Выявление деградации почв по картам внутриполевой неоднородности
Исследователи из Почвенного института им. В.В. Докучаева* предложили технологию выявления деградации почв. Для этого они строят карты внутриполевой неоднородности плодородия.
Карты зон неоднородности позволяют разделить сельскохозяйственное поля на зоны с различным уровнем плодородия: повышенного, нормального и пониженного. Обычно такие карты для внесения удобрений. Для создания карт используют вегетационные индексы (NDVI, EVI и т. п.) за последние несколько лет перед годом наблюдения. Но у авторов статьи была другая цель. Они попытались отделить внутри зон пониженного плодородия почвы, чье низкое плодородие вызвано естественными причинами, и почвы, подвергшиеся деградации (в первую очередь, эрозии). Это позволит выбрать правильный способ “лечения” почвы. Для этого были построены карты зон неоднородности за 35 лет, благо данные Landsat это позволяют.
Отделить деградированные почвы от естественно низко плодородных можно при помощи линии почв. Дело в том, что зависимость между отражением открытой почвы в красной и ближней инфракрасной областях спектра остается примерно постоянной для конкретного типа почвы. В результате отражение образцов почв одного типа на плоскости параметров “Красный (Red) – Инфракрасный (NIR)“ образует прямую линию — ту самую линию почв. Так вот, эти прямые у почвы в нормальном состоянии и у деградированной почвы отличаются.
Процессы деградации нарушают спектральные характеристики почв, а поскольку в работе используются разновременные данные (за 35 лет), то видно как изменяется линия почвы со временем. В результате можно выявить одну из причин снижения почвенного плодородия и классифицировать разные виды деградации почв.
*Рухович Д. И. и др. Детектирование деградированных участков пашни на основе анализа больших спутниковых данных // Почвоведение, 2021, № 2. — С. 151-167. DOI: 10.31857/S0032180X21020131
#почва #landsat
Исследователи из Почвенного института им. В.В. Докучаева* предложили технологию выявления деградации почв. Для этого они строят карты внутриполевой неоднородности плодородия.
Карты зон неоднородности позволяют разделить сельскохозяйственное поля на зоны с различным уровнем плодородия: повышенного, нормального и пониженного. Обычно такие карты для внесения удобрений. Для создания карт используют вегетационные индексы (NDVI, EVI и т. п.) за последние несколько лет перед годом наблюдения. Но у авторов статьи была другая цель. Они попытались отделить внутри зон пониженного плодородия почвы, чье низкое плодородие вызвано естественными причинами, и почвы, подвергшиеся деградации (в первую очередь, эрозии). Это позволит выбрать правильный способ “лечения” почвы. Для этого были построены карты зон неоднородности за 35 лет, благо данные Landsat это позволяют.
Отделить деградированные почвы от естественно низко плодородных можно при помощи линии почв. Дело в том, что зависимость между отражением открытой почвы в красной и ближней инфракрасной областях спектра остается примерно постоянной для конкретного типа почвы. В результате отражение образцов почв одного типа на плоскости параметров “Красный (Red) – Инфракрасный (NIR)“ образует прямую линию — ту самую линию почв. Так вот, эти прямые у почвы в нормальном состоянии и у деградированной почвы отличаются.
Процессы деградации нарушают спектральные характеристики почв, а поскольку в работе используются разновременные данные (за 35 лет), то видно как изменяется линия почвы со временем. В результате можно выявить одну из причин снижения почвенного плодородия и классифицировать разные виды деградации почв.
*Рухович Д. И. и др. Детектирование деградированных участков пашни на основе анализа больших спутниковых данных // Почвоведение, 2021, № 2. — С. 151-167. DOI: 10.31857/S0032180X21020131
#почва #landsat
Telegram
Спутник ДЗЗ
Линия почвы, аппроксимирующая экспериментальные данные.
