+7 906 644 66 80 _____info@gisproxima.ru
Оставить заявку

Высокодетальное картографирование органического вещества почвы на уровне отдельного поля по гиперспектральным изображениям с БПЛА при ограниченном объёме калибровочной выборки

Ян Ян, Ян Цзяцзе, Ли Баого, Цинь Чэнчжи, Цзи Вэньцзюнь, Сюй Янь, Хуан Юаньфан
Научный перевод-изложение статьи: Yan Y. et al. High-Resolution Mapping of Soil Organic Matter at the Field Scale Using UAV Hyperspectral Images with a Small Calibration Dataset. Remote Sensing. 2023; 15(5):1433. DOI: 10.3390/rs15051433.
Примечание редакции: технические результаты, параметры измерений, формулы, обозначения и ссылки на рисунки переданы на русском языке. Иллюстрации из оригинальной статьи помещены непосредственно после соответствующих разделов; англоязычные обозначения внутри изображений сохранены для точности воспроизведения.

Аннотация

Быстрое получение карт пространственного распределения органического вещества почвы (SOM) с высоким разрешением имеет принципиальное значение для точного земледелия. Гиперспектральная съёмка с беспилотных летательных аппаратов (БПЛА) благодаря высокому пространственному разрешению и оперативности способна устранить разрыв между наземными измерениями и дистанционным зондированием. Исследована возможность картографирования SOM с пространственным разрешением 1 м на типичных слаборасчленённых чернозёмных территориях Северо-Восточного Китая по данным БПЛА в диапазоне 400–1000 нм при использовании небольшой калибровочной выборки.
Эксперимент проведён на поле площадью приблизительно 20 га. Для калибровки отобрано 20 проб по сетке 100 × 100 м, а для независимой проверки — ещё 20 случайно расположенных проб. Исходное разрешение гиперспектральных изображений составляло 0,05 × 0,05 м; спектры усредняли по ячейкам 1 × 1 м. После преобразования в поглощение, мультипликативной коррекции рассеяния, сглаживания Савицкого–Голея и вычисления первой производной максимум абсолютного коэффициента корреляции спектров с SOM увеличился с 0,41 до 0,58.
Модель случайного леса (RF) выделила информативные диапазоны 450–600 и 750–900 нм. Для данных БПЛА получены R² = 0,53 и RMSE = 1,48 г/кг. Обычный кригинг (OK) при сетке 100 × 100 м показал низкую точность (R² = 0,02; RMSE = 2,17 г/кг), однако при уплотнении сетки до 50 × 50 м обеспечил R² = 0,59 и RMSE = 1,37 г/кг. Наземная спектроскопия в сочетании с RF достигла R² = 0,57 и RMSE = 1,41 г/кг. Результаты подтверждают перспективность гиперспектральной съёмки с БПЛА для высокодетального картографирования SOM при сравнительно малом числе почвенных проб.
Ключевые слова: гиперспектральная съёмка с БПЛА; цифровое картографирование почв; органическое вещество почвы; геостатистика; видимая и ближняя инфракрасная спектроскопия.

1. Введение

Чернозёмы представляют собой ценный сельскохозяйственный ресурс. Интенсивное землепользование и чрезмерное внесение удобрений могут сопровождаться постепенным истончением пахотного слоя. Органическое вещество обеспечивает почву питательными элементами, влияет на удержание влаги и удобрений и потому служит одним из определяющих факторов плодородия. Точное и оперативное составление карт содержания SOM необходимо для управления сельскохозяйственными территориями по принципам точного земледелия [1–3].
Традиционные лабораторные исследования требуют значительных затрат времени, денежных средств и химических реактивов. В качестве альтернативы развиваются неразрушающие технологии наземной и дистанционной спектроскопии [4,5]. Спутниковые гиперспектральные данные при работе на уровне отдельных полей ограничены смешанными пикселями, пространственным разрешением и периодичностью съёмки, тогда как авиационная съёмка требует существенных организационных и финансовых ресурсов. БПЛА обеспечивают более гибкое получение изображений высокого разрешения [6–11].
При анализе почвенных спектров необходимо учитывать влажность, состояние поверхности, гранулометрический состав, освещение и инструментальные шумы. Для коррекции спектров применяют преобразование в поглощение, мультипликативную коррекцию рассеяния (MSC), сглаживание Савицкого–Голея (SG) и первую производную (FD). При этом дорогостоящий и трудоёмкий отбор большого числа почвенных проб остаётся одним из главных ограничений цифрового картографирования [12–19].
Цель исследования — оценить возможность высокодетального картографирования SOM на поле площадью около 20 га на основе гиперспектральных изображений с БПЛА и небольшой обучающей выборки. Основные задачи: определить оптимальную предварительную обработку спектров; выделить характерные диапазоны для SOM; сравнить модели на основе изображений БПЛА с наземными спектральными измерениями и обычным кригингом.

