Дешифрирование почв по косвенным признакам

Использование автоматизированных технологий обработки и дешифрирования многозональных ДДЗ позволяют значительно повысить эффективность цифрового почвенного картографирования за счет сокращения времени (в среднем в 3 раза сокращаются временные затраты на полевые и картосоставительские работы) и повышения точности локализации контуров.a) фрагмент космического снимка Ikonos, 17.09.2006, б) фрагмент цифровой почвенной карты СПК «Новое Полесье», 2004 г.; в) фрагмент цифровой почвенной карты, полученной в результате автоматизированной дешифрирования космического снимка Ikonos.Рисунок 1 - Результат автоматизированного дешифрирования космического снимка Ikonos на территорию КТП Величковичи2.2 Дешифрирование сельскохозяйственных земель на примере северной части озера Чалкар, Западно-Казахстанская областьНа сайте Геологической службы США был сделан заказ на космоснимок КА Landsat, который был создан специально для природно-ресурсного мониторинга различных территорий. Особенностью выбора снимка Landsat 5TM, является его оптико-электронная камера ТМ и модернизированный сканер МSS (мультиспектральное сканирующее устройство). Камера ТМ позволяет формировать изображение в семи участках электромагнитного спектра с пространственным разрешением 30 м в видимом и инфракрасном диапазоне с шириной полосы обзора 185 км [4]. Для исследований используются снимки крупного масштаба, сделанные на различные моменты времени. Они должны охватывать всю исследуемую область, быть одного типа, например, видимого диапазона. Из всех возможных вариантов выбираются наиболее качественные снимки без облачного покрова, предназначенный для картографирования прибрежных водных поверхностей. Таковым был получен снимок, сделанный в конце летнего периода (01.09.2012 г) с ПР 30 м.Рисунок 2 - Необработанный космоснимок района исследованияКак известно, в большинстве случаев, геометрия получаемых снимков сопровождается искажениями. Вследствие этого, проведение точных измерений по снимку затруднительно. Для восстановления геометрии изображений проводится фотограмметрическая обработка снимка, в ходе которой устанавливается взаимно однозначное соответствие между точками на снимке и аналогичными точками, расположенными на земной поверхности. При этом устраняются геометрические искажения снимка. В программном комплексе ArcGIS/ArcMap координатная (географическая) привязка в ArcMap осуществляется в несколько этапов, последовательность которых зависит от типа привязываемого материала. Привязка растров в ArcGIS осуществлялась при помощи инструментов с панели Пространственная привязка (Georeferencing). При обработке космоснимков многие методы используют признаки спектральной яркости, поэтому в ходе автоматизированного дешифрирования решается задача определения количественных связей между спектральной яркости и характеристиками объектов. Распределение пикселей по классам происходит в спектральном пространстве. Обработка космоснимка исследуемой территории выполняется методом классификации в программе ENVI 4.7, в процессе которой автоматически выделяются 255 похожих цветов. Задачей классификации явилось разбиение группы объектов на количество классов Number of Classes (в данном случае 14 классов), число итераций Maximum Iterations и порог сходимости Convergence Threshold. Затем каждому классу присваивается определенный цвет. На следующем этапе обработки с каждым выделенным классом связывается то или иное значение атрибутивного признака. Используя команду Edit/Add Area Column, можно вычислить площадь, соответствующую каждому выделенному классу. После разделения на 6 классов (типов земель), каждый класс в формате ROI переводится в векторный слой с целью их использования для проведения пространственного анализа в ГИС. Векторный файл в ENVI в формате evf*, пересохраняем его в шейп-файл (shp) для дальнейшей работы с ним. После перевода векторного файла снимка в шеп-файл работа продолжается в программе ArcGIS/ArcMap, где по атрибутивной таблице снимка происходит распознование объектов и группировка цветов, производится их объединение или разъединение по соответсвующим признакам на классы. Затем по топооснове, сопоставляя объекты и используя интерпретацию комбинаций каналов данных Landsat 5,7TM по трем каналам: 7,4,2, которое дает изображение близкое к естественным цветам: сухостойная растительность выглядит оранжевым цветом, здоровая – ярко зеленой, травяные сообщества – зелеными, розовые участки детектируют открытую почву, коричневые и оранжевые тона характерны для разреженной растительности. По данным характеристикам находятся соответствующие объекты на космоснимке исследуемой территории и производится их классификация. Таким образом, на исследуемой территории были выделены 6 классов соответствующие определенному типу сельскохозяйственных земель или комплексу ландшафтов и получена карта района исследования со следующими типами земель: 1 класс – влажный растительный покров; 2 класс – участки с разнотравной растительностью; 3 класс - открытые такыровидные участки; 4 класс - пашни; 5 класс –неиспользуемые