Распознавание пахотных почв по фотографиям, получаемым в рамках краудсорсинговых технологий

В статье рассматриваются возможности использования фотографий, получаемых при использовании краудсорсинговых технологий для оперативной инвентаризации пахотных почв. Объектом исследования выступает спектральная отражательная способность открытой поверхности пахотных почв тестовых участков, измеренная с помощью спектрорадиометра HandHeld-2, регистрирующего отражение в диапазоне 325–1 075 нм, и их изображение на фотографиях, полученных обычными фотокамерами. Тестовые участки расположены в Тульской, Московской и Тверской областях. Почвы тестовых участков – дерново-подзолистые, серые лесные, черноземы выщелоченные. На основе анализа фотографий поверхности и информации, полученной с помощью спектрорадиометра, был рассчитан набор спектральных параметров в цветовых системах RGB, YMC и HSI, а также их соотношения (45 параметров). Данные параметры использовались для разделения анализируемых типов почв с помощью деревьев классификации. Точность классификации по результатам валидации варьирует в пределах 63–100%. При этом параметры цветовых систем HSI и YMC оказались более информативны, чем параметры цветовой системы RGB. Установленные правила классификации в дальнейшем могут применяться для определения классификационного положения почв по изображениям, собранным с помощью краудсорсинговых технологий.

1. Савин И.Ю., Симакова М.С. Спутниковые технологии для инвентаризации и мониторинга почв в России // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 5. С. 104–115.

2. Chen F., Kissel D.E., West L.T., Adkins W. Field-scale mapping of surface soil organic carbon using remotely sensed imagery // Soil Science Society of America Journal. 2000. Vol. 64. No. 2. P. 746–753.

3. Choodum A., Kanatharana P., Wongniramaikul W., Nic Daeid N. Using the iPhone as a device for a rapid quantitative analysis of trinitrotoluene in soil // Talanta. 2013. Vol. 115. P. 143–149.

4. Dou X., Wang X., Liu H., Zhang X., Meng L., Pan Y., Yu Z., Cui Y. Prediction of soil organic matter using multi-temporal satellite images in the Songnen Plain, China // Geoderma. 2019. Vol. 356. P. 113896.

5. Han P., Dong D., Zhao X., Jiao L., Lang, Y. A smartphone-based soil color sensor: For soil type classification // Computers and Electronics in Agriculture. 2016. Vol. 123. P. 232–241.

6. Levin N., Ben-Dor E., Singer A. A digital camera as a tool to measure colour indices and related properties of sandy soils in semi-arid environments // International Journal of Remote Sensing. 2005. Vol. 26. P. 5475–5492.

7. Persson M. Estimating surface soil moisture from soil color using image analysis // Vadose Zone Journal. 2005. Vol. 4. P. 1119–1122.

8. Prudnikova E., Savin I. Some peculiarities of arable soil organic matter detection using optical remote sensing data // Remote Sensing. 2021. Vol. 13. No. 12. P. 2313.

9. Puzachenko Yu.G., Aleshchenko G.M., Puzachenko M.Yu., Kozlov D.N. Soil structure analysis with the use of digital color images // Eurasian Soil Science. 2004. Vol. 37. No. 2. P. 109–121.

10. Rossel R.V., Fouad Y., Walter C. Using a digital camera to measure soil organic carbon and iron contents // Biosystems Engineering. 2008. Vol. 100. P. 149–159.

11. Rossel R.V., Walvoort D.J.J., McBratney A.B., Janik L.J., Skjemstad J.O. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties // Geoderma. 2006. Vol. 131. No. 1–2. P. 59–75.

12. Xu L., Zheng C., Wang Z., Nyongesah M.J. A digital camera as an alternative tool for estimating soil salinity and soil surface roughness // Geoderma. 2019. Vol. 341. P. 68–75.

13. Zhang Y., Hartemink A.E. A method for automated soil horizon delineation using digital images // Geoderma. 2019. Vol. 343. P. 97–115.