Наджме Расули¹, Сахам Мирзаи², Стефано Пиньятти². ¹ Кафедра почвоведения, сельскохозяйственный факультет, Университет имени Шахида Бахонара, Керман, Иран. ² Институт комплексных методов наблюдения Земли (IMIOT), Национальный исследовательский совет Италии (CNR), Тито-Скало, Италия. Ответственный автор: sahammirzaei@cnr.it.

Geoderma. 2026. Том 474. Статья 118051. DOI: 10.1016/j.geoderma.2026.118051. Получена 9 марта 2026 г.; исправлена 10 сентября 2026 г.; принята 11 сентября 2026 г.; опубликована онлайн 15 сентября 2026 г. Лицензия CC BY 4.0.

Количественная оценка здоровья почв (soil health, SH) в аридных регионах стала одной из глобальных приоритетных задач, однако традиционные почвенные обследования остаются дорогостоящими, а плотности наблюдений недостаточно для описания выраженной пространственной неоднородности. Космические гиперспектральные сенсоры нового поколения открывают возможности для регионального мониторинга почв. Вместе с тем остается неясным, способны ли одни только гиперспектральные изображения, без дополнительных экологических ковариат, служить надежной дистанционной оценкой здоровья почв. В работе оценивались гиперспектральные данные PRISMA и EnMAP в сочетании с машинным обучением (ML) для прогнозирования почвенных характеристик и разработки индекса здоровья почв (soil health index, SHI) для солончаковой равнины Сирджан в Иране. На основе 244 проб почв с открытой поверхностью были исследованы четыре алгоритма — регрессия методом частичных наименьших квадратов (PLSR), гауссовская процессная регрессия (GPR), регрессия опорных векторов (SVR) и случайный лес (RF) — с десятикратной перекрестной проверкой для прогнозирования засоленности, pH, эквивалента карбоната кальция (CCE), содержания гипса и гранулометрического состава. Прогнозные карты показателей объединяли в SHI с весами, определенными методом анализа иерархий (AHP). Оба сенсора продемонстрировали надежную работу по большинству свойств. Наибольшие значения отношения межквартильного размаха к ошибке прогноза (RPIQ) получены для гипса и CCE: соответственно 3,20 и 2,90 по PRISMA и 4,86 и 3,32 по EnMAP. Засоленность также прогнозировалась достаточно надежно (RPIQ = 2,40 для PRISMA и 2,10 для EnMAP), хотя неопределенность возрастала на участках экстремального засоления при малом числе наземных наблюдений. Полученный SHI соответствовал продуктивности растительности по временному ряду нормализованного разностного вегетационного индекса (NDVI) Sentinel-2 за 2019–2024 гг.: в зонах высокого SHI отмечались большие значения NDVI, чем в зонах выраженных ограничений (до 0,57 против менее 0,09). Для равнины Сирджан преобладали средние и низкие значения SHI, причем основным фактором деградации оказалось засоление. Интеграция гиперспектральной съемки и машинного обучения при картографировании SHI позволяет характеризовать деградацию почв и обосновывать решения по землепользованию и управлению аридными экосистемами.

Ключевые слова: спутниковая гиперспектральная съемка; здоровье почв; аридные сельскохозяйственные земли; машинное обучение; неопределенность.

Здоровые почвы служат основой глобальной продовольственной безопасности, однако их ресурсы ограничены и испытывают возрастающее давление вследствие необходимости увеличивать сельскохозяйственное производство. Почти 95 % мирового производства продовольствия зависит от здоровых почв, при этом около трети почв мира уже деградировали (Smith et al., 2024). Ежегодные потери плодородного почвенного материала оцениваются в 24–75 млрд тонн (Brosinsky et al., 2024). Особое значение проблема имеет для засушливых земель, занимающих более 47 % площади суши, охватывающих разные биомы и климатические области и обеспечивающих более 43 % мировых пахотных угодий и средства к существованию свыше 2,7 млрд человек (Yan et al., 2024). Эти территории также важны для связывания углерода, но крайне уязвимы к засухам и климатическим экстремумам. Примерно 20 % аридных экосистем испытали серьезную деградацию, затронувшую около 250 млн человек. Дальнейшая деградация создает угрозу продовольственной безопасности.

Конвенция ООН по борьбе с опустыниванием призывает предотвращать деградацию земель и восстанавливать нарушенные территории. Несмотря на развитие глобальных почвенных информационных ресурсов — GLOSIS, ESDAC и ISRIC — сохраняется недостаток количественных сведений о пространственном распространении деградированных почв. Это затрудняет выявление очагов деградации, определение приоритетов восстановления и разработку стратегий землепользования. Необходимы масштабируемые и экономически эффективные средства мониторинга, прежде всего методы дистанционного зондирования.