Микроволновые измерения запасов продуктивной влаги в почве: информация из 1977 года
Известно, что при помощи микроволновой или инфракрасной съемки определить влажность почвы можно лишь в тонком приповерхностном слое. Собственно, вот работа 1977 года, где об этом сообщают (курсив наш):
“<…> на длинах волн 0,8—3,0 см (X-диапазон) радиометрическим методом возможно определение поверхностной влажности, а на длинах волн 10—20 см (L- и S-диапазоны) определение влажности поверхностного слоя почвы толщиной 5—10 см. Переход при зондировании на длины волн свыше 20 см (L-диапазон) приводит к существенному уменьшению разрешающей способности метода, незначительно увеличивая толщину исследуемого поверхностного слоя почвы. Следовательно, непосредственно по измерениям радиоизлучения в микроволновом диапазоне нельзя определить влажность в метровом и даже в полуметровом слое, знание которой необходимо для агрогидрологических расчетов запасов продуктивной и полной влаги”.
Естественно, что для определения влажности в метровом слое почвы, предлагается поискать корреляционную связь между влажностью в приповерхностном слое и профилем влажности в метровом слое.
Эксперименты, проведенные в весенний период на агрометеостанциях Северного Казахстана, показали, что характер изменения влажности с глубиной соответствует среднему профилю наименьшей полевой влагоемкости для данного типа почв 1️⃣ (ниже).
“Таким образом, для расчета запасов продуктивной и полной влаги в метровом слое почвы можно воспользоваться двухпараметрической моделью профиля влажности, основанной на корреляции между профилем влажности и профилем наименьшей полевой влагоемкости. В качестве одного параметра использована влажность слоя 5–10 см <…>. Второй параметр в схеме — градиент среднего профиля наименьшей полевой влагоемкости для данного типа почв”.
Если считать, что дистанционное измерение влажности в приповерхностном слое — задача более-менее решенная, то для определения влажности в метровом слое почвы понадобится почвенная карта с высоким пространственном разрешением (десятки метров, что вполне доступно) и результаты измерений полевой влагоемкости для каждого класса почв (вот тут придется поработать). И тогда:
“Расчеты влагозапасов почвы в 100-сантиметровом слое, проведенные по 50 реальным профилям влажности, полученным во время эксперимента, показали, что средняя относительная ошибка при расчетах по двухпараметрической модели, предложенной нами, равна 13%, максимальная ошибка не превышает 35%. Такая точность вполне удовлетворительна для получения оперативных данных по влагозапасам в почве”.
#почва #радиометр
Известно, что при помощи микроволновой или инфракрасной съемки определить влажность почвы можно лишь в тонком приповерхностном слое. Собственно, вот работа 1977 года, где об этом сообщают (курсив наш):
“<…> на длинах волн 0,8—3,0 см (X-диапазон) радиометрическим методом возможно определение поверхностной влажности, а на длинах волн 10—20 см (L- и S-диапазоны) определение влажности поверхностного слоя почвы толщиной 5—10 см. Переход при зондировании на длины волн свыше 20 см (L-диапазон) приводит к существенному уменьшению разрешающей способности метода, незначительно увеличивая толщину исследуемого поверхностного слоя почвы. Следовательно, непосредственно по измерениям радиоизлучения в микроволновом диапазоне нельзя определить влажность в метровом и даже в полуметровом слое, знание которой необходимо для агрогидрологических расчетов запасов продуктивной и полной влаги”.
Естественно, что для определения влажности в метровом слое почвы, предлагается поискать корреляционную связь между влажностью в приповерхностном слое и профилем влажности в метровом слое.
Эксперименты, проведенные в весенний период на агрометеостанциях Северного Казахстана, показали, что характер изменения влажности с глубиной соответствует среднему профилю наименьшей полевой влагоемкости для данного типа почв 1️⃣ (ниже).
“Таким образом, для расчета запасов продуктивной и полной влаги в метровом слое почвы можно воспользоваться двухпараметрической моделью профиля влажности, основанной на корреляции между профилем влажности и профилем наименьшей полевой влагоемкости. В качестве одного параметра использована влажность слоя 5–10 см <…>. Второй параметр в схеме — градиент среднего профиля наименьшей полевой влагоемкости для данного типа почв”.
Если считать, что дистанционное измерение влажности в приповерхностном слое — задача более-менее решенная, то для определения влажности в метровом слое почвы понадобится почвенная карта с высоким пространственном разрешением (десятки метров, что вполне доступно) и результаты измерений полевой влагоемкости для каждого класса почв (вот тут придется поработать). И тогда:
“Расчеты влагозапасов почвы в 100-сантиметровом слое, проведенные по 50 реальным профилям влажности, полученным во время эксперимента, показали, что средняя относительная ошибка при расчетах по двухпараметрической модели, предложенной нами, равна 13%, максимальная ошибка не превышает 35%. Такая точность вполне удовлетворительна для получения оперативных данных по влагозапасам в почве”.
