Определение морфометрических показателей почвенной поверхности виноградного насаждения по спектральным каналам спутниковых изображений
Почва в совокупности с климатом и рельефом играют важную роль для виноградарства, влияя на рост растений и качество урожая. В условиях климатического изменения и повышения значимости рационального использования земельных ресурсов возникает необходимость в получении объективной и актуальной информации о неоднородности почвенного покрова по морфологическим признакам.
Полноценное обследование участков для определения свойств почв и ее плодородия позволяет получить объективную оценку потенциальной продуктивности виноградного насаждения. Актуальным параметром в создании и эксплуатации виноградных насаждений является бонитировка почв в баллах: 71–93 — у черноземов, 64–73 — у дерново-карбонатных, 59–65 — у щебенчатых.
Исследование высокопродуктивных земель позволяет интенсифицировать виноградарство на небольших, но оптимальных по плодородию земельных участках с выделением микрозон приоритетного развития. Для определения таких участков требуется достоверное и актуальное детектирование почвенных показателей (содержание гумуса, влажность, цвет, текстура) виноградного насаждения по их морфометрическим характеристикам.
При оценке и выборе земель для закладки виноградных насаждений определяющими свойствами участка являются уровень грунтовых вод, солевой состав, содержание активных карбонатов, гранулометрический состав и плотность почвы, запасы гумуса, экспозиция, длина и крутизна склонов. В число определяемых характеристик почв входят органические вещества, соединения железа, оксиды марганца, некоторые простые соли белого цвета.
Неоднородность почвенного покрова определяется гранулометрическим составом, влажностью, плотностью и окраской. Темные почвы содержат наибольшее количество питательных веществ, почвы с бурым цветом — среднее, а светлые — наименьшее. Красные, желтые и бурые тона проявляются при наличии водных оксидов железа. Белесые оттенки свидетельствуют о наличии в почве солей карбонатов кальция, сульфатов, гипса. Оподзоленные, солонцеватые и особенно осолоделые почвы в верхних горизонтах имеют белесоватость за счет накопления SiO2-. Сизая окраска почвы свидетельствует о ее заболоченности. Гумус придает почвам темную окраску (в зависимости от его содержания) — черную или темновато-серую.
Существует система CIE-L*a*b* для характеристики почв, созданной Международным оптическим комитетом. В данной системе величина показателя L* (светлота) характеризует содержание в почве темного пигмента — гумуса, величина показателя а* (краснота) отражает содержание в почве красноцветного пигмента, а величина показателя b* (желтизна) соответствует содержанию в почве желтоцветного пигмента. В системе CIE-L*a*b* могут решаться задачи оценки влияния агрегации, размера и состава гранулометрических фракций на цвет почв.
Гранулометрический состав почвы во многом определяет тепловой градиент в течение суток. Песчаные почвы быстрее нагреваются, а глинистые лучше удерживают тепло. В структурной почве происходит максимальное накопление воды и воздуха (до 40% от общего количества). В более плотных почвах наблюдаются более высокие концентрации химических элементов. «Белые щелочные» почвы с преобладающим содержанием катионов кальция и магния обычно имеют видимые солевые отложения на поверхности. Соли способствуют перемещению воды из областей с более низкой концентрацией соли в почву, где концентрация соли выше. «Черными щелочами» (или «солевыми пятнами») называют натриевые почвы, которые имеют черный цвет из-за рассеивания органического вещества и жирно-маслянистую поверхность с небольшим или отсутствующим вегетативным ростом.
Почвы из-за воздействия натрия и других солей на виноградное растение можно разделить по степени относительного риска для виноградного растения на низкий, умеренный и сильный. Низкий уровень соленостине препятствует росту корней или общему здоровью растений. Умеренно засоленные почвы существенно влияют на корневую систему виноградного растения, однако еще остается устойчивость к неблагоприятному воздействию засоления. Сильнозасоленные почвы оказывают негативное воздействие на корневую систему и развитие растения. Присутствие высокого уровня соли серьезно затрудняет рост корней и общую жизнеспособность растения, что приводит к задержке в развитии и снижению урожайности виноградных кустов.
В современном виноградарстве внедряются технологии дистанционного мониторинга вегетирующих растений с различными почвенно-климатическими особенностями местности. Неоднородность почвенного покрова влияет на фенологию и силу развития виноградного растения одного виноградного насаждения.