Здоровье почв отражает их текущее функциональное состояние и способность выполнять жизненно важные экосистемные функции при изменении окружающей среды. По определению Poppiel et al. (2025), речь идет о непрерывной способности почвы функционировать как жизненно важная живая экосистема, поддерживающая растения, животных и человека и связывающая агрономию, почвоведение, управление, интересы участников и устойчивые цепочки поставок. Оценка здоровья почв помогает согласовывать землепользование с долгосрочным сохранением ресурсов. В засушливых регионах аридизация и изменение климата ускоряют накопление эвапоритовых минералов, падение продуктивности и опустынивание.

Ключевые характеристики верхнего слоя почвы — электропроводность, карбонатность, pH, содержание гипса и гранулометрический состав — совместно регулируют доступность элементов питания, инфильтрацию, структуру и влагоемкость. Засоление относится к наиболее экономически значимым экологическим угрозам и является третьим по значимости антропогенным процессом деградации. Оно снижает плодородие и урожайность за счет осмотического стресса и токсического воздействия отдельных ионов. По оценке FAO (2024), засоленные почвы занимают около 1,4 млрд га. Гранулометрический состав влияет на перемещение воды и перераспределение солей. Карбонатные почвы часто характеризуются pH более 7, иногда свыше 8 при наличии свободного CaCO₃, что ограничивает доступность фосфора, железа, цинка и меди. Скопления гипса в условиях засушливого климата могут ухудшать агрегатное состояние, пористость, инфильтрацию и продуктивность.

Традиционные наземные обследования не в полной мере учитывают пространственно-временную изменчивость почвенных показателей. Мультиспектральные спутники Sentinel и Landsat широко применяются для мониторинга верхнего слоя почв, но ограниченное число каналов и низкое спектральное разрешение затрудняют обнаружение узких диагностических полос поглощения и различение совместно встречающихся минералов. Гиперспектральные системы PRISMA и EnMAP регистрируют сотни узких спектральных каналов, обеспечивая повышенную спектральную и радиометрическую информативность, а также высокое отношение сигнал/шум. Это позволяет выявлять спектральные отклики функциональных групп почвенных компонентов и оценивать органический углерод, влажность, минеральный состав, гранулометрию и другие свойства.

Высокая размерность гиперспектральных данных требует эффективных методов машинного обучения, которые сокращают избыточность признаков и обеспечивают выявление нелинейных связей. Наряду с PLSR применяются деревья решений, нечеткая логика, GPR, RF, SVR, метод k ближайших соседей и искусственные нейронные сети. Развитие облачных вычислений и гиперспектральных миссий, включая планируемую Copernicus CHIME, расширяет возможности комплексного картографирования здоровья почв.

В настоящем исследовании индикаторы состояния почв извлекались исключительно из спутниковых гиперспектральных наблюдений с пространственным разрешением 30 м, без использования вспомогательных переменных среды, типичных для цифрового картографирования почв. Это позволило непосредственно оценить собственную прогностическую способность спектральной информации в условиях высокой поверхностной неоднородности. Цель работы — сопоставить PRISMA и EnMAPпо точности прогноза засоленности, карбонатности, гипса, гранулометрического состава и pH, а затем сформировать и оценить интегральный показатель SHI как дистанционный индикатор состояния почв аридной экосистемы.

Исследуемая территория расположена на окраинных землях солончаковой равнины Сирджан на юго-востоке Ирана, между 29°00′ и 29°40′ с. ш. и 55°10′ и 56°10′ в. д. Центральную часть занимает остаток древнего озера площадью 1625 км² — одна из крупнейших солончаковых равнин водосбора Исфахана. На севере и западе преобладают вулканические породы эоцена, на востоке — осадочные отложения. Рельеф включает конусы выноса, аллювиальные равнины и окраины солончака. Около 32 % территории покрыто соляной коркой с многоугольной структурой. На северных и восточных аллювиальных равнинах распространены фисташковые сады; исследование охватывает пустоши и сады по периферии солончака общей площадью около 28 тыс. га.

Природные водные ресурсы ограничены: среднегодовое количество осадков составляет около 172 мм, средняя температура — около 16 °C. По классификации Кёппена — Гейгера климат относится к типу BWk. Влажностные режимы почв изменяются от слабоаридных до экстремально аридных, температурные — от сухих мезических до термических. Согласно WRB (2022), основными реферативными группами являются Calcisols, Solonchaks и Gypsisols (кальцисоли, солончаки и гипсисоли). Засухи, изменение направления гидравлического градиента и близкое залегание грунтовых вод способствовали широкому распространению засоления, угрожающего сельскому хозяйству региона.

В августе 2023 г. отобрали 244 элементарные единицы наблюдения (ESU) в верхнем слое 0–15 см на необрабатываемых и сельскохозяйственных землях. При планировании отбора учитывали геоморфологию, геологию, уклон и экспозицию склонов, ландшафт, высоту, землепользование и водно-тепловые режимы почв. Район разделили на однородные зоны, увеличив плотность отбора на участках более сложного строения. Каждая ESU представляла квадрат 30 × 30 м, соответствующий пикселю гиперспектрального изображения, и включала пять смешанных подпроб.

