Научный перевод-изложение публикации Ziyang Li и соавт., Scientific Reports, 2025, 15:26484. DOI: 10.1038/s41598-025-06915-9.

Оригинальное название: Geochemical inversion study of potassium and phosphorus in soil based on neural network and ZY1-02D hyperspectral data.

Редакционный принцип: сохранены фактические результаты, терминология и исходные рисунки; текст систематизирован и изложен по-русски без претензии на дословное воспроизведение каждого абзаца. Изображения и подписи размещены по смысловым разделам. Все числовые данные взяты из оригинальной статьи.

Работа посвящена дистанционной оценке валового содержания калия (K) и фосфора (P) в почвах уезда Инцзян провинции Юньнань, Китай. Авторы использовали спутниковые гиперспектральные изображения прибора AHSI платформы ZY1-02D и результаты геохимического анализа 856 почвенных проб. Для снижения шумов и выявления диагностических спектральных особенностей применены сглаживание Савицкого — Голея, преобразование минимальной доли шума (MNF), устранение континуума и спектральное дифференцирование до третьего порядка. Предложено разделять участки с растительным покровом и обнажённой почвой и отдельно обучать модели оценки K и P. Наилучшие показатели среди проверенных подходов получены с моделью Extreme Learning Machine (ELM). Для калия R² составил 0,654 на покрытых растительностью территориях и 0,617 на открытой почве. Для фосфора значения R² существенно ниже: 0,335 и 0,331 соответственно. Исследование демонстрирует перспективность зонально-дифференцированного подхода, но не подтверждает высокоточного количественного картирования фосфора.

Ключевые слова: гиперспектральная съёмка; ZY1-02D; AHSI; калий; фосфор; геохимия почвы; ELM; обратная задача; точное земледелие.

Фосфор играет важную роль в формировании корневой системы, развитии семян и накоплении крахмала. Калий участвует в синтезе и перемещении углеводов, регуляции водного обмена и повышении устойчивости культур к неблагоприятным условиям. Традиционные геохимические методы требуют отбора проб и лабораторных испытаний. Гиперспектральное дистанционное зондирование позволяет распространить точечные измерения на более крупные территории, однако между химическим составом почвы и регистрируемой отражательной способностью существует опосредованная, нелинейная зависимость.

В статье решается задача выбора предикторов и регрессионного алгоритма для оценки концентраций K и P с учётом растительного покрова. Сравниваются множественная линейная / пошаговая регрессия (MLR/MSR), регрессия частичных наименьших квадратов (PLSR), нейросеть с обратным распространением ошибки (BP) и сеть экстремального обучения (ELM).

Исследовательская территория расположена в уезде Инцзян, округ Дэхун, провинция Юньнань. Она характеризуется неоднородным рельефом, породами различного генезиса и преимущественно кислыми почвами, испытывающими дефицит фосфора. Съёмка выполнена 14 декабря 2020 г. Для привязки использованы наземные геохимические пробы с глубины 0–20 см. Отбор включал 4–6 подпроб, объединяемых в смешанную пробу.

Всего исследованы 856 образцов: 235 на участках с растительным покровом и 621 на участках открытой почвы. Калий определяли методом атомно-эмиссионной спектрометрии с индуктивно-связанной плазмой; фосфор — фотометрическим методом после щелочного сплавления. Среднее содержание K равно 28,42 г/кг (3,49–48,54), среднее P — 0,78 г/кг (0,19–2,04).

Сначала выполняли радиометрическую калибровку, атмосферную коррекцию и ортотрансформирование изображений. Далее анализировали исходные и преобразованные спектральные характеристики, выявляли длины волн с выраженной корреляцией с химическим составом образцов и обучали регрессионные модели. Важное методическое решение — раздельная обработка спектров для территории с растительностью и для обнажённой почвы.

Для уменьшения высокочастотного шума применён фильтр Савицкого — Голея (Savitzky–Golay, S–G), основанный на локальной полиномиальной аппроксимации методом наименьших квадратов. Он сглаживает спектры при относительном сохранении положения и формы полос поглощения. Преобразование MNF разделяет компоненты сигнала и шума, облегчая последующую интерпретацию спектральных данных.

Дополнительно использованы нормализация по континууму и дифференцирование спектров первого, второго и третьего порядков. При устранении континуума глубина полосы поглощения описывается зависимостью D(λ) = 1 − R(λ)/Rc(λ), где R — отражательная способность, а Rc — значение спектральной огибающей. Производные позволяют подчеркнуть изменения наклона спектральной кривой, однако чувствительны к шумам, что требует предварительной фильтрации.