земли; 6 класс – антропогенные участки (оголенные участки); [4]. Рис.6. Составленная карта сельскохозяйственных земель северной части озера ЧалкарЗаключениеИзучение и картографирование почвенного покрова на основе данных космической съемки является актуальным и практически значимым направлением, прежде всего для сельского хозяйства. Однако определение отдельных характеристик почвенного покрова и тем более типа почв (согласно генетической классификации) по данным дистанционного зондирования часто представляет собой сложную и нетривиальную задачу. Ее решение требует высокой квалификации специалиста, а также хороших знаний особенностей исследуемой территории [10]. Сложность дешифрирования почвенного покрова определяется двумя факторами. Во-первых, почва как целостный природный объект, имеющий определенное строение генетического профиля и различные почвенные горизонты, на космических снимках непосредственно не изображается. Даже в случае распашки и отсутствия посевов на снимках отображаются лишь отдельные свойства поверхностного горизонта – гумусированность, влажность, карбонатность, засоленность, механический состав. В большинстве случаев дешифрирование производится на основе косвенных признаков – взаимосвязей почвы с компонентами ландшафта, получающими наилучшее отображение на космических снимках, в первую очередь с растительностью и рельефом [10]. Вторая проблема, часто возникающая при дешифрировании почвенного покрова, заключается в том, что спектральные характеристики открытой почвы определяются с одной стороны содержанием органического вещества (гумуса), а с другой – влажностью. Увеличение содержания гумуса или рост влажности почвы приводят к снижению коэффициентов спектральной яркости (прежде всего в красной зоне, ключевой для дешифрирования характеристик почвенного покрова). Разделить влияние этих двух составляющих (содержания гумуса и влажности) часто весьма проблематично. Для дешифрирования характеристик почвенного покрова большое значение имеет также выбор сезона съемки. Наиболее информативными являются весенние и осенние снимки, когда значительные площади сельхозугодий распаханы и не покрыты растительностью, что позволяет использовать прямые дешифровочные признаки. В летний период площадь открытых почв существенно меньше. Также возможность использования прямых дешифровочных признаков зависит от площади обрабатываемых сельскохозяйственных угодий. Наиболее информативны прямые признаки для дешифрирования почв степной и лесостепной зон, в пределах которых распахано до 70-80% территории. Общей особенностью сухих почв разной генетической принадлежности, а также многих типов почвообразующих горных пород является монотонный рост коэффициентов спектральной яркости с увеличением длины волны в диапазоне от 0,4 до 2 мкм. При этом можно выделить два признака, позволяющие отличить открытую почву или грунт от участков, покрытых сухой растительностью или имеющих проективное покрытие вегетирующей растительностью менее 50%:• Сравнительно низкие значения нормализованного разностного вегетационного индекса NDVI (для разных типов почв характерные значения NDVI лежат в диапазоне от 0,05 до 0,2) • Высокий коэффициент спектральной яркости в среднем ИК диапазоне, который обратно зависит от влажности поверхности. Также для открытой почвы характерно значительное превышение яркости в среднем ИК диапазоне над яркостью в ближнем ИК диапазоне. NDVI (Normalized Difference Vegetation Index) представляет собой простой количественный показатель количества фотосинтетически активной биомассы. Этот один из самых распространенных индексов для получения количественных оценок растительного покрова. Таким образом, плотность растительности в каждом пикселе изображения равна разнице интенсивностей отраженного света в красном и инфракрасном диапазоне, деленной на сумму их интенсивностей[10].Для выделения по снимкам участков с открытыми почвами оптимально использовать синтез каналов «красные цвета» (NIR-RED-GREEN), а также SWIR-NIR-RED. Синтез естественных цветов малопригоден для отделения открытой почвы и сухой растительности. В синтезе красных цветов открытые почвы отображаются различными оттенками от светло-голубого (характерного для открытой песчаной поверхности или смытой почвы) до почти черного для черноземов. На наличие растительности указывает красный оттенок на изображении (чем он более выражен, тем больше проективное покрытие растительностью). Участки с сухой растительностью выглядят обычно более светлыми, чем открытая почва. В свою очередь, в синтезе SWIR-NIR-RED открытые почвы отображаются различными оттенками от светло-розового (характерного для почв с низким содержанием гумуса) до темно-вишневого для черноземов. Общей особенностью открытых почв в этом синтезе является значительное превышение яркости в средней ИК зоне спектра над яркостью в ближней ИК зоне.