УДК 631.42 Почвенные исследования. Почвенный анализ
УДК 631.471 Методика почвенного обследования. Топография
В данном исследовании рассматривается возможность создания детальных карт структуры почвенного покрова (СПП) и устойчивой внутриполевой неоднородности (УВН) с использованием принципов расчета коэффициентов мультивременной линии почвы (МЛП) для систем точного земледелия. В работе применяются различные методы, включая нейросетевую фильтрацию данных дистанционного зондирования, построение карт открытой поверхности почвы (ОПП) на основе спектральной окрестности линии почв, полевые почвенные изыскания, замеры биологической урожайности и лабораторный агрохимический анализ почвенных проб. Объектом исследования являются поля, расположенные на севере Казахстана, характеризующиеся умеренно сухими степными условиями и слабо выраженным рельефом. Основными типами почв в этом регионе являются южные и обыкновенные черноземы, которые обладают различными потенциалами плодородия и условиями почвообразования. Результаты исследования показывают, что карта ОПП, построенная на основе мультивременных данных дистанционного зондирования, эффективно выявляет неоднородность почвенного покрова. В ходе исследования были выделены два основных типа почв: южные и обыкновенные черноземы. Южные черноземы показали более низкую биологическую урожайность из-за наличия плотных карбонатных горизонтов, в то время как обыкновенные черноземы обладали более высоким потенциалом плодородия и урожайности. Исследование также выявило сильную линейную зависимость (R² = 0,95) между спектральной отражательной способностью и содержанием органического углерода, что позволяет точно картировать содержание гумуса и типы почв. Практическое применение этих карт в точном земледелии привело к экономическому эффекту в размере примерно 1100 рублей на гектар.
открытая поверхность почвы, структура почвенного покрова, точное земледелие, нейросетевая фильтрация снимков
1. Fridland V.M. Structure of the soil mantle // Geoderma. 1974. Vol. 12, № 1-2. P. 35-41.
2. Rukhovich D.I. et al. Mapping of Agate-like Soil Cover Structures Based on a Multitemporal Soil Line Using Neural Network Filtering of Remote Sensing Data // Geosciences (Basel). 2025. Vol. 15, № 1. P. 32.
3. Haneklaus S, Lilienthal H, Schnug E. 25 years Precision Agriculture in Germany – a retrospective // 13th International Conference on Precision Agriculture. St. Louis, Missouri, USA, 2016.
4. Mulla D., Khosla R. Historical Evolution and Recent Advances in Precision Farming. 2015. P. 1-36.
5. Куляница А.Л. и др. Анализ информативности методов обработки больших спутниковых данных систем точного земледелия при коррекции крупномасштабных почвенных карт // Почвоведение. 2020. № 12. С. 1460-1477.
6. Белик А.В. Внутрипольное варьирование плодородия лесостепных черноземов ЦЧО и урожайность сельскохозяйственных культур: автореферат Дисс. на соиск. уч. ст. канд. биол. наук. Воронеж, 2008.
7. Белоусов А.А., Белоусова Е.Н. Влияние внутриполевой неоднородности почвенного плодородия на выбор элементов методики полевого опыта // Вестник КрасГАУ . 2013., № 81. С. 55-62.
8. Якушева О.И. Влияние внутрипольной почвенной неоднородности и уровня интенсификации агротехнологий на урожайность яровой пшеницы: Дисс. на соиск. уч. ст. канд. с.-х. наук. СПб, 2013.
9. Yang C., Anderson G.L. Determining within-field management zones for grain sorghum using aerial videography // 26th International Symposium on Remote Sensing of Environment. Vancouver, BC, 1996. P. 606-611.
10. Ziliani M.G. et al. Intra-field crop yield variability by assimilating CubeSat LAI in the APSIM crop model // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2022. Vol. XLIII-B3-2022. P. 1045-1052.
11. Iwahashi Y. et al. Quantification of Changes in Rice Production for 2003-2019 with MODIS LAI Data in Pursat Province, Cambodia // Remote Sens (Basel). 2021. Vol. 13, № 10. P. 1971.
12. Qi G. et al. Soil Salinity Inversion in Coastal Corn Planting Areas by the Satellite-UAV-Ground Integration Approach // Remote Sens (Basel). 2021. Vol. 13, № 16. P. 3100.
13. Romano E. et al. Methodology for the Definition of Durum Wheat Yield Homogeneous Zones by Using Satellite Spectral Indices // Remote Sens (Basel). 2021. Vol. 13, № 11. P. 2036.
14. Zhang Y. et al. Assimilation of Wheat and Soil States into the APSIM-Wheat Crop Model: A Case Study // Remote Sens (Basel). 2021. Vol. 14, № 1. P. 65.
15. Rukhovich D.I. et al. Recognition of the Bare Soil Using Deep Machine Learning Methods to Create Maps of Arable Soil Degradation Based on the Analysis of Multi-Temporal Remote Sensing Data // Remote Sens (Basel). 2022. Vol. 14, № 9. P. 2224.
16. Королева П.В. и др. Местоположение открытой поверхности почвы и линии почвы в спектральном пространстве RED-NIR // Почвоведение. 2017. № 12. P. 1435–1446.
17. Gallo B.C. et al. Multi-Temporal Satellite Images on Topsoil Attribute Quantification and the Relationship with Soil Classes and Geology // Remote Sens (Basel). 2018. Vol. 10, № 10. P. 1571.