При оценке участков с разным плодородием почвы виноградного насаждения можно использовать контур почвенного паттерна (образца для сравнения) виноградного насаждения с оптимальной продуктивностью и качеством урожая на контрольных участках, а методами геоинформатики можно сегментировать почвенный покров по его морфометрическим признакам.
Цель исследования — оценить техническую возможность определения морфометрических показателей почвы виноградного насаждения по спектральным каналам спутниковых изображений для машинного определения контуров почвенных разностей.
Материалы и методы исследования
Исследование проводилось на виноградном насаждении площадью 23 га сорта Шардоне 2019 г. посадки.
Для оценки разнообразия поверхностного слоя почв использовались «Технологическая инструкция по подбору и оценке почв для культуры винограда» и «База данных виноградопригодных почв Таманского полуострова Краснодарского края Российской Федерации» (2011–2021 гг.).
Почвенные картограммы вегетационных индексов создавались методами машинного детектирования с использованием программ SAGA и SNAP. Распознавание контуров почвенных массивов выполнено с использованием алгоритма машинного обучения «случайного леса» (Random Forest). Тренировочные данные были собраны на основе известных точек, представляющих почвы различных типов: глинистая, суглинистая, песчаная, супесчаная.
В качестве дополнительных признаков были рассчитаны текстурные признаки, такие как энтропия и контраст, с использованием GLCM (Gray-Level Co-occurrence Matrix).
Геостатистический метод использовался при количественной оценке почвенной неоднородности по цветовым и спектральным признакам [16–18]. Для машинного обучения распознавания почвенного покрова была использована коллекция изображений в открытом доступе Sentinel-2 (https://sentinels.copernicus.eu/web/sentinel/copernicus/sentinel-2) за 2022–2024 годы при облачности менее 10%.
Изображения были отобраны для изучения отражательной способности в каналах:
1) B2 — синий, разрешение — 10 м/пиксель, центральная длина волны — 490 нм, полоса пропускания — 65 нм, используется для распознавания почв и растительности, выявления антропогенных объектов; 2) B4 — красный (Red), разрешение — 10 м/пиксель, центральная длина волны — 665 нм, пропускная способность — 30 нм, используется для определения типов растительности, почв, городских и поселковых территорий; 3) B8 и B8A — ближний инфракрасный диапазон (NIR), разрешение — 10 м/пиксель и 20 м/пиксель, центральная длина волны — 842 нм и 865 нм, полоса пропускания — 115 нм и 20 нм соответственно, используется для картирования береговой линии, содержания биомассы и анализа растительности; 4) B11 и B12 — SWIR1 и SWIR2, разрешение — 20 м/пиксель, центральная длина волны — 1610 нм и 2190 нм, полоса пропускания — 90 нм и 180 нм соответственно, используется для измерения влажности почвы и растительности, обеспечивает хороший контраст между различными типами почвенной поверхности.
Комбинации инфракрасных диапазонов (SWIR2, NIR, Red) обычно используются для мониторинга дренажа и структуры почвы (https://custom-scripts.sentinel-hub.com/sentinel-2/bands/).
Каждому набору каналов присваивались значения для шести вариантов почвенной поверхности. Для оценки точности машинного распознавания почвенного покрова по спектральным полосам Sentinel-2 и шести вариантам участков почвенной поверхности использовались квадратичные отклонения и доверительные интервалы, рассчитанные с помощью статистического метода — бутстреппинга.
Обработка данных временных рядов изображений методом машинного обучения распознавания изображений по шести вариантам почвенных проб выполнена в интернет-сервисе Google Earth Engine (Google LLC).
Результаты и обсуждение
На основе коллекции изображений Sentinel-2 и технологии интернет-сервиса Google Earth Engine проведено машинное распознавание изображений по шести паттернам участков с учетом показателей почвенных проб.
