959. С. 283–357.
  26. Толчельников Ю.С., Харитонов В.А., Горбачев В.В. Аэрокосмические методы в почвенно-мелиоративных исследованиях // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. М.: Наука, 1990. С. 77–81.
  27. Хитров Н.Б., Герасимова М.И. Диагностические горизонты в классификации почв России: версия 2021 // Почвоведение. 2021. № 8. С. 899–910.
  28. Хитров Н.Б., Герасимова М.И. Предлагаемые изменения в классификации почв России: диагностические признаки и почвообразующие породы // Почвоведение. 2022. № 1. С. 3–14.
  29. 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.
  30. Barnes E., Baker M.G. Multispectral data for mapping soil texture: Possibilities and limitations //Appl. Engineer. Agriculture. 2000. V. 16(6). P. 731–741. https://doi.org/ 10.13031/2013.5370
  31. Ben-Dor E., Goldlshleger N., Benyamini Y., Agassi M.R., Blumberg D.G. The spectral reflectance properties of soil structural crusts in the 1.2‐to 2.5‐μm spectral region // Soil Sci. Soc. Am. J. 2003. V. 67. P. 289–299. https://doi.org/10.2136/sssaj2003.2890
  32. Bowers S.A., Hanks R.J. Reflectance of radiant energy from soils // Soil Sci. 1965. V. 100. P. 130–138.
  33. Coleman T.L., Agbu P.A., Montgomery O.L. Spectral differentiation on surface soils and soil properties: Is it possible from space platforms? // Soil Sci. 1993. V. 155. P. 283–293.
  34. Fox G.A., Sabbagh G.J. Estimation of soil organic matter from red and near-infrared remotely sensed data using a soil line Euclidian distance technique // Soil Sci. Soc. Am. J. 2002. V. 66. P. 1922–1928.
  35. https://neerc.ifmo.ru
  36. IUSS Working Group WRB. World Reference Base for Soil Resources 2014, update 2015. International soil classification system for naming soils and creating legends for soil maps. World Soil Resources Reports106. 2015. FAO, Rome. 192 p.
  37. Jia-ge Chen, Jun Chen, Qin-jun Wang, Yue Zhang, Hai-feng Ding, Zhang Huang. Retrieval of Soil Dispersion Using Hyperspectral Remote Sensing // Indian Society of Remote Sensing. 2016. V. 44. P. 563–572.
  38. Jiang H., Shu H. Optical remote-sensing data based research on detecting soil salinity at different depth in an arid-area oasis, Xinjiang, China // Earth Science Informatics. 2018. P. 1–14. https://doi.org/10.1007/s12145-018-0358-2
  39. Metternicht G., Zinck. J.A. Remote Sensing of soil salinization. Impact on land management. N.Y.: CRC Press. 2009. 374 p.
  40. Lesaignoux A., Fabre S., Briotter X., Olioso A. Influence of surface soil moisture on spectral reflectance of bare soil in the 0.4-15 μM domain // Geosciences and Remote Sensing Lett. 2011. V. 8. P. 143–147.
  41. Luiz Guilherme Medeiros Pessoa, Maria Betânia Galvão Dos Santos Freire, Bradford Paul Wilcox, Colleen Heather Machado Green, Rômulo José Tolêdo De Araújo, José Coelho De Araújo Filho. Spectral reflectance characteristics of soils in northeastern Brazil as influenced by salinity levels // Environ. Monitor. Assessment. 2016. V. 188. P. 616.
  42. Rukhovich D.I., Koroleva P.V., Rukhovich D.D., Kalinina N.V. The Use of Deep Machine Learning for the Automated Selection of Remote Sensing Data for the Determination of Areas of Arable Land Degradation Processes Distribution // Remote Sensing, V. 13. P. 155. https://doi.org/10.3390/rs13010155
  43. Rukhovich D.I., Koroleva P.V., Rukhovich A.D., Komissarov M. Informativeness of the Long-Term Average Spectral Characteristics of the Bare Soil Surface for the Detection of Soil Cover Degradation with the Neural Network Filtering of Remote Sensing Data // Remote Sensing. 2023. V. 15. P. 124. https://doi.org/10.3390/rs15010124
  44. Sinha A.K. Spectral reflectance characteristics of soil and its correlation with soil properties and surface conditions // J. Indian Soc. Remote Sensing. 1986. V. 14. P. 1–9.
  45. www.Hyperspectr.ru
  46. Xiao J., Shen, Y., Tateishi R., Bayaer W. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing // Int. J. Remote Sensing. 2006. V. 27. P. 2411–2422. https://doi.org/10.1080/01431160600554363

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Расположение Волго-Донской ОС, отображенное на космическом снимке с портала Google Earth (Pleiades, 25.05.2021) (a); территория ФГБУ “Опытная станция “Орошаемая” и ключевой участок исследований на космическом снимке (Sentinel-2, 28.06.2020) (b)

Скачать (578KB)
Метаданные
3. Рис. 2. Матрица ошибок классифицированного изображения почв (8 классов) по космическому снимку высокого разрешения Pleiades, 25.04.2020, в пикселах (контрольная выборка)

Скачать (86KB)
Метаданные
4. Рис. 3. Ключевой участок исследований и точки полевого опробования (2022 г.) на космическом снимке со спутника Pleiades (25.04.2020) (a) (на снимке крупным курсивом указаны номера полей, буквенными и цифровыми значениями – номера точек опробования); результат классификации космического изображения на 8 классов (b): 1 – каменистые с поверхности почвы; 2 – песчаные очень слабо каменистые с поверхности почвы, не имеющие вскипания от HCl; 3 – очень слабо каменистые агросолонцы с осветленными корочками на поверхности, не имеющими вскипания; 4 – очень слабо каменистые супесчаные почвы, не вскипающие с поверхности; 5 – очень слабо каменистые вскипающие с поверхности почвы на двучленных отложениях с мощностью первого литологического слоя суглинков около полуметра; 6 – очень слабо каменистые не вскипающие с поверхности почвы на двучленных отложениях с мощностью первого литологического слоя суглинков около полуметра; 7 – вскипающие с поверхности почвы на палево-бурых суглинках, имеющих мощность 70 см и больше; 8 – не вскипающие с поверхности почвы на палево-бурых суглинках, имеющих мощность 70 см и больше

Скачать (777KB)
Метаданные
5. Рис. 4. Схема признаков почв, влияющих на спектральную яркость космического снимка (Pleiades, 25.04.2020). В пунктирных рамках указаны интервалы средней спектральной яркости в четырех каналах для нескольких точек опробования в каждой группе почв (группы 4–8) и безинтервальные значения для одной точки опробования (группы 1–2)

Скачать (475KB)
Метаданные
6. Рис. 5. Долевое участие восьми групп почв на ключевом участке, выделенных по спектральным характеристикам космического снимка. Обозначения групп см. рис. 3

Скачать (44KB)
Метаданные

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».