ПРИМЕНЕНИЕ ВЕГЕТАЦИОННЫХ ИНДЕКСОВ ДЛЯ ЦИФРОВОГО ПОЧВЕННОГО КАРТОГРАФИРОВАНИЯ НА ОСНОВЕ КОСМИЧЕСКИХ СНИМКОВ SENTINEL-2
Аннотация
В настоящее время актуальны работы, посвященные созданию цифровых почвенных карт с применением географических информационных систем (ГИС) и данных дистанционного зондирования Земли (ДДЗЗ). В работе выполнен анализ вегетационных индексов (ВИ) для картографирования почвенного покрова, были созданы карты вегетационных индексов: нормализованный относительный вегетационный индекс (Normalized Difference Vegetation Index, NDVI), оптимизированный почвенный вегетационный индекс (Optimized Soil-Adjusted Vegetation Index, OSAVI), вегетационный индекс растительности с поправкой на почву (Soil-Adjusted Vegetation Index, SAVI), преобразованный вегетационный индекс с поправкой на почву (Tranformed Soil-Adjusted Vegetation Index, TSAVI), улучшенный вегетационный индекс (Enhanced vegetation index2, EVI2) на территорию хозяйства ЗАО «Мирный» Коченевского района с использованием космического снимка Sentinel-2 A (10 мая 2021 г.). В результате выявлено, что вегетационные индексы OSAVI и EVI2 позволяют установить пространственные границы между основными типами почв автоморфного, полугидроморфного и гидроморфного режимов увлажнения.
Обоснование. Большее практическое применение находят многозональные космические и аэрофотоснимки для тематического картографирования почвенных ресурсов. В статье использован космический снимок Sentinel-2 A, имеющий хорошее пространственное и спектрозональное разрешение (10 м, 20 м и 60 м), территориальный охват. Это позволило вычислить и проанализировать различные вегетационные индексы для целей цифрового почвенного картографирования.
Цель работы – анализ вегетационных индексов для цифрового почвенного картографирования на основе снимков Sentinel-2 A.
Материалы и методы исследования. Исследования выполнены на территории хозяйства ЗАО «Мирный» Коченевского района Новосибирской области. В работе использованы методы цифровой обработки космических снимков, картографирования и геоинформационного анализа с привлечением космического снимка Sentinel-2 A (10 мая 2021 г.). Для сравнительного анализа ВИ использован способ равных интервалов. Это позволило с помощью ГИС ArcGIS составить тематические карты ВИ в выделением градаций: очень низкое, низкое, среднее, выше среднего, высокое значение.
Результаты исследования и обсуждение. На территории хозяйства ЗАО «Мирный» Коченевского района Новосибирской области выполнены полевые почвенные обследования. С помощью геоинформационной системы SAGA выполнена атмосферная коррекция космического снимка и его пространственная привязка, составлены растровые карты NDVI, OSAVI, TSAVI, EVI2. В ходе геоинформационного анализа крупномасштабной почвенной карты 1:1000 и растровых карт ВИ выявлено, что OSAVI позволяет установить пространственные границы между основными типами почв автоморфного, полугидроморфного и гидроморфного режимов увлажнения. Очень низкие значения ВИ характерны для почв гидроморфного режима увлажнения, сформированных вблизи небольших озер, вдоль берегов р. Шариха. Очень низкие значения ВИ имеют объекты гидрографии, болотные торфяные, лугово-болотные перегнойные почвы, солоди заболоченные и солоди оторфованные, солончаково-болотные, солончаки болотные, сформированные в пониженных участках рельефа с глубиной залегания грунтовых вод менее 0,5 м. Низкие значения ВИ вычислены для вспаханных черноземов обыкновенных, залегающих в верхней и средней части пологого склона. Это почвы автоморфного режима увлажнения с глубиной залегания грунтовых вод более 6 м. Средние и выше среднего значения характерны для серых лесных осолоделых почв под древесной растительностью, а также для лугово-черноземных почв под луговой растительностью в нижней части пологого склона с глубиной залегания грунтовых вод от 3 до 4 м. Высокие значения ВИ получены для луговых почв с густым травянистым покровом. Условия увлажнения почв, залегание в рельефе, тип растительности существенно влияют на значения ВИ. Полученные значения ВИ могут быть использованы на этапе подготовки обучающих данных в виде эталонов классов для основных типов почв, необходимых для автоматического распознавания изображений.
Скачивания
Литература
Kalichkin V.K., Pavlova A.I., Shoba V.N., Kalichkin A.V. Integration of agroecological and technological properties of land. Achievements of Science and Technology of the Agroindustrial Complex, 2019, vol. 13, no. 3, pp. 11-14. https://doi.org/10.24411/0235-2451-2019-10302
Savin I.Y., Vernyuk Y.I., Faraslis I. Possibilities of using drones for operational monitoring of soil productivity. Bulletin of Soil Institute named after V.V. Dokuchaev. 2015, no. 80, pp.95 - 105
Cherepanov, A.S. Spectral properties of vegetation and vegetation indices / A.S. Cherepanov, E.G. Druzhinina. Geomatics, 2009, no. 3, pp.28-32.