#почва #радиометр
⭐️ СТРАНЫ / КОМПАНИИ / СПУТНИКИ
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Запасы органического углерода в сельскохозяйственных почвах Германии
Данные о запасах органического углерода почвы (SOC) в сельскохозяйственных почвах по всей Германии, собранные Институтом Thünen (Thünen Institute of Climate-Smart Agriculture). В период с 2009 по 2018 год было отобрано в общей сложности 3104 полевых участка на сетке 8 x 8 км. Набор данных состоит из трёх частей с соответствующими readme-файлами, которые поясняют данные:
* LABORATORY_DATA.xlsx — результаты лабораторных исследований.
* SITE.xlsx — информация о местах отбора проб.
* HORIZON_DATA.xlsx — описание почвенного профиля, определенное в полевых условиях, с несколькими ключевыми параметрами горизонта.
🛢 Poeplau, C., Don, A., Flessa, H., Heidkamp, A., Jacobs, A., Prietz, R., (2020). Erste Bodenzustandserhebung Landwirtschaft – Kerndatensatz. https://doi.org/10.3220/DATA20200203151139
#данные #почва #сельхоз
Данные о запасах органического углерода почвы (SOC) в сельскохозяйственных почвах по всей Германии, собранные Институтом Thünen (Thünen Institute of Climate-Smart Agriculture). В период с 2009 по 2018 год было отобрано в общей сложности 3104 полевых участка на сетке 8 x 8 км. Набор данных состоит из трёх частей с соответствующими readme-файлами, которые поясняют данные:
* LABORATORY_DATA.xlsx — результаты лабораторных исследований.
* SITE.xlsx — информация о местах отбора проб.
* HORIZON_DATA.xlsx — описание почвенного профиля, определенное в полевых условиях, с несколькими ключевыми параметрами горизонта.
🛢 Poeplau, C., Don, A., Flessa, H., Heidkamp, A., Jacobs, A., Prietz, R., (2020). Erste Bodenzustandserhebung Landwirtschaft – Kerndatensatz. https://doi.org/10.3220/DATA20200203151139
#данные #почва #сельхоз
Пакет mlhrsm для картографирования влажности почвы с высоким пространственным разрешением
Влажность почвы — одна из ключевых переменных в сельском хозяйстве и в экологии. С определением влажности почвы в масштабе поля по данным дистанционного зондирования из космоса существуют большие проблемы: исходные данные имеют низкое пространственное разрешение, а результатам машинного обучения недостаёт точности.
В работе
📖 Peng, Y., Yang, Z., Zhang, Z., & Huang, J. (2024). A Machine Learning-Based High-Resolution Soil Moisture Mapping and Spatial–Temporal Analysis: The mlhrsm Package. Agronomy, 14(3), 421. https://doi.org/10.3390/agronomy14030421
предлагается очередная модель машинного обучения для картографирования влажности почвы. Она основана на алгоритме квантильного случайного леса (quantile random forest) и использует данные наземных датчиков влажности, параметры поверхности земли (растительность, рельеф и почву), а также оценки влажности почвы на поверхности и в прикорневой зоне, полученные по спутниковым данным. В работе используются данные спутников SMAP, Sentinel-1, Landsat, а также данные приборов MODIS. Область исследования: CONUS (contiguous USA), где существуют открытые данные наземных датчиков влажности почвы.
Модель позволяет создавать карты влажности почвы высокого разрешения (от 30 до 500 м, от ежедневных до ежемесячных) и строить оценки неопределенности на участках по территории CONUS на уровнях 0–5 см и 0–1 м.
Точность результатов — примерно такая же, как и у других работ подобного рода. Примеры оценок можно посмотреть в статье.
Привлекает в работе то, что весь расчёт оформлен в виде пакета mlhrsm на языке R с открытым исходным кодом. По сути, статья — это руководство пользователя mlhrsm, где показан расчёт влажности почвы на примере одного поля. Её можно использовать для анализа сильных и слабых сторон подобных моделей, а также как основу для создания собственных моделей.