Образцы высушивали на воздухе, осторожно растирали и просеивали через сито 2 мм. Электропроводность насыщенной вытяжки (EC) и pH насыщенной пасты измеряли с применением стеклянного электрода. Гипс определяли осаждением ацетоном, эквивалент карбоната кальция (CCE) — методом кислотной нейтрализации, гранулометрический состав — ареометрическим седиментационным методом. Для гипсоносных почв использовали метод Хессе (Hesse, 1976). Пробы относились к десяти классам USDA: супесь (SL), суглинок (L), песчаная супесь (LS), пылеватый суглинок (SiL), глинистый суглинок (CL), пылеватая глина (SiC), песок (S), пылевато-глинистый суглинок (SiCL), глина (C) и песчано-глинистый суглинок (SCL).

Спектральный коэффициент отражения в видимом, ближнем и коротковолновом инфракрасном диапазонах (VSWIR, 350–2500 нм) измеряли спектрорадиометром FieldSpec3 (ASD Spectral Devices, США) с контактным зондом мощностью 50 Вт при искусственном освещении. Лабораторную спектральную библиотеку почв предварительно обрабатывали: выполняли калибровку по белому эталону Spectralon перед первым измерением и после каждых пяти образцов; коррекцию стыковки спектрометров около 1000 и 1830 нм; сглаживание Савицкого — Голея полиномом второго порядка с окном 11 нм; вычисляли среднее пяти повторных спектров.

Спутник PRISMA Итальянского космического агентства (ASI), запущенный 22 марта 2019 г., оснащен двумя призменными спектрометрами с 63 каналами VNIR и 171 каналом SWIR при спектральном разрешении менее 12 нм. Размер сцены — 30 × 30 км, пространственное разрешение VNIR–SWIR — 30 м, панхроматического канала — 5 м. Солнечно-синхронная орбита имеет высоту 615 км и наклонение 97,85°; номинальный цикл повторного наблюдения 29 суток, с возможностью съемки с отклонением от надира примерно через 7 суток.

Спутник EnMAP Немецкого аэрокосмического центра (DLR), запущенный 1 апреля 2022 г., предназначен для глобального гиперспектрального мониторинга поверхности Земли. Его двухспектрометровая сканирующая система с призмами охватывает 224 канала в диапазоне 418,2–2445,5 нм при ширине полосы 30 км и разрешении 30 м. Повторяемость наблюдений — 27 суток, при вне-надирной съемке может сокращаться до менее четырех суток. Основные параметры обеих систем представлены в таблице 1 оригинала.

Из архивов DLR и ASI загрузили по десять изображений EnMAP уровня L2A и PRISMA уровня L2D. Съемки PRISMAвыполнены с 10 октября 2023 г. по 19 ноября 2024 г., EnMAP — с 25 сентября 2023 г. по 30 ноября 2024 г. Число пригодных наблюдений ограничено сравнительно короткой историей эксплуатации сенсоров, режимом съемки по заявкам и необходимостью одновременного отсутствия облаков и растительности на почвенной поверхности. Стандартная обработка уровня 2 включала радиометрические, геометрические и атмосферные поправки, а также учет геометрии наблюдения.

Поскольку геопривязка PRISMA L2D может содержать ошибки в несколько пикселей, выполнена пространственная корегистрация с ближайшими безоблачными сценами Sentinel-2 с помощью AROSICS, обеспечившая среднеквадратическое рассогласование порядка 0,5 пикселя. К спектрам отражения PRISMA применяли сглаживание Савицкого — Голея (окно 7, полином третьего порядка). Исключали каналы с сильным атмосферным поглощением, низким отношением сигнал/шум и перекрытием VNIR/SWIR детекторов. В итоге удалены 61 канал PRISMA и 42 канала EnMAP. Дальнейшие расчеты выполнялись в исходном разрешении 30 м/пиксель.

Для выделения открытой почвенной поверхности применяли пороги трех спектральных индексов: NDVI (нормализованный разностный вегетационный индекс), nCAI (нормализованный индекс поглощения целлюлозы) и NSMI (нормализованный индекс влажности почвы). Они позволяют исключать фотосинтезирующую и нефотосинтезирующую растительность, а также влажную почву. Отбирали только пиксели, удовлетворяющие условиям NDVI < 0,2, NSMI < 0,1 и nCAI < 0,02. Пороговые значения основаны на литературных источниках и адаптированы к спектральному отклику местных почв. В результате в многовременных рядах выделено 4 538 510 пикселей открытой почвы для EnMAP и 4 144 410 — для PRISMA.