В данной работе проведен анализ различных комбинаций спектральных каналов, обеспечивающих наименьшее квадратичное отклонение при машинном распознавании изображений по вариантам почв. На основе космического изображения от 06.11.2019 Google Earth Pro (37°21’44.93″B, 44°55’46.44″С) были выделены шесть различных участков по визуально отличимому тону. Каждый участок представлен точкой с известными координатами, в которой была взята почвенная проба. Для каждой точки из шести почвенных участков были рассчитаны средние значения и стандартные отклонения отражательной способности в каналах спектра. Значения стандартного отклонения в каналах B8А, В11 и B12 позволяют различать почвенные участки в шести вариантах по их физико-химическим характеристикам. Так, например, участки с высоким содержанием карбонатов и влажностью демонстрируют более высокие значения стандартного отклонения в спектральных каналах, что может быть связано с изменениями в отражательной способности из-за содержания влаги и органического вещества.
Диаграммы стандартного отклонения по каналам (рис. 1) показали значительные различия между участками, что свидетельствует о разнообразии почвенных условий в исследуемой области. Это означает, что отражательная способность может значительно варьироваться в зависимости от различных микроусловий в пределах участка, что приводит к большему разбросу значений.
В таблице 1 приводятся показатели почвы по шести вариантам почвенных анализов. Эти данные включают содержание карбонатов, оксида фосфора (P₂O₅), оксида калия (K₂O), гигроскопическую влажность и содержание гумуса. Для понимания взаимосвязи между спектральными параметрами и физико-химическими характеристиками почвенной поверхности был проведен корреляционный анализ.
Для каналов B11, B12, B8A получили высокую положительную корреляцию между собой (0,85, 0,90, 0,80), то есть они измеряют схожие свойства поверхности. Сильная отрицательная корреляция с содержанием карбонатов (-0,70, -0,60, -0.75) указывает на то, что с увеличением их содержания в почвенном покрове отражательная способность уменьшается, то есть содержание карбонатов в поверхностном почвенном слое существенно влияет на ее отражательную способность. Оксид фосфораимеет слабую корреляцию с B11, B12 и B8A. Калий хотя и оказывает влияние на отражательную способность, но в значительно меньшей степени по сравнению с карбонатами. Спектральные каналы B11, B12, B8A показывают:
отрицательную корреляцию с гигроскопической влажностью (-0,65, -0,70, -0,60 соответственно). Это означает, что с увеличением гигроскопической влажности отражательная способность в этих спектральных каналах уменьшается. Высокая влажность почвы, как правило, снижает отражательную способность, так как вода поглощает больше света;
положительную корреляцию с содержанием гумуса (0,45, 0,50, 0,55 соответственно). Это указывает на то, что увеличение содержания гумуса ведет к увеличению отражательной способности в этих каналах. Гумус, богатый органическими веществами, может увеличивать отражательную способность почвы за счет своей структуры и цвета.
На рисунке 2 представлены снимки поля в различных спектральных индексах каналов Sentinel 2. На изображении RGB визуально были определены контуры шести областей виноградного насаждения с различным тоном, яркостью, цветом, определены их площади. Изображения в индексах SAVI, BRI и NDVI (рис. 2) отражают виноградное насаждение на контрасте отражательной способности почвы и растительности.
Индекс SAVI учитывает дифференциальное затухание красного В4 и ближнего инфракрасного В8-диапазона и сводит к минимуму влияние яркости почвы от спектральных индексов растительности. Изображения в индексах SAVI и NDVI коррелируют друг с другом. Индекс SAVI лучше подходит для участков, где влияние почвенного фона оказывается выше: имеются междурядные проезды шириной 2,5–3,5 м и длиной 200–300 м.
Обычно SAVI минимизирует вклад отраженного света от почвы и позволяет получить более точные данные о состоянии растительности, но за счет корректировки параметра L можно усилить яркость почвы. В результате остались только три основных цвета: белый (очень влажная почва), зеленый (средняя влажность), черный (сухая почва). Индекс BRI (Bare Soil Index) позволяет выявлять и анализировать показатели почвы на виноградниках в период покоя растений.
На изображении BRI (27.02.2024, рис. 2) участки почвы с высоким содержанием влаги показаны черным цветом, а более сухие участки — красным. Изображение в индексе NDVI (24.05.2024, рис. 2) отражает в оттенках зеленого цвета участки с различной степенью развития виноградных растений — пятна темного цвета характеризуют более развитый зеленый покров.