#почва #сельхоз #R
Влажность почвы — одна из ключевых переменных в сельском хозяйстве и в экологии. С определением влажности почвы в масштабе поля по данным дистанционного зондирования из космоса существуют большие проблемы: исходные данные имеют низкое пространственное разрешение, а результатам машинного обучения недостаёт точности.
В работе
📖 Peng, Y., Yang, Z., Zhang, Z., & Huang, J. (2024). A Machine Learning-Based High-Resolution Soil Moisture Mapping and Spatial–Temporal Analysis: The mlhrsm Package. Agronomy, 14(3), 421. https://doi.org/10.3390/agronomy14030421
предлагается очередная модель машинного обучения для картографирования влажности почвы. Она основана на алгоритме квантильного случайного леса (quantile random forest) и использует данные наземных датчиков влажности, параметры поверхности земли (растительность, рельеф и почву), а также оценки влажности почвы на поверхности и в прикорневой зоне, полученные по спутниковым данным. В работе используются данные спутников SMAP, Sentinel-1, Landsat, а также данные приборов MODIS. Область исследования: CONUS (contiguous USA), где существуют открытые данные наземных датчиков влажности почвы.
Модель позволяет создавать карты влажности почвы высокого разрешения (от 30 до 500 м, от ежедневных до ежемесячных) и строить оценки неопределенности на участках по территории CONUS на уровнях 0–5 см и 0–1 м.
Точность результатов — примерно такая же, как и у других работ подобного рода. Примеры оценок можно посмотреть в статье.
Привлекает в работе то, что весь расчёт оформлен в виде пакета mlhrsm на языке R с открытым исходным кодом. По сути, статья — это руководство пользователя mlhrsm, где показан расчёт влажности почвы на примере одного поля. Её можно использовать для анализа сильных и слабых сторон подобных моделей, а также как основу для создания собственных моделей.
#почва #сельхоз #R
📹Наземный мониторинг бюджета углерода в почвах агроэкосистем Российской Федерации: от решения методических вопросов к созданию национальной сети [ссылка]
Лектор: Козлов Д. Н., к. г. н., первый заместитель директора Почвенного института имени В.В. Докучаева
Таймкоды:
0:10 – О лектории, представление докладчика, тема выступления.
1:09 – Вводное слово.
2:10 – Глобальное потепление и его влияние на Россию.
7:12 – Мера реагирования - стратегия научно-технологического развития РФ, обновленная в 2024 г.
9:06 – Изменение климата и сельское хозяйство.
12:47 – Адаптация к изменению климата. Рамочная конвенция ООН и Парижское соглашение.
15:35 – Потенциал смягчения выбросов парниковых газов в сельском хозяйстве.
24:01 – Роль и функции почв. Запасы углерода в почвах.
28:28 – Органическое вещество почв, его происхождение и роль в цикле углерода.
37:49 – Об исполнении национальных обязательств в рамках Киотского протокола и Парижского соглашения. Специфика изменения запасов углерода на разных типах угодий.
43:04 – Национальный кадастр выбросов. Секторы эмиссии.
46:28 – Совершенствование порядка учета выбросов и поглощения. Реестр почвозащитных агротехнологий.
52:49 – Адаптивно-ландшафтное земледелие, этапы его проектирования.
57:08 – Органическое земледелие – другой компонент почвозащитных технологий. Продукция с улучшенными характеристиками.
1:03:41 – Площадь сельскохозяйственных угодий страны, актуализация государственного кадастра.
1:05:46 – Государственный реестр земель сельхоз назначения. Какие данные должны в него войти? Агрохимслужба России.
1:08:01 – Научно-методическое обеспечение расчётов. Проект «Единая национальная система мониторинга климатически активных газов».
1:11:59 – Определение величины запасов почвенного органического вещества. О руководстве по оценке пулов углерода в почвах агроэкосистем и сети мониторинга.
1:18:55 – Сравнение затрат на различные методы определения углерода.
1:20:40 – О создании национальной системы мониторинга и ВИП ГЗ.
1:23:39 – Ответы на вопросы.
#почва #климат #сельхоз
Лектор: Козлов Д. Н., к. г. н., первый заместитель директора Почвенного института имени В.В. Докучаева
Таймкоды:
0:10 – О лектории, представление докладчика, тема выступления.
1:09 – Вводное слово.
