Использование гидов и дистанционного зондирования для исследования почвы и картирования

Введение в современное исследование почвы

Почва является основой земной жизни, поддерживая сельское хозяйство, лесное хозяйство, городское развитие и природные экосистемы. Точное исследование почвы и картирование имеют решающее значение для устойчивого управления земельными ресурсами, оптимизации урожайности, сохранения окружающей среды и планирования инфраструктуры. Традиционные полевые исследования почвы, хотя и являются необходимыми, являются трудоемкими, трудоемкими и часто непрактичными для больших или недоступных районов. За последние два десятилетия технологии географических информационных систем (ГИС) и дистанционного зондирования (РС) коренным образом изменили то, как почвоведы собирают, анализируют и интерпретируют пространственные данные почвы. Объединив спутниковые или авиационные изображения с мощными инструментами пространственного анализа, практики теперь могут отображать свойства почвы во всех регионах с беспрецедентной скоростью, согласованностью и детализацией. В этой статье рассматриваются основные концепции, методы, приложения, преимущества и будущие направления использования ГИС и дистанционного зондирования для исследования и картирования почвы.

Понимание ГИС и дистанционного зондирования

Что такое ГИС?

Географическая информационная система (ГИС) представляет собой компьютерную основу для сбора, хранения, запроса, анализа и отображения географических данных. В основе ГИС лежит интеграция аппаратных средств, программного обеспечения и данных, позволяющая пользователям визуализировать закономерности, взаимосвязи и тенденции в пространственной информации. Слои данных, такие как топография, земельный покров, тип почвы, климат и гидрология, могут быть наложены и проанализированы вместе. Для исследований почвы ГИС служит центральной платформой, где выходы дистанционного зондирования, полевые измерения и вспомогательные наборы данных объединяются для создания подробных карт почвы и прогнозных моделей.

Что такое дистанционное зондирование?

Дистанционное зондирование относится к получению информации об объекте или области с расстояния, обычно с использованием датчиков, установленных на спутниках, самолетах или беспилотниках. Эти датчики обнаруживают и регистрируют электромагнитное излучение, отраженное или испускаемое с поверхности Земли. Различные длины волн - видимые, ближние инфракрасные, коротковолновые инфракрасные и тепловые - показывают различные характеристики почвы. Например, цвет почвы, содержание влаги, органическое вещество и минеральный состав - все влияют на спектральные модели отражения. Дистанционное зондирование обеспечивает синоптический, повторяемый охват в больших масштабах, что делает его незаменимым для региональных обследований почвы.

Как ГИС и дистанционное зондирование работают вместе

В то время как дистанционное зондирование генерирует необработанные изображения, ГИС обеспечивает аналитическую среду для извлечения значимой информации о почве. Спутниковые изображения сначала геореференцированны и скорректированы для атмосферных и геометрических искажений. Затем в ГИС вычисляются спектральные индексы (например, Нормализованный индекс разности растительности, Индекс растительности с поправкой на почву) и применяются методы пространственной интерполяции (например, кригинг, обратный вес на расстоянии) для создания непрерывных поверхностей свойств почвы. Интеграция позволяет исследователям экстраполировать точечные наблюдения почвы по ландшафтам и отслеживать изменения с течением времени.

Ключевые применения в почвенном исследовании

Картирование типов и классов почв

Одним из наиболее фундаментальных применений является разграничение типов почв и таксономических классов на больших площадях. Традиционное картирование почв опирается на интенсивную выборку полей и интерпретацию аэрофотосъемки, но дистанционное зондирование ускоряет процесс. Многоспектральные изображения из Landsat (разрешение 30 м) или Sentinel-2 (10-20 м)] могут быть классифицированы с использованием алгоритмов машинного обучения для различения единиц почвы на основе цвета, текстуры и структуры растительности. Например, Служба сохранения природных ресурсов USDA (NRCS) интегрировала данные дистанционного зондирования в свои усилия по цифровому картированию почвы, улучшая точность баз данных Soil Survey Geographic (SSURGO).

Оценка эрозии и деградации почв

ГИС и дистанционное зондирование позволяют проводить пространственно явную оценку риска эрозии. Универсальное уравнение потерь почвы (USLE) и его пересмотры (RUSLE) могут быть параметризированы с использованием цифровых моделей возвышения (DEM), полученных из LiDAR или стерео-спутниковых изображений, данных осадков, классификаций почвенного покрова и карт эрозии почвы. Например, использование изображений Sentinel-2 для получения фактора управления покровом (C-фактор) и DEM на основе LiDAR для вычисления топографического фактора (LS-фактор) позволяет исследователям отображать потенциал эрозии на поле до масштабов водораздела. Тематические исследования на плато Лёсс в Китае и в регионе Сахеля показали, что карты эрозии на основе дистанционного зондирования хорошо коррелируют с полевыми измерениями и помогают расставить приоритеты в мероприятиях по сохранению.

