Особенности дистанционной диагностики агрохимических свойств пахотных почв

Агрохимическое обследование пахотных почв трудоемко, затратно и требует много времени. Внедрение современных дистанционных и цифровых технологий содержит большой потенциал для преодоления данных недостатков, но требует дополнительных научных исследований. В статье приведены результаты сравнения эффективности использования разных типов дистанционных данных для моделирования основных агрохимических свойств почв на примере тестового участка в Тверской области. Проводилось полевое определение спектральной отражательной способности поверхности почв, ее одновременная съемка с использованием беспилотного летательного аппарата (БПЛА) со стандартной фотокамерой, а также анализ изображения тестового участка на спутниковых изображениях Sentinel-2. Регрессионный анализ показал, что наиболее точные модели связи данных агрохимического обследования почв могут быть получены на основе полевого спектрометрирования, менее качественные модели получены с использованием данных БПЛА, и наименее качественные модели – на основе спутниковых данных. Основной причиной этого, по-видимому, является пространственное варьирование агрохимических показателей почв и генерализованность изображения их открытой поверхности на данных БПЛА и спутниковых снимках.

1. Грубина П.Г., Савин И.Ю., Прудникова Е.Ю. Возможности использования данных тепловой съемки для детектирования основных параметров плодородия пахотных почв // Бюллетень Почвенного института имени В.В. Докучаева. 2020. Вып. 105. С. 146–172. DOI: https://doi.org/10.19047/0136-1694-2020-105-146-172.

2. Докучаев П.М., Жоголев А.В., Кириллова Н.П., Козлов Д.Н., Конюшкова М.В., Лозбенев Н.И., Мартыненко И.А., Мешалкина Ю.Л., Прудникова Е.Ю., Самсонова В.П. Цифровая почвенная картография. М.: РУДН, 2017. 152 с.

3. Лозбенев Н.И., Козлов Д.Н., Филь П.П., Хитров Н.Б., Шилов П.М. Оценка влияния вида угодья и почвообразующих пород на содержание и запасы органического углерода в мелиорированных дерновоподзолистых почвах, Тверская область // Почвоведение. 2024. № 12. С. 1705–1735.

4. Методические указания по проведению комплексного мониторинга плодородия почв земель сельскохозяйственного назначения. М.: ФГНУ “Росинформагротех”, 2003. 240 с.

5. Прудникова Е.Ю., Савин И.Ю., Лебедева М.П., Волков Д.С., Рогова О.Б., Варламов Е.Б., Абросимов К.Н. Трансформация поверхностного слоя пахотного горизонта почв под влиянием атмосферных осадков // Почвоведение. 2001. № 11. С. 1407–1420.

6. Савин И.Ю., Столбовой В.С., Иванов А.Л., Прудникова Е.Ю., Жоголев А.В., Воронин А.Я. Технологии составления и обновления почвенных карт. М.: Издательство “Перо”, 2019. 328 c.

7. 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.

8. Ben-Dor E., Banin A. Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties // Soil Sci. Soc. Am. J. 1995. Vol. 59(2). P. 364–372.

9. Heil J., Jörges C., Stumpe B. Fine-scale mapping of soil organic matter in agricultural soils using uavs and machine learning // Remote Sens. 2022. Vol. 14. 3349.

10. Karnieli A. Development and implementation of spectral crust index over dune sands // International Journal of Remote Sensing. 1997. Vol. 18. P. 1207–1220.

11. Mathieu R., Pouget M., Cervelle B., Escadafal R. Relationships between satellite-based radiometric indices simulated using laboratory reflectance data and typic soil color of an arid environment // Remote sensing of environment. 1998. Vol. 66. P. 17–28.

12. Nyéki A., Daróczy B., Kerepesi C., Neményi M., Kovács A.J. Spatial variability of soil properties and its effect on maize yields within field – a case study in Hungary // Agronomy. 2022. Vol. 12(2). 395. DOI: https://doi.org/10.3390/agronomy12020395.

13. Persson M. Estimating surface soil moisture from soil color using image analysis // Vadose Zone J. 2005. Vol. 4. Р. 1119–1122.

14. Prudnikova E., Savin I. Some peculiarities of arable soil organic matter detection using optical remote sensing data // Remote Sensing. 2021. Vol. 13(12). 2313.

15. Viscarra Rossel R.A., 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. P. 59–75.

16. Wetterlind J., Stenberg B., Söderström M. Increased sample point density in farm soil mapping by local calibration of visible and near infrared prediction models // Geoderma. 2010. Vol. 156 (3–4). P. 152–60.

17. Xiao J., Shen, Y., Tateishi R., Bayaer W. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing // International Journal of Remote Sensing. 2006. Vol. 27. P. 2411–2422.

18. Xu L., Zheng C.L., Wang Z.C., 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.