2:10 – Глобальное потепление и его влияние на Россию.
7:12 – Мера реагирования - стратегия научно-технологического развития РФ, обновленная в 2024 г.
9:06 – Изменение климата и сельское хозяйство.
12:47 – Адаптация к изменению климата. Рамочная конвенция ООН и Парижское соглашение.
15:35 – Потенциал смягчения выбросов парниковых газов в сельском хозяйстве.
24:01 – Роль и функции почв. Запасы углерода в почвах.
28:28 – Органическое вещество почв, его происхождение и роль в цикле углерода.
37:49 – Об исполнении национальных обязательств в рамках Киотского протокола и Парижского соглашения. Специфика изменения запасов углерода на разных типах угодий.
43:04 – Национальный кадастр выбросов. Секторы эмиссии.
46:28 – Совершенствование порядка учета выбросов и поглощения. Реестр почвозащитных агротехнологий.
52:49 – Адаптивно-ландшафтное земледелие, этапы его проектирования.
57:08 – Органическое земледелие – другой компонент почвозащитных технологий. Продукция с улучшенными характеристиками.
1:03:41 – Площадь сельскохозяйственных угодий страны, актуализация государственного кадастра.
1:05:46 – Государственный реестр земель сельхоз назначения. Какие данные должны в него войти? Агрохимслужба России.
1:08:01 – Научно-методическое обеспечение расчётов. Проект «Единая национальная система мониторинга климатически активных газов».
1:11:59 – Определение величины запасов почвенного органического вещества. О руководстве по оценке пулов углерода в почвах агроэкосистем и сети мониторинга.
1:18:55 – Сравнение затрат на различные методы определения углерода.
1:20:40 – О создании национальной системы мониторинга и ВИП ГЗ.
1:23:39 – Ответы на вопросы.
#почва #климат #сельхоз
Моделирование водной эрозии с помощью модели RUSLE в масштабе сельскохозяйственного предприятия
📖 В работе описан процесс моделирования водной эрозии почвенного покрова в масштабе сельскохозяйственного предприятия с использованием уравнения RUSLE на основе наземных данных и данных ДЗЗ из космоса.
Исходные данные:
🔹 цифровая модель рельефа FABDEM
🔹 спутниковые снимки Sentinel-2
🔹 данные наземной метеостанции
🔹 цифровые карты почвы
🔹 цифровая карта типов землепользования
Сложнее всего, обычно, найти цифровые карты почвы. Они нужны для вычисления фактора эродируемости почвы (K). В эти данные входит содержание песка (SAN), ила (SIL) и глины (CLA) в процентах, а также содержание органических веществ в почве (OM) в процентах. В работе карта почв построена по данным наземных обследований.
В качестве источника данных для расчёта фактора природоохранной практики (P) использовалась карта типов землепользования (пахотные земли, пастбища и кустарник, водно-болотные угодья, лес), построенная для данного сельхозпредприятия.
📊 Алгоритм вычисления факторов уравнения RUSLE
#почва #вода
📖 В работе описан процесс моделирования водной эрозии почвенного покрова в масштабе сельскохозяйственного предприятия с использованием уравнения RUSLE на основе наземных данных и данных ДЗЗ из космоса.
Исходные данные:
🔹 цифровая модель рельефа FABDEM
🔹 спутниковые снимки Sentinel-2
🔹 данные наземной метеостанции
🔹 цифровые карты почвы
🔹 цифровая карта типов землепользования
Сложнее всего, обычно, найти цифровые карты почвы. Они нужны для вычисления фактора эродируемости почвы (K). В эти данные входит содержание песка (SAN), ила (SIL) и глины (CLA) в процентах, а также содержание органических веществ в почве (OM) в процентах. В работе карта почв построена по данным наземных обследований.
В качестве источника данных для расчёта фактора природоохранной практики (P) использовалась карта типов землепользования (пахотные земли, пастбища и кустарник, водно-болотные угодья, лес), построенная для данного сельхозпредприятия.
📊 Алгоритм вычисления факторов уравнения RUSLE
#почва #вода
Водохранилище Трес-Мариас
В центре снимка, сделанного с борта Международной космической станции (ISS070-E-51989, 27 декабря 2023 года), водохранилище Трес-Мариас — искусственный водоём, питаемый рекой Сан-Франциску в бразильском штате Минас-Жерайс. Светло-голубые оттенки на его поверхности обусловлены солнечным бликом, возникающим, когда солнечный свет отражается от гладкой воды под тем же углом, под которым её рассматривает камера.