Для исходных и преобразованных спектров вычисляли коэффициент корреляции Пирсона с содержанием K и P. Для калия на участках с растительностью выделены спектральные положения 979, 1031, 1929 и 2334 нм; на открытой почве — 1014, 1677, 1880 и 2216 нм. Для фосфора на участках с растительностью в статье перечислены 1812, 2031, 2216 и 2501 нм, на открытой почве — 816, 1005, 2216 и 2501 нм. Значение 2501 нм незначительно выходит за заявленную верхнюю границу диапазона 2500 нм — оно приведено как в статье.

В работе сопоставлены модели MSR, PLSR, BP и ELM. Линейные методы удобны и интерпретируемы, но хуже учитывают нелинейные связи. BP использует итерационную коррекцию параметров по градиенту функции потерь. В ELM веса скрытого слоя задаются случайно, а выходные веса определяются аналитически, что обеспечивает сравнительно быстрое обучение. Авторы использовали выборки 170/65 для обучения/проверки в зоне растительности и 500/121 для открытой почвы.

Наилучшее сочетание качества прогноза и времени обучения продемонстрировала ELM. Для калия в зоне растительности R² = 0,654, RMSE = 4,763; для калия на открытой почве R² = 0,617, RMSE = 3,017. Для фосфора R² около 0,33 в обеих зонах: это показывает ограниченную объяснённую вариацию и требует осторожности при практической интерпретации карт.

Примечание: таблица составлена по табл. 4 оригинальной публикации. Колонка «MSE» является среднеквадратичной ошибкой, то есть формально должна иметь квадрат единицы измерения измеряемого показателя. В аннотации оригинала она местами названа в г/кг, что не соответствует размерности MSE. Для исключения ложной точности единицы здесь не приписаны.

На основании моделей ELM рассчитаны пространственные поверхности содержания калия и фосфора. Сопоставлены сценарии без разделения земного покрова и с разделением на «растительность — открытая почва». Полученные карты иллюстрируют пространственную неоднородность химических показателей и позволяют выделять зоны, требующие дополнительного отбора проб. При этом визуальное сходство карт и их соответствие отдельным наземным точкам не является независимой проверкой их точности на новой территории.

Результаты подтверждают, что растительный покров существенным образом меняет отношения между спутниковым отражением и концентрацией почвенных элементов. Отдельные модели по типам покрытия позволяют учесть различия в отражающих свойствах поверхности, однако наличие корреляции между спектром и содержанием элемента само по себе не означает прямого оптического обнаружения этого элемента. Сигнал может отражать сопряжённые свойства: минералогический состав, влажность, тип почвы и состояние растительности.

Модель K достигает умеренных значений R², достаточных для исследовательского картографирования неоднородности, но не для безусловного назначения норм удобрений. Модель P с R² около 0,33 объясняет лишь часть вариации и потому существенно менее надёжна. Оценка переносимости на иные сезоны, почвы, агротехнические условия и сенсоры в данной публикации не представлена как отдельная независимая проверка.

В оригинале встречаются внутренние несогласованности: обилие фосфора (г/кг) обсуждается рядом с показателями «доступного фосфора»; в описании некоторых ошибок размерности MSE и RMSE смешаны; отдельные численные показатели карт даны в мг/кг, тогда как исходная статистика проб — в г/кг. Эти фрагменты целесообразно сверять с первичными геохимическими данными до практического использования.

Работа предлагает воспроизводимую в принципе схему оценки пространственной изменчивости почвенного калия и фосфора: спутниковые гиперспектральные данные → спектральная предобработка → зональное разделение по покрову → выявление коррелирующих признаков → нелинейная регрессия → карты распределения. В рамках набора данных авторов ELM превосходит рассмотренные линейные и BP-модели по R² и ошибкам. Наиболее убедительный результат получен для калия; количественная оценка фосфора остаётся ограниченной по точности.

Li Z., Chen J., Zhao Z. et al. Geochemical inversion study of potassium and phosphorus in soil based on neural network and ZY1-02D hyperspectral data. Scientific Reports. 2025;15:26484. https://doi.org/10.1038/s41598-025-06915-9.

Настоящий документ — перевод-изложение, предназначенный для ознакомления с публикацией. Рисунки воспроизведены из пользовательской копии статьи; оригинальная публикация должна использоваться для точных ссылок на численные значения и детальное описание методик.