Мониторинг влажности почвы

Влажность почвы является критической переменной для планирования орошения, мониторинга засухи и гидрологического моделирования. Активное и пассивное микроволновое дистанционное зондирование, такое как от спутника SMAP (Soil Moisture Active Passive) или Sentinel-1 , может оценивать содержание влаги в почве на поверхности (0-5 см глубина) с глобальным покрытием. В ГИС эти карты влажности могут быть уменьшены с использованием топографических индексов (например, Topographic Wetness Index) и данных о почвенном покрове для получения оценок влажности на полевом уровне. Фермеры и водные менеджеры используют такие продукты для оптимизации орошения и сокращения отходов воды. Кроме того, тепловые инфракрасные датчики (например, тепловая полоса Landsat) предоставляют дополнительную информацию путем обнаружения температуры навеса, которая относится к напряжению воды растений и влажности корневой зоны.

Обнаружение солености почвы и щелочных условий

Засоление почвы влияет на обширные площади орошаемых земель, особенно в засушливых и полузасушливых регионах. Почвы, затронутые солью, демонстрируют различные спектральные сигнатуры в видимых и ближнем инфракрасном диапазонах: повышенная отражательная способность в видимом диапазоне и уменьшенная в коротковолновом инфракрасном диапазоне. Используя мультиспектральные индексы, такие как Нормализованный индекс солености почвы (NDSI) или Индекс солености почвы (SSI) , ГИС и дистанционное зондирование могут отображать степень и тяжесть солености. Исследователи объединили временные ряды Landsat с измерениями проводимости поля для отображения динамики солености в бассейне Инда и долине Сан-Хоакин, предоставляя действенную информацию для планирования восстановления.

Оценка почвенного органического углерода (SOC) и фертильности

Гиперспектральное дистанционное зондирование (визуальная спектроскопия) захватывает сотни узких спектральных полос, которые могут разрешать функции поглощения, связанные с органическим веществом, глиняными минералами и оксидами железа. Хотя космические гиперспектральные миссии (например, EnMAP , PRISMA ) все еще относительно новые, бортовые датчики, такие как AVIRIS, продемонстрировали точное отображение SOC по сельскохозяйственным полям. В рамках ГИС эти спектральные оценки сочетаются с ковариатами окружающей среды (топография, землепользование, климат) для получения карт SOC высокого разрешения (ISRIC - World Soil Information ) использует такие подходы для глобального картирования свойств почвы. Фермеры могут затем применять оплодотворение с переменной скоростью на основе этих карт, повышая эффективность и уменьшая воздействие на окружающую среду.

Методы и источники данных

Спутниковые датчики и платформы

Несколько спутниковых миссий предоставляют бесплатные или недорогие изображения, подходящие для исследования почвы:

LiDAR для топографической и структурной информации

Light Detection and Ranging (LiDAR) обеспечивает высокоточные цифровые модели возвышения (DEM) с субметровой вертикальной точностью. Эти DEM необходимы для вычисления наклона, аспекта, кривизны и накопления потока - переменных, которые сильно влияют на формирование почвы, эрозию и распределение влаги. LiDAR также может проникать в навес растительности, чтобы выявить поверхность голой земли, что делает его бесценным для картирования почвы в лесных или кустарниковых ландшафтах. Многие национальные картографические агентства (например, USGS 3DEP) предоставляют открытые данные LiDAR.

Гиперспектральная и мультиспектральная визуализация

Гиперспектральные датчики захватывают данные в сотнях смежных узких спектральных полос, что позволяет детально охарактеризовать минералогию почвы, органическое вещество и влагу. Видимый/инфракрасный спектрометр почвы (AVIRIS) и космический PRISMA являются яркими примерами. Обработка гиперспектральных данных требует передовых методов, таких как удаление континуума и сопоставленная фильтрация, но выигрыш заключается в способности отображать свойства почвы, которые невидимы для широкополосных датчиков. Мультиспектральные датчики (например, Landsat, Sentinel-2) остаются более широко доступными и часто достаточны для картирования типов почвы, влажности и солености с использованием индексов и классификации.

Беспилотные летательные аппараты (БПЛА или дроны)

Дроны, оснащенные мультиспектральными, тепловыми или LiDAR-датчиками, предлагают данные о почве сверхвысокого разрешения (<1-10 см) для небольших площадей (полей до нескольких квадратных километров). Это особенно полезно для точного земледелия, где фермерам нужны подробные карты вариабельности в пределах поля. БПЛА могут быть развернуты по требованию, избегая проблем облачного покрова, которые мешают спутниковым снимкам. Однако ограниченное покрытие и высокие эксплуатационные расходы ограничивают их использование локализованными исследованиями или кампаниями проверки.