Сложности при распознавании открытой почвы могут возникать для наиболее светлых участков «смытых» почв, спектральный образ которых мало отличим от сухой растительности. Отличить такие участки можно визуально по более сглаженной текстуре изображения, а также за счет голубоватого оттенка, который проявляется в синтезе «красных цветов». Появление этого оттенка обусловлено высокой яркостью открытой почвы в зеленой и красной зонах спектра. Спектральные характеристики различных типов почв Спектральная яркость сухих почв определяется содержанием органических (гумусовых) веществ и окислов железа. С увеличением содержания гумуса спектральная яркость почвы снижается. Такая зависимость наиболее выражена при содержании гумуса в почве от 2 до 6%. При содержании гумуса менее 2% спектральные характеристики почвы в большей степени определяются содержанием окислов железа, ила и глины. При прочих равных условиях, песчаные почвы имеют существенно более высокую яркость, чем глинистые [10]. Также на спектральную яркость может оказывать влияние структура почв – бесструктурные почвы отражают на 10-15% больше света, чем хорошо оструктуренные. Абсолютные значения коэффициентов спектральной яркости на участке спектра от синего до среднего ИК диапазона возрастают от черноземов к каштановым, серым лесным, подзолистым почвам, далее к почвам пустынь (буроземам, сероземам). Самую высокую яркость в видимом диапазоне имеют солончаки. В синтезе NIR-RED-GREEN в зависимости от содержания гумуса и материнской породы цвет открытых почв меняется от ярко-голубого для песчаных подзолистых почв до темно-серого (почти черного) для черноземов. Именно на этих типах почв расположена большая часть площади пашни в России. В большинстве случаев смена зональных типов почв по снимкам прослеживается плохо, поскольку зональные границы являются нечеткими, с наличием широких переходных зон [10]. Зональные границы почв могут отображаться на снимках с большой обзорностью (протяженность полосы съемки от нескольких сотен км2), полученных в весенний или осенний период, когда значительная часть площади распахана и лишена растительного покрова [10]. В свою очередь, с высокой детальностью на снимках отражаются локальные вариации почвенного покрова, обусловленные рельефом и изменением условий увлажнения. Наиболее типичны локальные вариации спектральной яркости почв, обусловленные плоскостным смывом. В случае плоскостного смыва органическое вещество смывается с выпуклых участков склонов и аккумулируется в долинах водотоков, понижениях и в вогнутых участках склонов. Соответственно, открытая почва в зоне смыва будет существенно светлее, чем в зоне аккумуляции.Из интразональных типов почв лучше всего по снимкам распознаются почвы гидроморфного ряда: тундровые болотные, болотно-луговые почвы в тундровой зоне; торфяно-глеевые, торфяные и лугово-болотные почвы в лесной зоне; луговые; лугово-черноземные; лугово-каштановые в степной зоне [10]. По прямым дешифровочным признакам хорошо распознаются засоленные участки, которые широко распространены в степной и полупустынной зонах. Их дешифрирование, как правило, не представляет сложностей, так как кристаллы солей на поверхности почвы придают ей характерный белый цвет. В синтезе каналов SWIR-NIR-RED некоторые участки солончаков имеют голубоватый оттенок – это характерно для пересыхающих соленых озер, где соляная корка может быть хорошо увлажнена (рис. 3.2.8). При этом сухие участки будут иметь ярко-белый цвет, участки покрытые солью с высоким влагосодержанием – светло-голубой или бирюзовый, а покрытые водой – синий оттенок.© 2022 ЕвразийскийСоюзУченых.All Rights Reserved.НАУЧНОЕ ИЗДАТЕСписок использованной литературы1Мышляков С. Г. Дешифрирование и картографирование почв сельскохозяйственных земель по космическим снимкам сверхвысокого разрешения //Современные проблемы дистанционного зондирования Земли из космоса. – 2009. – Т. 6. – №. 2. – С. 411-418.2 Конах В. В., Топаз А. А., Шалькевич Ф. Е. Дешифрование почв пойменных ландшафтов методами цифровой обработки аэрофотоснимков. – 2004.3Самсонова Н. В. Дешифрирование аэроснимков для почвенного картографирования //Евразийский Союз Ученых. – 2015. – №. 4-11 (13). – С. 134-136.4 Старостин Е.А. Космическое дешифрирование почв // Материалы XII Международной студенческой научной конференции «Студенческий научный форум» URL:https://scienceforum.ru/2020/article/20180218225 Инструкция по дешифрированию аэрофотоснимков и фотопланов в масштабах 1:10000 и 1:25000 для целей землеустройства, государственного учёта земель и земельного кадастра. – Москва, 1978. – 142 с.6 Афанасьева Т.В. Использование аэрометодов при картировании и исследовании почв. – М.: типография изд-ва МГУ, 1965. – 158 с.Лабутина И.А. Дешифрирование аэрокосмических снимков. – М.: Аспект Пресс, 2004. – 184 с.7 Фостиков А.А., Альтшулер Б.Ш., Плоткин Р.М., Сухотько Н.В. 8 Аэрофотогеодезические изыскания в сельском хозяйстве. – М.: Недра, 1980. – 320 с.9Гопп Н. В. Использование спутниковых, наземных и аналитических данных в картографии почв // Интерэкспо Гео-Сибирь. 2010. №1. URL: https://cyberleninka.ru/article/n/ispolzovanie-sputnikovyh-nazemnyh-i-analiticheskih-dannyh-v-kartografii-pochv (дата обращения: 13.09.2022).10 Шихов А. Н. и др. Тематическое дешифрирование и интерпретация космических снимков среднего и высокого пространственного разрешения. – 2020.