Цифровое картографирование засоленности почв юга степной зоны России на основе искусственных нейронных сетей и линейной регрессии

Аннотация

Данные дистанционного зондирования служат важным источником информации для мониторинга и картографирования растительного покрова. Методы машинного обучения являются современным и мощным инструментом для обработки данных. Однако методы машинного обучения в сочетании с данными дистанционного зондирования практически не использовались для оценки и картографирования засоленности почв на юге степной зоны России. В настоящей работе рассматривается возможность применения различных спектральных характеристик для оценки и картографирования засоленности почв в солонцовых комплексах на юге степной зоны России (Республика Калмыкия) с использованием методов машинного обучения. Был рассмотрен ряд предикторов, среди которых коэффициенты отражения в голубой, зеленой, красной, инфракрасной зонах спектра, вегетационные индексы (NDVI, NDVIt, TVI, SAVI, MSAVI, EVI1-EVI4), индексы засоления (SI1–SI6), индексы интенсивности (Int1, Int2), индекс яркости (BI) и индекс, предложенный авторами. Использовались снимки высокого разрешения со спутников QuickBird (2,4 м) и SuperView-1 (2 м). Засоленность почв оценивалась по двум показателям: удельная электропроводность в водной суспензии (EC1:5) и активность натрия (aNa1:5). В исследовании применялись две различные модели машинного обучения: линейная регрессия и нейронные сети. Согласно полученным результатам, в модели линейной регрессии для EC1:5 в слоях 0–30, 0–50, 0–100 см коэффициент детерминации (R2) на обучающей выборке равен 0,53, 0,59, 0,79; на тестовой выборке удалось получить коэффициент детерминации 0,49, 0,58, 0,70, соответственно. Модель нейронной сети имеет значительно более высокие коэффициенты детерминации: R2 для EC1:5 в слоях 0–30, 0–50, 0–100 см на обучающей выборке равен 0,68, 0,91, 0,97; на тестовой выборке равен 0,87, 0,86, 0,88, соответственно. Это указывает на больший потенциал данной модели для картографического моделирования засоленности почв. При этом наилучшими предикторами оказались следующие индексы: NDVIt, TVI, EVI1, Int1. Исследование показало потенциал использования модели нейронной сети и спектральных индексов, полученных с помощью изображений SuperView-1, для картографирования засоленности почв солонцовых комплексов на юге степной зоны России.