Формулы индексов: NDVI = (ρNIR − ρRED)/(ρNIR + ρRED); nCAI = [0,5(ρ₁ + ρ₂) − ρ₃]/[0,5(ρ₁ + ρ₂) + ρ₃]; NSMI = (ρSWIR1 − ρSWIR2)/(ρSWIR1 + ρSWIR2). Использованные центральные длины волн приведены в таблице 2 оригинальной статьи.

Для прогноза почвенных свойств использовали PLSR, GPR, SVR и RF. Для PLSR, RF и SVR гиперпараметры подбирали поиском по сетке при десятикратной перекрестной проверке; параметры ядра GPR оптимизировали встроенным квазиньютоновским методом L-BFGS. Расчеты выполняли в MATLAB R2024b с Statistics and Machine Learning Toolbox. Настройки приведены в таблице 3 исходной статьи.

Случайный лес (RF) формирует ансамбль деревьев решений, улучшая устойчивость и уменьшая переобучение. Оптимизировали число деревьев (ntree), число предикторов при разбиении (mtry) и минимальный размер листа; использовались ntree = 700, mtry = 15, MinLeafSize = 1. Гауссовская процессная регрессия (GPR) — непараметрический байесовский метод для небольших высокоразмерных выборок, позволяющий одновременно получать прогноз и оценку неопределенности. Использовали нулевую среднюю функцию и квадратично-экспоненциальное ядро с автоматическим определением релевантности (ARD), при котором каждому спектральному каналу соответствует собственный масштаб корреляции. Масштабы и шум оптимизировали по максимальному маргинальному логарифмическому правдоподобию в пределах 0,001–1000.

Метод опорных векторов эффективен при высокоразмерных нелинейных зависимостях и небольшом размере выборки. Для SVRиспользовалось радиально-базисное ядро (RBF), параметры KernelScale (gamma) и BoxConstraint (C) оптимизировали в диапазоне 0,001–1000. Регрессия PLSR объединяет сокращение размерности с регрессионным анализом: оптимальное число латентных компонент выбирали среди первых 30, стремясь максимизировать ковариацию между спектральными предикторами и почвенными показателями.

Для интерпретации моделей и определения наиболее информативных длин волн применяли аддитивные объяснения Шепли (SHAP), основанные на теории игр. Значения SHAP нормировали методом min–max к интервалу [0; 1], сохраняя порядок важности признаков и обеспечивая возможность сравнения спектральных каналов и отдельных почвенных показателей.

Точность моделей определяли десятикратной перекрестной проверкой на 244 наблюдениях: в каждом цикле девять блоков использовали для обучения и один — для проверки, пока каждый блок не выступил проверочным. Приведенные показатели представляют средние значения по десяти циклам. Использовали коэффициент детерминации R², среднеквадратическую ошибку RMSE, отношение стандартного отклонения к ошибке (RPD) и отношение межквартильного размаха к ошибке (RPIQ). Чем выше R², RPD и RPIQ и ниже RMSE, тем качественнее прогноз; значения RPD > 1 и RPIQ > 1,4 рассматриваются авторами как свидетельство улучшенной прогностической способности.

R² = 1 − Σ(aᵢ − pᵢ)² / Σ(aᵢ − ā)²; RMSE = √[(1/n) Σ(aᵢ − pᵢ)²]; RPD = SD/RMSE; RPIQ = IQ/RMSE, где aᵢ и pᵢ — наблюдаемые и предсказанные значения, ā — среднее наблюдений, SD — стандартное отклонение, IQ — межквартильный размах.

Для графического сопоставления моделей применяли диаграммы Тейлора, представляющие одновременно коэффициент корреляции, стандартное отклонение и центрированную RMSE. Близость расчетной точки к эталону наблюдений означает высокую корреляцию, сходную изменчивость и низкую ошибку.

Неопределенность оценивали для итоговых картографических моделей PLSR и GPR. Для PLSR применяли бутстреп-перевыборку остатков: на каждом повторе переобучали модель на перевыбранных наблюдениях и добавляли центрированные остатки к прогнозам для построения эмпирического распределения. Девяностопроцентный интервал определяли между 5-м и 95-м процентилями. Для GPR использовали непосредственно прогнозную дисперсию модели.

Качество 90 %-ных интервалов оценивали с помощью PICP (доля истинных наблюдений, попавших в интервал), MPI (средняя ширина интервала), PINAW (нормированная средняя ширина) и IS (интервальная оценка, учитывающая ширину и штраф за непопадания). PICP, близкий к 90 %, указывает на хорошую калибровку, а меньшие MPI, PINAW и IS — на более узкие и информативные интервалы. Формулы (8)–(11) полностью воспроизведены в приложенных оригинальных страницах.

Индекс SHI формировали как интегральный показатель по картам свойств верхнего слоя почвы, предсказанным исключительно на основе гиперспектральных данных. По подходу Poppiel et al. (2025) сначала выбирали индикаторы, значимые для аридных территорий и доступные для дистанционного измерения: EC, гипс, CCE, pH, глину, пыль и песок. Они отражают засоление, накопление эвапоритов и карбонатов, химические условия питания, способность удерживать влагу и структуру почвы.