2. Материалы и методы

2.1. Район исследований и отбор почвенных проб

Исследуемое поле находится в уезде Лишу провинции Цзилинь (Китай). Площадь составляет около 20 га, среднегодовое количество осадков — 553,5 мм, среднегодовая температура — 6,5 °C, средняя абсолютная высота — около 160 м. Для территории характерен муссонный климат, относительно ровный рельеф и распространение плодородных чернозёмных почв. Основная сельскохозяйственная культура — соя.
Поле разделили на квадраты 50 × 50 м и определили 72 точки отбора проб. Для построения моделей на сокращённой выборке были выбраны 20 точек с расстоянием приблизительно 100 м; независимо от них случайным образом определили ещё 20 точек проверки. Пробы из горизонта 0–20 см собрали 15 июня 2020 г., высушили, измельчили и просеяли. SOMопределяли лабораторным методом Уокли—Блэка. В варианте сравнения с кригингом применяли также 72 пробы при сетке 50 × 50 м.
Рисунок 1 — Расположение почвенных проб в районе исследования. Показаны калибровочные точки для сеток 50 и 100 м, независимые проверочные точки и границы поля.

2.2. Получение и обработка гиперспектральных данных

Съёмку 15 июня 2020 г. выполняли с помощью гиперспектрального комплекса Resonon Pika-L, установленного на шестироторном БПЛА и дополненного системой GPS и бортовым компьютером. Получены изображения с размером пикселя 0,05 × 0,05 м в диапазоне 400–1000 нм и спектральным разрешением 2,1 нм. Два полёта были выполнены около 11:20 с высоты 100 м при скорости 3 м/с. Угловое поле зрения (FOV) составляло 17,6°, мгновенное поле зрения (IFOV) — 0,88 мрад.
Рисунок 2 — Гиперспектральная съёмочная система Resonon Pika-L, применённая для получения данных с БПЛА.
Данные положения и ориентации платформы (POS) обрабатывали в SBGcenter; выполнены геометрическая и радиометрическая коррекции, геопривязка в ArcGIS 10.2 и мозаицирование в ENVI 5.3. Для исключения растительного покрова использован разностный вегетационный индекс (DVI). Средние спектры пикселей почвы, входящих в ячейку 1 × 1 м (20 × 20 исходных пикселей), принимали в качестве спектральной характеристики соответствующей ячейки.
Непосредственно после авиационной съёмки спектры на местах отбора проб измеряли переносным спектрометром ASDQualitySpec Trek в диапазоне 350–2500 нм. Перед измерениями проводили калибровку по белому эталону, а спектры снимали в четырёх направлениях с интервалом поворота 90° и усредняли. Для корректного сравнения авиационных и наземных данных использовали общий диапазон 420–900 нм.
Предварительная спектральная обработка включала устранение шума, переход от отражения к оптическому поглощению, MSC, сглаживание SG и вычисление FD. Такая последовательность служила для подавления фоновых влияний и усиления диагностических особенностей спектральных кривых.

2.3. Моделирование методом случайного леса

Для прогнозирования содержания органического вещества применён регрессионный алгоритм случайного леса (RF), использующий ансамбль деревьев решений. Подбор гиперпараметров проводился методом GridSearchCV в Python: число деревьев изменяли от 10 до 500 с шагом 10, максимальное число признаков при ветвлении — от 1 до 12 с шагом 1. Критерием оптимизации служила RMSE. Итоговый прогноз рассчитывали как усреднённый результат деревьев; значимость спектральных признаков определяли средствами обученной модели.