Литература

1.    Бананова В.А., Горбачев Б.Н. Растительный мир Калмыкии. Элиста, 1977.
2.    Доскач А.Г. Природное районирование Прикаспийской полупустыни. М., 1979.
3.    Научные основы предотвращения деградации почв (земель) сельскохозяйственных угодий России и формирования систем воспроизводства их плодородия в адаптивно-ландшафтном земледелии: Т. 1. Теоретические и методические основы предотвращения деградации почв (земель) сельскохозяйственных угодий. М., 2013.
4.    Прокопьева К.О. Использование разновременных космических снимков высокого разрешения для оценки засоления почв солонцового комплекса (Республика Калмыкия) // Аридные экосистемы. 2022. Т. 28, № 4 (93). https://doi.org/10.1134/S2079096122040163
5.    Прокопьева К.О., Конюшкова М.В. Гармонизация результатов химического исследования засоленности почв // Аридные экосистемы. 2023. Т. 29, №3 (96). https://doi.org/10.1134/S2079096123030095
6.    Руководство по управлению засоленными почвами / Под ред. Р. Варгаса, Е.И. Панковой, С.А. Балюка и др. Рим, 2017.
7.    Сафронова И.Н. Фитоэкологическое картографирование Северного Прикаспия. Геоботаническое картографирование 2001–2002. СПб.,2002.
8.    Себер Дж. Линейный регрессионный анализ. М., 1980.
9.    Abbas A., Khan S., Hussain N. et al. Characterizing soil salinity in irrigated agriculture using a remote sensing approach // Physics and Chemistry of the Earth. Parts A/B/C. 2013. Vol. 55–57.
10.    Allbed A., Kumar L., Sinha P. Soil salinity and vegetation cover change detection from multi-temporal remotely sensed imagery in Al Hassa Oasis in Saudi Arabia // Geocarto Int. 2018. Vol. 33, Iss. 8. https://doi.org/10.1080/10106049.2017.1303090
11.    Asfaw E., Suryabhagavan K.V., Argaw M. Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia // Journal of the Saudi Society of Agricultural Sciences. 2018. Vol. 17, Iss. 3. https://doi.org/10.1016/j.jssas.2016.05.003
12.    Bouaziz M., Matschullat J., Gloaguen R. Improved remote sensing detection of soil salinity from a semi-arid climate in Northeast Brazil // Comptes Rendus Geoscience. 2011. Vol. 343, № 11–12.
13.    Deering D.W., RouseJ.W., HaasR.H. et al. Measuring "forage production" of grazing units from LANDSAT MSS data // Proc. оf the 10th Int. I. Symp. on Remote Sens. оf Environ. II. 1975.
14.    Elnaggar A.A., Noller J.S. Application of remote-sensing data and decision-tree analysis to mapping salt-affected soils over large areas // Remote Sensing. 2010. 2(1) https://doi.org/10.3390/rs2010151
15.    Gorji T., Yildirim A., Hamzehpour N. et al. Soil salinity analysis of Urmia Lake Basin using Landsat-8 OLI and Sentinel-2A based spectral indices and electrical conductivity measurements // Ecological Indicators. 2020. Vol. 112. 106173. https://doi.org/10.1016/j.ecolind.2020.106173
16.    Habibi V., Ahmadi H., Jafari M. et al. Mapping soil salinity using a combined spectral and topographical indices with artifcial neural network // PLoS ONE. 2021. 16. https://doi.org/10.1371/journal.pone.0228494
17.    Huete A.R. A soil-adjusted vegetation index (SAVI) // Remote Sensing of Environment. 1988. Vol. 25, Iss. 3. https://doi.org/10.1016/0034-4257(88)90106-X
18.    Jiang Z., Huete A.R., Didan K. et al. Development of a two-band enhanced vegetation index without a blue band // Remote Sensing of Environment. 2008. Vol. 112, Iss. 10. https://doi.org/10.1016/j.rse.2008.06.006
19.    Koulla Noureddine, Achite Mohammed, Celso A.G. Santos et al. Spatial modeling of soil salinity using multiple linear regression, ordinary kriging and artificial neural network methods in the lower Cheliff plain, Algeria // Journal of Urban & Environmental Engineering. 2019. Vol. 13, Iss. 1.
20.    Ma S., He B., Xie B. et al. Investigation of the spatial and temporal variation of soil salinity using Google Earth Engine: a case study at Werigan–Kuqa Oasis, West China // Sci Rep. 2023. Vol. 13. 2754. https://doi.org/10.1038/s41598-023-27760-8
21.    Mousavi S.Z., Habibnejad M., Kavian A.et al. Digital Mapping of Topsoil Salinity Using Remote Sensing Indices inAgh-Ghala Plain, Iran // Ecopersia. 2017. Vol. 5, Iss. 2.
22.    Ngabire M., Wang T., Xue X. et al. Soil salinization mapping across different sandy land-cover types in the Shiyang River Basin: A remote sensing and multiple linear regression approach // Remote Sensing Applications: Society and Environment. 2022. Vol. 8. 100847.
23.    Ramos T., Castanheira N., Oliveira A. et al. Soil salinity assessment using vegetation indices derived from Sentinel-2 multispectral data. Application to Lezíria Grande Portugal // Agricultural Water Management. 2020. Vol. 241. 106387. https://doi.org/10.1016/j.agwat.2020.106387
24.    Fatemeh R., Shayouby A., Mojtaba N. Comparison of artificial neural network and multiple linear regressions efficiency for predicting soil salinity in Yazd -Ardakan plain, central Iran //Desert Ecosystem Engineering.2018.Vol. 7, Iss. 1(in English).
25.    Sarkar S.K., Rudra R.R., Sohan A.R. et al. Coupling of machine learning and remote sensing for soil salinity mapping in coastal area of Bangladesh //Sci.Rep.2023. 13. 17056. https://doi.org/10.1038/s41598-023-44132-4
26.    Shahabi M., Jafarzadeh A.A., Neyshabouri M.R. et al. Spatial modeling of soil salinity using multiple linear regression, ordinary kriging and artificial neural network methods // Arch. Agron. Soil Sci.2017. Vol. 63.
27.    Sidike A., Zhao S., Wen Y. Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra // International Journal of Applied Earth Observation and Geoinformation. 2014. Vol. 26. https://doi.org/10.1016/j.jag.2013.06.002
28.    Scottá F.C., Fonseca E.L. Multiscale trend analysis for pampa grasslands using ground data and vegetation sensor imagery // Sensors (Switz.). 2015. Vol. 15.
29.    Taghizadeh-Mehrjardi R., Schmidt K., Toomanian N. et al. Improving the spatial prediction of soil salinity in arid regions using wavelet transformation and support vector regression models // Geoderma. 2021. 383. https://doi.org/10.1016/j.geoderma.2020.114793
30.    Wang J., Peng J., Li H. et al. Soil salinity mapping using machine learning algorithms with the sentinel-2 MSI in arid areas, China // Remote Sensing. 2021. Vol. 13 (2), 305 https://doi.org/10.3390/rs13020305