Каждое свойство переводили к безразмерной оценке S в диапазоне 0–1 с помощью одной из двух нелинейных функций. Для показателей, у которых уменьшение означает оздоровление почвы, использовали убывающую сигмоидальную кривую («меньше — лучше»); для свойств с оптимальным промежуточным значением — гауссову кривую («оптимум в середине»). Параметры функций определяли на основании научных публикаций о возделывании фисташки, основной культуры региона.

Второй фактор — вес W — определяли методом анализа иерархий (AHP) по результатам попарного сравнения семи индикаторов 70 экспертами, включая специалистов, землевладельцев, представителей местных органов власти, общественных организаций и других заинтересованных сторон. Применяли шкалу предпочтений 1–9. Отношение согласованности ответов во всех анкетах было менее 0,07, то есть ниже допустимого порога 0,10. Итоговые веса: EC — 0,21; CCE — 0,17; гипс — 0,17; песок — 0,12; глина — 0,12; pH — 0,11; пыль — 0,10. Совокупный SHI вычисляли взвешенным аддитивным способом согласно формуле (12) оригинала.

Для независимой проверки категорий SHI анализировали многолетние ряды NDVI Sentinel-2 за 2019–2024 гг. на платформе Google Earth Engine, исходя из предположения о большей способности здоровых почв обеспечивать рост растительности. Для пяти классов SHI — хорошее, умеренное, низкое, очень низкое здоровье почв и экстремальные ограничения — выделяли характерные области интереса (ROI), вычисляя средний NDVI для доступных сцен и сопоставляя динамику в различные вегетационные сезоны.

Наибольшую вариабельность показали гипс и электропроводность (коэффициент вариации 171,8 и 164,3 % соответственно), наименьшую — pH (3,68 %). Значения EC изменялись от 0,7 до 471 дСм/м (среднее 46,2 ± 75,9 дСм/м), CCE — от 1,0 до 42,7 % (15,5 ± 8,3 %), гипса — от 0,1 до 60 % (8,4 ± 14,4 %), глины — от 3,8 до 64,5 % (19,6 ± 13,2 %). Широкие диапазоны обусловлены различиями рельефа, литологии и почвообразующих факторов. Распределения свойств отклонялись от нормальных по критерию Колмогорова — Смирнова. Средний pH 7,9 указывает на слабощелочную и умеренно щелочную реакцию.

Корреляционный анализ Спирмена выявил отрицательную связь CCE и EC с песком (ρ = −0,51 и −0,63; p < 0,01), положительную связь с глиной (ρ = 0,57 и 0,56) и пылью (ρ = 0,54 и 0,48). Между CCE и EC отмечена слабая положительная корреляция (ρ = 0,17), между CCE и гипсом — отрицательная (ρ = −0,32), между EC и pH — отрицательная (ρ = −0,51). Песок отрицательно коррелировал с пылью (ρ = −0,84) и глиной (ρ = −0,86), в то время как между глиной и пылью наблюдалась положительная корреляция ρ = 0,68 (все указанные связи значимы при p < 0,01).

Для оценки чувствительности спектральных каналов рассчитывали корреляции отражения по всем каналам PRISMA, EnMAP и лабораторной ASD с результатами химического и физического анализа. Наиболее выраженная связь обнаружена для CCE и гипса, что согласуется с высокой точностью их дальнейшего моделирования. Для EC и pH характерна умеренная отрицательная корреляция: уменьшение pH могло сопровождаться ростом электропроводности. Спектры EnMAP демонстрировали более резкое снижение корреляции EC в SWIR, чем PRISMA. Для песка наблюдалась отрицательная спектральная корреляция, для пыли — положительная.

Спектры солесодержащих почв различных геоморфологических единиц сравнивали по лабораторным данным ASD и спутниковым измерениям. Рентгенодифракционный анализ (XRD) показал, что преобладающим солевым минералом являлся галит. В видимой области 450–690 нм с увеличением содержания солей отражение возрастало из-за высветления поверхности. В диапазоне 760–900 нм спектры сильно засоленных почв демонстрировали спад к области поглощения жидкой воды около 900 нм.

Сопоставление с библиотекой USGS подтвердило соответствие спектра чистого галита HS433.3B пикселям PRISMA и EnMAP с галитом (EC порядка 160 дСм/м). Диагностическая полоса иллита около 2207 нм обнаруживается в спутниковых данных, а поглощение около 2338 нм соответствует чистому кальциту. Высокая отрицательная корреляция песка с глиной также позволяет прогнозировать его содержание косвенно.

