Соболев Иван Владимирович

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.