Baret F., Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sensing of Environment, 1991, vol. 35, pp. 161-173.
Clevers J. G. P. W., Gitelson A. A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3. International Journal of Applied Earth Observation and Geoinformation, 2013, no. 23, pp. 344–351.
Gao B.-C. NDWI – A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 1996, vol. 58, pp. 257-266.
Gitelson A. A., Kaufman,Y. J., Merzlyak M. N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 1996, vol. 58, pp. 289-298.
Giteson A. A., Kaufman Y. J. MODIS NDVI optimization to fit the AVHRR data series-spectral considerations. Remote Sensing of Environment, 1998, vol. 66, pp. 343-350.
Gitelson A. A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation. Journal of Plant Physiology, 2004, no. 161, pp. 165–173.
Haboudane D., Miller J. R., Tremblay N., Zarco-Tejada P. J., Dextraze L. Integrated narrowband vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sensing of Environment, 2002, vol. 81, pp. 416-426.
Hardisky M. A., Klemas V., Smart R. M. The influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopies. Photogrammetric Engineering and Remote Sensing, 1983, no. 49, pp. 77–83.
Hill M. J. Vegetation index suites as indicators of vegetation state in grassland and savanna: An analysis with simulated SENTINEL 2 data for a North American transect. Remote Sensing of Environment, 2013, no. 137, pp. 94–111.
Houborg R., Fisher J.B., Skidmore A.K. Advances in remote sensing of vegetation function and traits. Int. J. Appl. Earth Obs. Geoinf., 2015, vol. 43, pp. 1-6.
Huan Jing-feng, Tang Yan-Lin New vegetation index and its application in estimation leaf area index of rice. Rice Ecience, 2007, vol. 14, no. 3, pp. 195-203. https://doi.org/10.1016/S1672-6308(07)60027-4
Huete A R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 1988, no. 5, pp. 295-309.
Jiang Z. Y., Huete A. R., Didan K., Miura T. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 2008, vol. 112, pp. 3833-3845.
Lee W.S., Alchanatis V., Yang C., Hirafuji M.; Moshou D., Li, C. Sensing technologies for precision specialty crop production. Comput. Electron. Agric. 2010, vol. 74, pp. 2-33.
Li L., Zhu D., Yao S. at al. Design and implementation of geographic information systems, remote sensing, and global positioning system –based information platform for locust control // Journal Appled Remote Sensing. 2014, vol. 8 (1), 084899 https://doi.org/10.1117/1.JRS.8.084899
Lv T. T., Liu C. Study on extraction of crop information using time-series MODIS data in the Chao Phraya Basin of Thailand. Advances in Space Research, 2010, no. 45, pp. 775–784.
Miura T., Yoshioka, H., Fujiwara K., Yamamoto H. Inter-comparison of ASTER and MODIS surface reflectance and vegetation index products for synergistic applications to natural resource monitoring. Sensors, 2008, no. 8, pp. 2480-2499.
Rondeaux G., Steven M., Baret F. Optimisation of soil adjusted vegetation indices. Remote sensing of Envinronment, 1996, vol. 55, iss. 2, pp. 95 -107. https://doi.org/10.1016/0034-4257(95)00186-7
Tucker C. J. Monitoring corn and soybean crop development with hand-held radiometer spectral data. Remote Sensing of Environment, 1979, vol. 8, pp. 237-248.
Vaudour E., Gomez C., Fouad Y., Lagacherie. Sentinel-2 image capacities to predict common topsoil properties of temperature and Mediterrian agroecosystem. Remote Sensing of Environment, 2019, vol. 223, pp. 21-23.
Vermeulen D., Niekerk A. Evaluation of a WorldView-2 image for soil salinity monitoring in a moderately affected irrigated area. Journal of Applied Remote Sensing, 2016, vol. 10(2), 026025 https://doi.org/10.1117/1.JRS.10.026025
Wang K., Yanbing Q., Guo W., Zhang J., Chang Q. Retrieval and mapping of soil organic carbon using Sentinel-2A spectral images from bare cropland in Autumn. Remote Sensing, 2021, vol. 13, no. 1072. https://doi.org/10.3390/rs13061072
Yoder B. J., Waring R. H. The normalized vegetation index of small douglas-fir canopies with varying chlorophyll concentration. Remote Sensing of Environment, 1994, vol. 49, pp. 81-91.
Просмотров аннотации: 370 Загрузок PDF: 275
Copyright (c) 2021 Anna I. Pavlova
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