Диаграммы Тейлора показали, что GPR и PLSR обычно располагаются ближе к точке наблюдений по сравнению с RF и SVR. Для лабораторных спектров ASD наиболее эффективна PLSR (R² = 0,66–0,94). Для PRISMA лучшие результаты обеспечивала GPR (R² = 0,45–0,88). Для EnMAP сопоставимое качество (R² = 0,50–0,88) получено по PLSR для песка, пыли, CCE, EC и pH, а по GPR — для глины и гипса. Ни один сенсор не превосходил другой одновременно по всем свойствам.

Ошибка прогноза EC составляла 27,12 дСм/м для PRISMA и 30,9 дСм/м для EnMAP при стандартном отклонении выборки 75,8 дСм/м. Из всех характеристик только pH прогнозировался сравнительно слабо (RPIQ < 2). Для CCE точки «прогноз — измерение» располагались близко к линии 1:1, подтверждая хорошее соответствие лабораторным данным. Для экстремально засоленных проб (EC > 250 дСм/м) обнаруживались выбросы и систематическое занижение, связанное с геоморфологической неоднородностью. Для больших долей глины также отмечено занижение. При pH < 7,5, EC < 20 дСм/м и гипсе < 5 % наблюдалась некоторая переоценка значений.

Полная таблица 6 исходной статьи с RMSE, RPD и RPIQ приведена в факсимильных страницах приложения.

После исключения непригодных каналов для обучения использовали 182 спектральных канала PRISMA и 173 канала EnMAP. Анализ нормированных SHAP-значений выявил полосы, наиболее значимые для разных свойств. Для гипса — 840, 1283, 1540, 1730, 2030 и 2400 нм (важность 0,35–1,00); для глины — 824, 863, 1211, 2207 и 2273 нм, связанные с сигналами глинистых минералов и переходами железа в сопутствующих оксидах. Для CCE диапазоны 2130–2190 и 2360–2400 нм имели SHAP > 0,8 и соответствовали поглощению группы CO₃. Для pH и EC наибольшую значимость имел диапазон 2030–2060 нм. Более гладкие профили SHAP для CCE и EC согласуются с использованием малого числа латентных компонент PLSR.

Прогнозные карты строили отдельно по мозаикам пикселей открытой почвы PRISMA и EnMAP с использованием оптимальных алгоритмов. Карты двух сенсоров были пространственно сходны: коэффициенты корреляции в пределах 0,7–0,9, схожее положение локальных максимумов свойств. Для построения итогового SHI выбрали данные EnMAP. Повышенные EC, CCE и гипс преимущественно сосредоточены в центральной, западной и южной частях района; распределение объясняется низким положением в рельефе, накоплением грунтовых вод, слабым дренажем, испарительным концентрированием солей и изменением гидравлических градиентов. Незасоленные почвы встречаются разрозненно, часто на вышележащих территориях с лучшим дренажем, более грубой гранулометрией и растительным покровом. Песчаные почвы на севере, как правило, менее плодородны из-за слабой агрегатной устойчивости и низкой влагоемкости.

Для моделей PLSR и GPR по данным EnMAP доля покрытия 90 %-ных интервалов (PICP) варьировала от 88,14 до 96,50 %, что в целом свидетельствует о хорошей калибровке. Ближе всего к целевым 90 % находилась карбонатность (90,31 %); для pH получено 88,14 %, для глины и гипса — несколько более консервативные интервалы (96,50 и 95,10 %). Глина и гипс характеризовались самыми низкими нормированными ширинами PINAW (0,11 и 0,22) и значениями IS (11,00 и 16,90), тогда как для EC характерны наибольшая MPI (98,56 дСм/м) и IS (140,75). Таким образом, наибольшая уверенность достигалась для глины, гипса и CCE, наименьшая — для электропроводности. Самые высокие пространственные неопределенности сосредоточены в центральной части района, совпадая с зонами высокой EC.

Карты свойств EnMAP объединяли во взвешенный индекс SHI и разделяли на пять классов функционального состояния почв. Для их проверки проанализировали временные ряды NDVI Sentinel-2 за 2019–2024 гг. Максимальные значения NDVI закономерно возрастали по мере улучшения SHI: «хорошее» — до 0,57; «умеренное» — до 0,39; «низкое» — до 0,33; «очень низкое» — до 0,30; «экстремальные ограничения» — менее 0,09. В последнем классе встречались гипсоносные и карбонатные почвы с содержанием гипса до 60 % и CCE до 43 %. Зоны очень низкого SHI расположены преимущественно у окраин солончака и на юго-востоке.

Соответствие SHI и NDVI дополнительно проверяли вдоль пяткилометрового профиля запад — восток A–A′. На 0–1 км высокие CCE (>25 %) и щелочность (pH > 8,1) сочетались с NDVI < 0,05 и низким SHI. На 1–2,8 км, в сельскохозяйственной зоне, наблюдались CCE < 20 %, гипс < 5 %, EC < 16 дСм/м, pH 7,8–8,0 и средний NDVI > 0,25 — преимущественно умеренный SHI. На 2,8–3,5 км при EC 70–100 дСм/м и CCE > 20 % NDVI падал до 0,1–0,2 (низкий SHI). На 3,5–4,5 км гипс > 40 % и EC 100–300 дСм/м сопровождались NDVI < 0,06. На 4,5–5 км, в солончаке с EC > 300 дСм/м, NDVI составлял менее 0,04; земли практически непригодны к земледелию. Таким образом, вдоль профиля уменьшение SHI и NDVI сопровождалось нарастанием засоления и гипсоносности.