Типы почвенно-растительного покрова на снимке различны, и в них преобладают яркие цвета. Большая часть открытой земли (незасеянные поля, грунтовые дороги) имеет яркие оттенки красного и жёлтого. Такая окраска обусловлена почвами, богатыми железом и алюминием, которые при выветривании могут приобретать яркие цвета.
Доступ к пресной воде для орошения позволяет вести сельское хозяйство в районе водохранилища. На участках с красными и зелёными тонами можно различить поля с центральным орошением и участки с прямыми границами. Оранжево-коричневая контурная линия, проходящая по береговой линии водохранилища, отмечает места, где уровень воды раньше был выше.
#снимки #вода #почва
В центре снимка, сделанного с борта Международной космической станции (ISS070-E-51989, 27 декабря 2023 года), водохранилище Трес-Мариас — искусственный водоём, питаемый рекой Сан-Франциску в бразильском штате Минас-Жерайс. Светло-голубые оттенки на его поверхности обусловлены солнечным бликом, возникающим, когда солнечный свет отражается от гладкой воды под тем же углом, под которым её рассматривает камера.
Типы почвенно-растительного покрова на снимке различны, и в них преобладают яркие цвета. Большая часть открытой земли (незасеянные поля, грунтовые дороги) имеет яркие оттенки красного и жёлтого. Такая окраска обусловлена почвами, богатыми железом и алюминием, которые при выветривании могут приобретать яркие цвета.
Доступ к пресной воде для орошения позволяет вести сельское хозяйство в районе водохранилища. На участках с красными и зелёными тонами можно различить поля с центральным орошением и участки с прямыми границами. Оранжево-коричневая контурная линия, проходящая по береговой линии водохранилища, отмечает места, где уровень воды раньше был выше.
#снимки #вода #почва
Переменные окружающей среды повышают точность оценки содержания органического углерода в почве с помощью данных дистанционного зондирования
В недавней 📖 работе китайских учёных исследовалось влияние методов моделирования и выбора переменных на точность оценки содержания органического углерода в почве (soil organic carbon, SOC) по данным дистанционного зондирования Земли (ДЗЗ).
В качестве методов моделирования использовались два варианта линейной регрессии и два метода машинного обучения: случайный лес (random forest, RF) и метод опорных векторов (support vector machine, SVM). Анализируемые переменные окружающей среды включали факторы рельефа, климата, почвы и растительного покрова (вегетационные индексы).
Исследования проводились в районе The Northeast China Transect, расположенном в среднеширотном полузасушливом регионе вдоль 43°30' северной широты, общей протяженностью около 1600 км (112° – 130°30' восточной долготы). Сбор образцов почвы был проведен с 26 июля по 8 августа 2001 года. В качестве данных ДЗЗ использовались значения спектральной отражательной способности, полученной по снимкам спутника Landsat 5.
Результаты показали, что: (1) Содержание SOC может быть эффективно оценено с помощью отражательной способности, полученной из снимков Landsat 5 TM. (2) Переменные окружающей среды могут существенно повысить точность оценки содержания SOC, причем климатические и почвенные факторы дают наиболее значительные улучшения. (3) Методы моделирования на основе машинного обучения обеспечивают более высокую точность оценки, чем линейная регрессия. Лучшие результаты были получены с помощью SVM по данным отражательной способности и переменным окружающей среды: R^2 = 0.9220, RMSE = 11.6165, MAE = 10.8075 (на тестовых данных). Несколько худшие результаты дал RF.
Исследование показало, что добавление переменных окружающей среды может эффективно повысить точность оценки содержания SOC. Среди этих переменных среднегодовое количество осадков и pH почвы являются основными факторами, влияющими на точность оценки содержания SOC, за которыми следуют высота над уровнем моря, уклон и аспект. Температура оказывает значительное влияние на содержание SOC через воздействие на активность почвенных микроорганизмов и почвенное дыхание. pH почвы влияет на химические реакции и ионообменные свойства почвы. Кислые почвы обычно ограничивают активность микроорганизмов и разложение органического вещества, тем самым препятствуя накоплению SOC. Осадки косвенно влияют на содержание SOC, воздействуя на состояние влажности почвы.