2.4. Геостатистическая модель для сопоставления

В качестве базового метода использовали обычный кригинг (OK), основанный на пространственной автокорреляции почвенного показателя. Полувариограмма рассчитывалась по парам наблюдений, разделённых расстоянием h: γ(h) = [1/(2n)] Σ[Z(xₖ) − Z(xₖ+h)]². Для её аппроксимации применяли гауссову, экспоненциальную и сферическую модели, характеризуемые наггет-эффектом (nugget), порогом (sill) и радиусом корреляции (range). Подбор параметров выполняли в GS+ 7.0, а вычисление прогнозов — в PyKrige.

2.5. Оценка качества моделей

Точность оценивали коэффициентом детерминации R², среднеквадратической ошибкой RMSE и отношением стандартного отклонения наблюдений к ошибке прогнозирования (RPD). Чем выше R² и RPD и ниже RMSE, тем лучше модель. Авторы использовали следующую интерпретацию RPD: менее 1,4 — непригодная модель; 1,4–2,0 — допустимый, но требующий улучшения прогноз; более 2,0 — высокая прогностическая способность.

3. Результаты

3.1. Характеристика органического вещества почвы

Содержание SOM по всем 92 пробам находилось в диапазоне приблизительно 11,95–26,45 г/кг при среднем 18,13 г/кг. Значения характеризуют почвы со средним и высоким содержанием органического вещества по использованной авторами классификации. Распределение SOM близко к нормальному, а пространственная изменчивость оценивается как умеренная.
Таблица 1 — Описательная статистика SOM (г/кг).

3.2. Эффект предварительной обработки спектров

Эффективность спектральных преобразований оценивали по модулю коэффициента корреляции Пирсона между спектральными величинами и лабораторно измеренным SOM. MSC усиливала выраженность максимумов и минимумов, SGповышало устойчивость спектральной зависимости, а первая производная подчёркивала локальные особенности формы спектра. После совокупной обработки максимум абсолютной корреляции повысился с 0,41 до 0,58. Наиболее информативными оказались области 450–600 и 750–900 нм.
Рисунок 3 — Корреляция содержания органического вещества со спектральными характеристиками почвы после: (а) преобразования в поглощение; (б) мультипликативной коррекции рассеяния; (в) сглаживания Савицкого–Голея; (г) вычисления первой производной.

3.3. Прогнозирование по данным БПЛА

Оптимальная модель UAV-RF достигла R² = 0,53, RMSE = 1,48 г/кг и RPD = 1,46 на независимой проверочной выборке. Наибольшую важность имели участки спектра 500–550 нм, а также полосы около 730, 790, 800, 850 и 900 нм. Карта демонстрировала мозаичное распределение SOM: низкие значения отмечались преимущественно в юго-западной части поля, высокие — в северо-восточной. Максимальное предсказанное значение составляло около 22,28 г/кг.
Рисунок 4 — (а) Относительная значимость спектральных признаков в модели случайного леса; (б) карта прогнозируемого содержания SOMпо гиперспектральным данным БПЛА (UAV-RF).

3.4. Прогнозирование с помощью обычного кригинга

При использовании сетки 100 × 100 м модель полувариограммы характеризовалась относительно слабой аппроксимацией наблюдений (R² около 0,5). Прогностическая точность кригинга была низкой: R² = 0,02, RMSE = 2,17 г/кг, RPD = 0,99. Распределение по карте отражало общую тенденцию возрастания SOM к северной части поля, но плохо воспроизводило мелкомасштабную изменчивость.
Рисунок 5 — (а) Полувариограмма содержания SOM; (б) карта прогноза по методу обычного кригинга при размещении проб по сетке 100 × 100 м.
При переходе к сетке 50 × 50 м модель полувариограммы описывала пространственную изменчивость значительно точнее (R² аппроксимации более 0,8). Радиус корреляции составлял 283,02 м, наггет-эффект — 5,09, порог — 10,52. Точность предсказания улучшилась до R² = 0,59, RMSE = 1,37 г/кг и RPD = 1,57.
Рисунок 6 — (а) Полувариограмма SOM; (б) карта прогнозируемого содержания SOM по методу обычного кригинга для сетки 50 × 50 м.