Данные космической гиперспектральной съемки обладают достаточной информативностью для выявления физико-химических свойств аридных почв. Диагностические полосы поглощения минеральных компонентов, прежде всего гипса, карбонатов и глинистых минералов, объясняют относительно высокую точность прямого спектрального прогнозирования. В то же время засоленность, pH и доли отдельных фракций могут определяться как собственными спектральными особенностями, так и опосредованными корреляциями с другими составляющими почвы. По сравнению с лабораторной спектроскопией спутниковые измерения характеризуются дополнительными ограничениями из-за атмосферных эффектов, неоднородности пикселя, влажности, состояния поверхности и шумов.

Наиболее уверенно прогнозируются минералогически обусловленные показатели — гипс и эквивалент карбоната кальция. Оценки песка, пыли и глины также демонстрируют полезную точность, поскольку гранулометрия связана с минеральным составом и физическими свойствами отражающей поверхности. Электропроводность отражает комплекс процессов соленакопления и часто оценивается косвенно: спектральные эффекты меняются с типом солей, влажностью, наличием корки и особенностями ландшафта. Поэтому экстремальные значения EC и зоны без достаточных эталонных проб характеризуются наибольшими ошибками. pH прогнозируется слабее остальных параметров из-за отсутствия однозначного диагностического спектрального признака и узкого диапазона значений в выборке.

Оба сенсора продемонстрировали сопоставимый потенциал пространственного прогнозирования. Их различия в спектральной дискретизации, спектральном и радиометрическом качестве, уровне шума, временных условиях съемки и геометрической точности могут по-разному влиять на прогноз отдельных свойств. Для части параметров наибольшая точность получена с PRISMA, для других — с EnMAP; универсального лидера не выявлено. Совместное использование обоих ресурсов может повышать устойчивость наблюдений и расширять пространственно-временное покрытие.

По совокупности экспериментов PLSR и GPR превзошли RF и SVR по согласованности расчетных и лабораторных значений. PLSR полезна в условиях большого числа сильно коррелированных спектральных предикторов, а GPR позволяет моделировать нелинейность и предоставляет встроенную вероятностную оценку прогноза. Вместе с тем сравнительная эффективность зависит от изучаемого параметра, характеристик обучающей выборки и качества спектральной информации; при переносе моделей в другой регион потребуется проверка обобщающей способности.

Учет неопределенности необходим для корректной интерпретации карт свойств и суммарного SHI. Полученные интервалы в большинстве случаев близки к номинальному покрытию, но пространственная структура ошибок неоднородна. Зоны экстремального засоления и сложного почвенного покрова в центральной части равнины требуют дополнительных наземных наблюдений и более гибких моделей. Использование вероятностных и бутстреп-подходов помогает отделять устойчивые пространственные закономерности от недостаточно подтвержденных прогнозов.

Пространственная структура SHI хорошо согласуется с многолетним развитием растительности, описанным NDVI. Это подтверждает, что объединение нескольких почвенных характеристик позволяет описывать комплексные ограничения продуктивности лучше, чем отдельные карты. Однако сопоставление с растительностью предполагает приблизительно сходные агрономические условия фисташковых садов. Реальные значения NDVI зависят также от полива, качества поливной воды, удобрений и приемов управления; поэтому корреляцию с SHI нельзя считать строгим доказательством причинной связи. Кроме того, выбранные показатели не охватывают всех измерений здоровья почв: круговорот элементов питания, органические компоненты и качество оросительной воды в расчет непосредственно не вошли. Несмотря на это, использованные свойства представляют существенную часть факторов здоровья почв глобальных аридных регионов.

Класс «хорошее здоровье» отражает наиболее благоприятные условия функционирования и роста растений, но даже здесь необходимы профилактические меры охраны почв. «Умеренное здоровье» является переходным состоянием: основные функции сохраняются, но остаются чувствительными к неблагоприятным воздействиям. Для классов «низкое» и «очень низкое» характерны нарастающие физико-химические ограничения и снижение продуктивности; на территориях «экстремальных ограничений» доминируют сильное засоление и другие препятствия для земледелия. Индекс ориентирован на выявление уязвимых зон и может помогать определять приоритеты управления.