🗺 Содержание органического углерода в почве в исследуемой области (2001 г.), основанное на лучшей модели.
Если бы авторы разделили исследуемую область на несколько подобластей, то шанс появился бы и у линейной регрессии)
#сельхоз #почва
В недавней 📖 работе китайских учёных исследовалось влияние методов моделирования и выбора переменных на точность оценки содержания органического углерода в почве (soil organic carbon, SOC) по данным дистанционного зондирования Земли (ДЗЗ).
В качестве методов моделирования использовались два варианта линейной регрессии и два метода машинного обучения: случайный лес (random forest, RF) и метод опорных векторов (support vector machine, SVM). Анализируемые переменные окружающей среды включали факторы рельефа, климата, почвы и растительного покрова (вегетационные индексы).
Исследования проводились в районе The Northeast China Transect, расположенном в среднеширотном полузасушливом регионе вдоль 43°30' северной широты, общей протяженностью около 1600 км (112° – 130°30' восточной долготы). Сбор образцов почвы был проведен с 26 июля по 8 августа 2001 года. В качестве данных ДЗЗ использовались значения спектральной отражательной способности, полученной по снимкам спутника Landsat 5.
Результаты показали, что: (1) Содержание SOC может быть эффективно оценено с помощью отражательной способности, полученной из снимков Landsat 5 TM. (2) Переменные окружающей среды могут существенно повысить точность оценки содержания SOC, причем климатические и почвенные факторы дают наиболее значительные улучшения. (3) Методы моделирования на основе машинного обучения обеспечивают более высокую точность оценки, чем линейная регрессия. Лучшие результаты были получены с помощью SVM по данным отражательной способности и переменным окружающей среды: R^2 = 0.9220, RMSE = 11.6165, MAE = 10.8075 (на тестовых данных). Несколько худшие результаты дал RF.
Исследование показало, что добавление переменных окружающей среды может эффективно повысить точность оценки содержания SOC. Среди этих переменных среднегодовое количество осадков и pH почвы являются основными факторами, влияющими на точность оценки содержания SOC, за которыми следуют высота над уровнем моря, уклон и аспект. Температура оказывает значительное влияние на содержание SOC через воздействие на активность почвенных микроорганизмов и почвенное дыхание. pH почвы влияет на химические реакции и ионообменные свойства почвы. Кислые почвы обычно ограничивают активность микроорганизмов и разложение органического вещества, тем самым препятствуя накоплению SOC. Осадки косвенно влияют на содержание SOC, воздействуя на состояние влажности почвы.
🗺 Содержание органического углерода в почве в исследуемой области (2001 г.), основанное на лучшей модели.
Если бы авторы разделили исследуемую область на несколько подобластей, то шанс появился бы и у линейной регрессии)
#сельхоз #почва
В МАИ научат искусственный интеллект определять плодородие почвы [ссылка]
Ученые Московского авиационного института (МАИ) работают над базой больших данных в области почвоведения. Проект включает в себя спутниковые снимки пахотных земель в разных спектральных диапазонах за последние четыре года. Специалисты уже приступили к разработке программы, которая сможет определять области повышенного плодородия почв.
Стартовой экспериментальной площадкой для реализации этого уникального проекта станет Куркинский район Тульской области. На протяжении 2024 года сотрудники МАИ собирали спутниковые снимки и другие данные, которые станут основой проекта. Именно они позволят искусственному интеллекту оценивать плодородие почвы.
С помощью автоматизированного анализа изображений, ИИ сможет определять участки с наибольшей и наименьшей продуктивностью. Это позволит фермерам оптимально распределить удобрения, ориентируясь на участки с низким содержанием питательных веществ.
По словам руководителя проекта, кандидата биологических наук, доцента кафедры “Экология, системы жизнеобеспечения и безопасность жизнедеятельности” МАИ Сергея Огородникова, использование методов машинного обучения дает возможность классифицировать почвы, выявлять скрытые зависимости между их физико-химическими и биологическими характеристиками.
“Для роста урожайности и увеличения производительности критически важно рационально и эффективно вносить удобрения, понимать, как меняются почвенно-экологические условия внутри поля. Данный метод позволяет уточнить взаимосвязь между спектральными характеристиками почвы и растительностью на ней. Почвы обладают способностью поглощать и отражать различные виды света, что видно на инфракрасных снимках”, — отмечает Сергей Огородников.