Методы обработки и анализа изображений

Сырье дистанционного зондирования должно быть обработано для извлечения информации о почве:

Интеграция данных в ГИС

Предварительная обработка данных и гармонизация

Для эффективного картирования почв требуется согласованная инфраструктура пространственных данных. В ГИС изображения дистанционного зондирования интегрируются с вспомогательными наборами данных, такими как ДЭМ, климатические сетки (осадки, температура), карты землепользования/почвенного покрытия и существующие полигоны для обследования почв. Все слои должны быть перепроецированы в общую систему координат и повторно отобраны с однородным разрешением (например, 30 м для картографирования на основе Landsat). Выбросы и пробелы обрабатываются с помощью интерполяции или алгоритмов заполнения пробелов.

Пространственная интерполяция и геостатистика

Поскольку свойства почвы являются непрерывными в пространстве, методы интерполяции используются для прогнозирования значений в неиспытанных местах из точечных наблюдений и ковариатов дистанционного зондирования. Кригирование (например, обычное и кокригирование) и регрессионное кригирование являются популярными геостатистическими методами, которые учитывают пространственную автокорреляцию. В регрессионном кригинге связь между целевым свойством почвы (например, SOC) и дистанционно воспринимаемыми предикторами сначала моделируется с использованием линейной регрессии или случайного леса, затем остатки кригируются. Этот гибридный подход часто дает более точные карты, чем любой из методов в одиночку.

Цифровая картировка почвы (DSM)

Интеграция ГИС и дистанционного зондирования привела к цифровому картированию почвы (DSM) , также известному как прогнозное картирование почвы. DSM использует математические модели для связи наблюдений за почвой с ковариатами окружающей среды (факторы «корпан»: почва, климат, организмы, рельеф, исходный материал, возраст и пространство). Дистанционное зондирование способствует ковариатам, таким как спектральная отражательность, индексы растительности и атрибуты местности. Алгоритмы машинного обучения (случайный лес, повышение градиента, нейронные сети) затем генерируют непрерывные карты свойств почвы с связанной с ними неопределенностью. Проект почвенных сетей является глобальным примером DSM, предоставляя прогнозы для рН почвы, органического углерода, текстуры и объемной плотности при разрешении 250 м с использованием дистанционного зондирования и данных об окружающей среде.

Пример рабочего процесса: картирование органического углерода почвы в сельскохозяйственных полях

Рассмотрим сценарий, в котором исследователь стремится составить карту SOC в сельскохозяйственном регионе площадью 50 км2.

  1. Приобретение изображений Sentinel-2 (безоблачный, вегетационный сезон) и LiDAR DEM.
  2. Расчет спектральных индексов (NDVI, NBR, цветовые индексы) и атрибутов местности (склон, TWI, кривизна).
  3. Сбор 100 образцов почвы (0-30 см глубины) для лабораторного анализа.
  4. Использование 70 образцов для обучения случайной модели леса со спутниковыми и ландшафтными ковариатами; 30 образцов для проверки.
  5. Прогнозирование SOC по всей области и отображение результатов в ГИС.
  6. Наложение карты SOC с земельными участками для направления применения извести с переменной скоростью или удобрений.

Преимущества и проблемы

Ключевые преимущества

  • Стоимость и эффективность по времени: Покрытие больших площадей, для которых потребовались бы недели выборки полей, занимает часы со спутниковыми снимками.
  • Синоптический и повторяемый охват: спутники посещают одну и ту же область каждые несколько дней, что позволяет временно контролировать динамику почвы (например, сезонную влагу, эрозию после штормов).
  • Высокое пространственное разрешение : Современные датчики обеспечивают разрешение от субметра до 10 м, захватывая мелкомасштабную изменчивость, важную для точного земледелия.
  • Многослойная интеграция: ГИС позволяет комбинировать данные о почве с топографией, климатом и землепользованием для комплексного анализа.
  • Улучшенная точность : Сочетание полевых данных с ковариатами дистанционного зондирования часто дает более точные карты, чем только полевые данные, особенно для свойств, которые имеют сильные спектральные или топографические сигнатуры.
  • Доступ к удаленным районам: Спутниковое дистанционное зондирование позволяет проводить исследования почвы в регионах, к которым трудно или опасно получить доступ пешком (например, зоны конфликтов, водно-болотные угодья, крутые склоны).