Гиперспектральное дистанционное зондирование, в частности PRISMA и EnMAP, обеспечивает ценные количественные данные о свойствах верхнего слоя почв, дополняя лабораторный анализ и поддерживая мониторинг деградации земель. Однако несогласованность программ съемок двух миссий ограничивает частоту наблюдений. Объединение с данными DESIS, EMIT, GF-5, HISUI и других действующих гиперспектральных систем способно обеспечить более плотные и глобально согласованные временные ряды. Перспективны включение экологических переменных SCORPAN и дальнейшее совершенствование моделей, что позволит точнее оценивать неоднородность почв на региональном и, потенциально, глобальном уровне. Существенное развитие космической спектроскопии изображений ожидается к 2030 г. благодаря миссиям NASA SBG, ESA Copernicus CHIME, ASIPRISMA-SG и предложениям по последующей миссии EnMAP.

В работе оценивался потенциал космических гиперспектральных сенсоров PRISMA и EnMAP для прогноза электропроводности, эквивалента карбоната кальция, гипса, глины, песка, пыли и pH в засушливом регионе юго-восточного Ирана. Сравнивали регрессионные модели PLSR, RF, SVR/SVM и GPR. Спутниковые спектры в целом согласовались с лабораторными и эталонными спектрами USGS, подтверждая достаточные спектральное разрешение и отношение сигнал/шум для минералогического анализа. Наиболее устойчивыми методами оказались PLSR и GPR. Кроме pH, все показатели прогнозировались с высокой точностью (R² > 0,63, RPIQ > 2,00). Анализ неопределенности подтвердил надежность большинства прогнозных карт, хотя для экстремального засоления ошибки оставались повышенными.

Карты PRISMA и EnMAP демонстрировали сходные закономерности пространственной изменчивости. Индекс SHI рассчитан на основе нелинейной нормализации прогнозируемых свойств и их взвешенного объединения. Карта разделена на пять классов состояния почв. Сравнение с временными рядами NDVI Sentinel-2 выявило хорошее согласование SHI с жизнеспособностью растительности: максимальный NDVI составлял 0,09, 0,30, 0,33, 0,39 и 0,57 для классов от экстремальных ограничений до хорошего состояния. Исследование демонстрирует применимость спектроскопии изображений для оценки свойств почв в полуаридных условиях. Основные нерешенные задачи связаны с неоднородностью почв, взаимодействием засоленности и влажности и другими средовыми факторами. Дальнейшие исследования должны совершенствовать корректирующие подмодели и методы оценки содержания элементов питания.

Najmeh Rasooli: первоначальный текст рукописи, визуализация, валидация, программное обеспечение, ресурсы, методология, исследования, формальный анализ, подготовка данных. Saham Mirzaei: редактирование рукописи, визуализация, программное обеспечение, методология, подготовка данных, концепция исследования. Stefano Pignatti: редактирование рукописи, ресурсы, руководство проектом, концепция исследования.

Авторы заявляют об отсутствии известных им конкурирующих финансовых интересов или личных связей, которые могли бы повлиять на результаты представленного исследования.

Таблица A2 исходной статьи содержит пример заполненной экспертной матрицы попарных сравнений семи почвенных показателей. Ее численные значения сохранены в приложенных оригинальных страницах.

Ниже помещены оригинальные страницы научной публикации в качестве факсимильного приложения. Оно обеспечивает сохранность всех рисунков, карт, спектральных графиков, математических обозначений, полных таблиц с численными значениями и библиографического списка, воспроизводимых без редактирования оригинальных данных. Русский основной текст выше представляет научно-стилистически адаптированное изложение исследования по структуре оригинала, а не построчный перевод каждого предложения. Названия рисунков ниже приведены на русском языке.

· Рис. 1. Географическое положение района исследований и точек отбора проб, климатические режимы и типичные ландшафты.

· Рис. 2. Распределение 244 почвенных образцов в гранулометрическом треугольнике USDA.

· Рис. 3. Обзор десяти сцен PRISMA и EnMAP, использованных в исследовании.

· Рис. 4. Спектральные корреляции между отражением PRISMA, EnMAP и лабораторными спектрами для почвенных свойств.

· Рис. 5. Спектры отражения почв с различной засоленностью по данным ASD, PRISMA и EnMAP.

· Рис. 6. Диагностические спектральные признаки галита, иллита и кальцита в сравнении с библиотекой USGS.

· Рис. 7. Диаграммы Тейлора для оценки точности прогнозов свойств почвы.

· Рис. 8. Диаграммы рассеяния лабораторных и прогнозируемых значений почвенных свойств.

· Рис. 9. Нормированная значимость SHAP по спектральному диапазону 400–2500 нм.

· Рис. 10. Карты гранулометрических фракций, EC, CCE, pH и содержания гипса по EnMAP.

· Рис. 11. Пространственная неопределенность картографирования почвенных свойств.

· Рис. 12. Классы SHI и временные ряды NDVI Sentinel-2 за 2019–2024 гг.

· Рис. 13. Изменчивость SHI, почвенных свойств и NDVI вдоль профиля A–A′.