3.5. Прогнозирование по наземной спектроскопии

Для наземных спектров также применили оптимизированную последовательность предварительной обработки и алгоритм RF. Модель PS-RF обеспечила RMSE = 1,41 г/кг, R² = 0,57 и RPD = 1,51. Её точность была сопоставима с результатами UAV-RF, что подтверждает возможность использования авиационных гиперспектральных изображений для оценки SOM при ограниченном числе лабораторных образцов.
Таблица 2 — Сопоставление методов прогнозирования на независимой проверочной выборке.

4. Обсуждение

4.1. Значение спектральной предобработки

Сырые полевые спектры изменяются под влиянием влажности почвы, особенностей освещения, состояния поверхности и характеристик прибора. Преобразование в поглощение, коррекция рассеяния, сглаживание и дифференцирование ослабляли шум и фоновые компоненты, делая диагностические полосы более выраженными. Рост абсолютного коэффициента корреляции до 0,58 показывает, что предобработка является существенным этапом подготовки данных для машинного обучения.

4.2. Диагностические спектральные диапазоны

Наиболее характерные для SOM области спектра приходились на 500–600 нм и отдельные длины волн около 730, 790, 800, 850 и 900 нм. Авторы обсуждают влияние функциональных групп O–H, C–H и N–H на спектральный отклик органических компонентов. Вместе с тем спектральные признаки не являются универсальными: их положение и выраженность зависят от типа почвы, влажности, измерительной системы и сопутствующих факторов. Во многих исследованиях заметная чувствительность наблюдается около 700 нм.

4.3. Сравнение БПЛА, наземной спектроскопии и геостатистики

При одинаковом числе калибровочных проб UAV-RF существенно превосходил обычный кригинг на разреженной сетке. Для получения сопоставимого результата кригингу потребовалось увеличить число проб с 20 до 72. Это согласуется с зависимостью качества геостатистической интерполяции от плотности отбора проб: малое число наблюдений не позволяет надёжно восстановить пространственную структуру SOM.
Карты, полученные с гиперспектральных изображений БПЛА, отличаются более выраженной локальной неоднородностью и полосчатостью по сравнению со сглаженными картами кригинга. Данная особенность может отражать действительную мелкомасштабную изменчивость почвенных характеристик, доступную благодаря высокой пространственной детальности съёмки. Наземная спектроскопия обеспечила близкую точность оценки SOM, но не позволяет непосредственно получить сплошное спектральное покрытие площади поля без густой сети измерений.

5. Заключение

Исследование показало, что данные гиперспектральной съёмки с БПЛА в сочетании с машинным обучением позволяют создавать карты содержания органического вещества почвы с разрешением 1 м, используя всего 20 калибровочных образцов на поле площадью около 20 га. Наилучшее сочетание спектральной предобработки включает преобразование в поглощение, MSC, сглаживание Савицкого–Голея и первую производную. Информативные диапазоны сосредоточены преимущественно в областях 450–600 и 750–900 нм.
Модель UAV-RF достигла R² = 0,53 и RMSE = 1,48 г/кг, что сопоставимо с наземной спектроскопией (R² = 0,57; RMSE = 1,41 г/кг). В то же время обычный кригинг для получения близкой точности требовал существенно более плотной сети почвенных проб. Таким образом, применение БПЛА представляет практический интерес для оперативного детального мониторинга почв и снижения объёма трудоёмких наземных обследований. Для переноса метода на другие почвенно-климатические условия необходима дополнительная проверка устойчивости к изменениям влажности, рельефа, состава почв и условий освещения.

Сведения об оригинале и библиографии

Yan, Y.; Yang, J.; Li, B.; Qin, C.; Ji, W.; Xu, Y.; Huang, Y. High-Resolution Mapping of Soil Organic Matter at the Field Scale Using UAV Hyperspectral Images with a Small Calibration Dataset. Remote Sensing 2023, 15, 1433. https://doi.org/10.3390/rs15051433.
Ссылочные номера [1]–[40] в тексте относятся к библиографии оригинальной публикации. Оригинальные графические материалы воспроизведены по статье, распространяемой по лицензии CC BY 4.0.
28 октября / 2026