Проблемы и ограничения

  • Техническая экспертиза необходима: Обработка изображений, геостатистика и машинное обучение требуют специализированной подготовки. Многие сельскохозяйственные службы распространения не имеют этой способности.
  • Объем данных и сложность обработки: Изображения высокого разрешения и временные ряды генерируют терабайты данных, требующие мощных вычислений и хранения.
  • Облачный покров и атмосферные эффекты: Оптическое дистанционное зондирование затруднено устойчивым облачным покровом в тропических регионах. SAR может смягчить это, но требует различных навыков обработки.
  • Смешанные проблемы пикселей: При умеренном разрешении (например, 30 м) один пиксель может содержать несколько типов почвы, растительность и тени, что усложняет спектральный анализ.
  • Необходимость установления истинности данных о грунте : Модели дистанционного зондирования должны быть откалиброваны и проверены с использованием полевых образцов.
  • Высокий первоначальный уровень затрат: В то время как многие спутниковые наборы данных бесплатны, приобретение LiDAR, гиперспектральных или коммерческих изображений с высоким разрешением сопряжено со значительными расходами.
  • Ограничения глубины грунта: Оптические и радиолокационные средства дистанционного зондирования проникают только в верхние несколько сантиметров почвы. Неповерхностные свойства (например, текстура недр, уплотнение) не могут быть непосредственно ощутимы; они должны быть выведены из поверхностных индикаторов и моделей.

Будущие перспективы

Машинное обучение и искусственный интеллект

Advances in machine learning, particularly deep learning (convolutional neural networks, recurrent networks), are enabling more accurate and automated extraction of soil information from remote sensing imagery. For example, CNNs can learn spatial patterns in high-resolution images to classify soil types or estimate SOC without handcrafted features.Обучение передаче позволяет настраивать модели, предварительно обученные на больших наборах данных (например, ImageNet), для задач картирования почвы с минимальными локальными данными. ИИ также облегчает автоматизированный контроль качества и обнаружение выбросов.

Облачные вычисления и платформы больших данных

Такие платформы, как Google Earth Engine, Amazon Web Services (AWS) Earth и Microsoft Planetary Computer, предоставляют доступ к массивным архивам спутниковых снимков и предварительно построенным инструментам анализа. Эти облачные среды устраняют необходимость в локальном хранении данных и высокопроизводительных вычислениях. Пользователи могут запускать алгоритмы картирования почвы в глобальном масштабе за считанные минуты. Будущие исследования почвы будут все чаще использовать такие платформы для обработки многосенсорных временных рядов для мониторинга в режиме реального времени.

Интеграция с IoT и сенсорами In-Situ

Интернет вещей (IoT) приносит доступные датчики почвы (влажность, температура, EC, pH) в сельскохозяйственные поля. Объединение потоков данных IoT со спутниковыми изображениями в ГИС создает плотную сеть наблюдений для калибровки моделей дистанционного зондирования. Например, сеть зондов влажности почвы может проверять оценки SMAP и улучшать алгоритмы масштабирования. Этот гибридный подход обещает высокоточную, локализованную информацию о почве, обновленную в режиме реального времени.

Гиперспектральные спутниковые созвездия

Новые спутниковые миссии, такие как NASA Surface Biology and Geology (SBG) и запланированная CHIME (Copernicus Hyperspectral Imaging Mission for the Environment)], обеспечат рутинные гиперспектральные данные с разрешением 30 м по всему миру. Эти наборы данных произведут революцию в картировании минералогии почвы и органических веществ, поскольку они будут захватывать тонкие спектральные особенности, которые в настоящее время доступны только с бортовых датчиков. Широкая доступность космических гиперспектральных данных снизит барьеры для входа для почвоведов во всем мире.

Точное земледелие и устойчивое землепользование

Конечная цель исследования почв заключается в информировании о более эффективном управлении земельными ресурсами. По мере того, как ГИС и дистанционное зондирование становятся все более интегрированными в системы управления фермерскими хозяйствами, технологии с переменной скоростью будут применять исходные данные (удобрения, ирригация, поправки) на основе почвенных карт высокого разрешения. Это снижает затраты, повышает урожайность и сводит к минимуму загрязнение окружающей среды. Правительства и международные организации также используют спутниковую информацию о почвах для мониторинга нейтральности деградации земель (ЦУР 15.3) и для целевых программ сохранения.

Заключение

ГИС и дистанционное зондирование перешли от экспериментальных инструментов к оперативным потребностям в исследовании и картировании почв. Они позволяют практикующим специалистам рассматривать почвы не как статические точки, а как динамические, пространственно непрерывные системы. Объединив синоптический вид спутников с аналитической мощностью ГИС, почвоведы могут отображать свойства, отслеживать изменения и поддерживать решения в масштабах от отдельных полей до целых континентов. Продолжающееся слияние машинного обучения, облачных вычислений и новых сенсорных технологий только углубит эту способность, делая точную информацию о почве доступной для более широкого сообщества. Для всех, кто участвует в сельском хозяйстве, управлении окружающей средой или планировании землепользования, принятие этих технологий больше не является обязательным - это необходимо для устойчивого будущего.