Уже сейчас большой интерес к проекту проявляют тульские фермеры. При работах на полях они начали ориентироваться на расчеты и спутниковые снимки, собранные специалистами МАИ.
“Мы получаем реальные заказы от агрохолдингов, в этом году обследовали 60 тысяч гектаров. Для проведения исследования мы подготовили сетку отбора проб, разбив поля на квадраты по 10 га с учетом рельефа и продуктивности почв. Без искусственного интеллекта вручную решить такую задачу было бы невозможно”, — говорит ученый.
Коммерциализация результатов исследования начата благодаря гранту “Умник” от Фонда содействия инновациям. В настоящее время коллективом подана заявка на следующий этап конкурса — “Старт-ИИ”.
По результатам работ оформлено два патента: на агро-почвенно-экологическую базу данных Тульской области и программу, моделирующую распределение загрязняющих веществ в почве с учетом рельефа местности.
“Автоматический анализ снимков позволит выделять на полях зоны продуктивности. В результате фермеры смогут оптимизировать внесение удобрений, перераспределяя их на обедненные полезными веществами участки. Эти управленческие и мелиоративные решения смогут повысить урожайность и обеспечить устойчивое развитие территории, направленное на борьбу с деградацией почв”, — добавил Огородников.
#сельхоз #почва
Ученые Московского авиационного института (МАИ) работают над базой больших данных в области почвоведения. Проект включает в себя спутниковые снимки пахотных земель в разных спектральных диапазонах за последние четыре года. Специалисты уже приступили к разработке программы, которая сможет определять области повышенного плодородия почв.
Стартовой экспериментальной площадкой для реализации этого уникального проекта станет Куркинский район Тульской области. На протяжении 2024 года сотрудники МАИ собирали спутниковые снимки и другие данные, которые станут основой проекта. Именно они позволят искусственному интеллекту оценивать плодородие почвы.
С помощью автоматизированного анализа изображений, ИИ сможет определять участки с наибольшей и наименьшей продуктивностью. Это позволит фермерам оптимально распределить удобрения, ориентируясь на участки с низким содержанием питательных веществ.
По словам руководителя проекта, кандидата биологических наук, доцента кафедры “Экология, системы жизнеобеспечения и безопасность жизнедеятельности” МАИ Сергея Огородникова, использование методов машинного обучения дает возможность классифицировать почвы, выявлять скрытые зависимости между их физико-химическими и биологическими характеристиками.
“Для роста урожайности и увеличения производительности критически важно рационально и эффективно вносить удобрения, понимать, как меняются почвенно-экологические условия внутри поля. Данный метод позволяет уточнить взаимосвязь между спектральными характеристиками почвы и растительностью на ней. Почвы обладают способностью поглощать и отражать различные виды света, что видно на инфракрасных снимках”, — отмечает Сергей Огородников.
Уже сейчас большой интерес к проекту проявляют тульские фермеры. При работах на полях они начали ориентироваться на расчеты и спутниковые снимки, собранные специалистами МАИ.
“Мы получаем реальные заказы от агрохолдингов, в этом году обследовали 60 тысяч гектаров. Для проведения исследования мы подготовили сетку отбора проб, разбив поля на квадраты по 10 га с учетом рельефа и продуктивности почв. Без искусственного интеллекта вручную решить такую задачу было бы невозможно”, — говорит ученый.
Коммерциализация результатов исследования начата благодаря гранту “Умник” от Фонда содействия инновациям. В настоящее время коллективом подана заявка на следующий этап конкурса — “Старт-ИИ”.
По результатам работ оформлено два патента: на агро-почвенно-экологическую базу данных Тульской области и программу, моделирующую распределение загрязняющих веществ в почве с учетом рельефа местности.
“Автоматический анализ снимков позволит выделять на полях зоны продуктивности. В результате фермеры смогут оптимизировать внесение удобрений, перераспределяя их на обедненные полезными веществами участки. Эти управленческие и мелиоративные решения смогут повысить урожайность и обеспечить устойчивое развитие территории, направленное на борьбу с деградацией почв”, — добавил Огородников.
#сельхоз #почва