Изображение в индексе SWIR (24.05.2024, рис. 2) позволяет оценить запасы воды в почве, поскольку вода поглощает волны в коротковолновом инфракрасном диапазоне (полосы В12, В8, В4). На изображении SWIR растительность окрашена в оттенки зеленого, почвы и оголенные участки окрашены в различные оттенки коричневого, который наилучшим образом обозначает контур почвенных участков.
Изображение индекса SWIR по цвету контуров соответствует границам насыщенности влагой растений и почвы, но в разных цветах. Растительность окрашена в оттенки зеленого, почвы — в различные оттенки коричневого, а вода кажется черной. Сухая почва сильнее отражает коротковолновый инфракрасный свет в диапазоне канала SWIR В12, что показано ярко-желтыми пятнами.
На основе композиции снимков SAVI, BRI, NDVI, SWIR проведена цветовая классификация с машинным обучением по алгоритму Random Forest почвенного покрова виноградного насаждения по шести паттернам почвенных вариантов (изображение Random Forest, рис. 2).
В таблице 2 приведены рассчитанные площади участков с различными показателями в соответствии с шестью паттернами почв на основе машинной классификации. Результаты классификации показали четкое разделение между различными типами почвенной поверхности. На карте классификации были выделены следующие классы: глинистая почва (более 80% глины) расположена в южной части; суглинок (50% песка, 50% глины) преобладает в центральной части; песчаная почва (90% песка) встречается в северной части; супесчаная почва (50–70% песка) распределена равномерно по всей области. Контурные границы увлажненных участков поля могут меняться в зависимости от содержания солей, что отражается на разновременных снимках в изменении почвенных контуров и появлении переходных зон.
Почвы, имеющие характерную окраску из-за содержания гумуса, часто имеют пятнистую текстуру в общей картине почвенного покрова спектральных изображений. Гигроскопическая влажность почвы и содержание гумуса — основные отличительные цветовые признаки для выделения участков с разной почвенной структурой на основе нормализованных спектральных индексов при использовании изображений Sentinel-2. Они являются достоверно различимыми характеристиками при детектировании морфометрических признаков поверхностного слоя почвы виноградного насаждения при использовании композиции спектральных индексов.
Для каждого набора спектральных каналов были рассчитаны квадратичное отклонение (RMSD) и доверительные интервалы с уровнем значимости 95% относительно композиции нормализованных индексов и визуального дешифрирования площадей участков с вариантами почв (табл. 2).
Наименьшее значение квадратичного отклонения (RMSD) среди всех рассмотренных наборов спектральных каналов было достигнуто при использовании комбинации спектральных каналов B11, B12, B8А. Доверительные интервалы подтверждают надежность данного набора каналов. Их комбинация является оптимальной для оценки плодородности почвенного покрова виноградных насаждений на основе данных дистанционного зондирования.
Выводы
Проведенное исследование наглядно показало техническую возможность эффективного использования спектральных данных спутниковых каналов Sentinel-2 для определения различий в почвенной поверхности виноградного насаждения. Анализ показал, что использование набора спектральных каналов B11, B12, B8A обеспечивает наилучшую точность выделения массивов участков по почвенному контуру, что подтверждается наименьшим значением квадратичного отклонения.
Эти результаты могут быть использованы для улучшения методов дистанционного мониторинга почв виноградных насаждений. Дальнейшие исследования могут быть направлены на повышение точности определения морфометрических показателей почв путем использования дополнительных спектральных и текстурных признаков, на проверку метода машинного распознавания по спектральным изображениям почвенной поверхности на более масштабных территориях.
Об авторах
Виталий Александрович Орлов; кандидат сельскохозяйственных наук, старший научный сотрудник
vitorl@yandex.ru; https://orcid.org/0000-0003-3337-2970
Алексей Александрович Лукьянов; кандидат сельскохозяйственных наук, старший научный сотрудник
https://orcid.org/0000-0001-7317-9150
Олеся Ивановна Михайловская; младший научный сотрудник
azosviv@mail.ru; https://orcid.org/0009-0001-1948-2041
Анапская зональная опытная станция виноградарства и виноделия — филиал Федерального государственного бюджетного научного учреждения «Северокавказский федеральный научный центр садоводства, виноградарства и виноделия», Пионерский пр-т, 36, Анапа, 353456, Россия
УДК 634.8:631.471
DOI: 10.32634/0869-8155-2024-387-10-159-164
