Цифровое картографирование агрохимических свойств в детальном масштабе с применением БПЛА

DOI: 10.35595/2414-9179-2025-2-31-457-472

Посмотреть или загрузить статью (Rus)

Об авторах

А.Н. Чащин

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова»,
ул. Петропавловская, д. 23, Пермь, Россия, 614990,
E-mail: chascshin@mail.ru

Н.М. Мудрых

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова»,
ул. Петропавловская, д. 23, Пермь, Россия, 614990,
E-mail: nata020880@hotmail.com

И.А. Самофалова

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова»,
ул. Петропавловская, д. 23, Пермь, Россия, 614990,
E-mail: samofalovairaida@mail.ru

Аннотация

Проведена оценка эффективности применения данных беспилотной аэрофотосъемки (БПЛА) для повышения точности агрохимического картографирования. Определена практическая значимость интеграции топографических и спектральных предикторов, полученных с БПЛА в моделях цифрового почвенного картографирования. Исследования проведены в Нечерноземной зоне на территории Пермского муниципального округа Пермского края. Объект исследований — участок на учебно-научном опытном поле ФГБОУ ВО Пермский ГАТУ г. Перми. Отбор проб почвы проведен до посева культуры с глубины 0–20 см по фиксированной сетке 100 × 200 м. Собран набор точечных агрохимических данных (точечные пробы и данные с пахотного слоя в разрезах) по четырем показателям (гумус, минеральный азот, фосфор, калий) и выполнено их пространственное моделирование методом «обычный кригинг». С помощью БПЛА были получены высокодетальные данные, на основе которых рассчитаны топографические и спектральные предикторы. Методом корреляционного анализа (Scatterplot в SAGA GIS) выявлены наиболее информативные предикторы, обладающие статистически значимой связью с агрохимическими свойствами почв. Для картографирования агрохимических показателей в качестве входных переменных в модель машинного обучения (метод Random Forest) использованы выявленные информативные предикторы. Полученные карты свойств сравнивали с результатами исходной интерполяции с использованием RMSE. Дополнительно исследовано, влияет ли улучшенная точность прогнозирования на практическую агрономическую значимость – на примере расчета потребности почв в фосфорных удобрениях. Сравнение результатов машинного обучения и геостатистических методов (кригинг) позволяет сделать вывод о целесообразности использования БПЛА в рамках систем точного земледелия с возможностью оптимизации распределения минеральных удобрений.

Ключ. слова

агрохимические свойства почв, цифровая почвенная картография, аэрофотосъемка с БПЛА, предикторы, машинное обучение, кригинг

Список литературы

  1. Беленков А.И., Мазиров М.А., Воронов М.А. Результаты научного и практического освоения точного земледелия в полевом опыте. Плодородие, 2025. № 1 (142). С. 31–41. DOI: 10.25680/S19948603.2025.142.08.
  2. Брыжко И.В., Шабалина Т.В. Геоинформационное обеспечение точного земледелия на примере Тюменской области. ИнтерКарто. ИнтерГИС. Материалы Международной конференции, 2021. Т. 27. Ч. 4. С. 66–81. DOI: 10.35595/2414-9179-2021-4-27-66-81.
  3. Гафуров А.М. Возможности использования беспилотного летательного аппарата для оценки почвенной и овражной эрозии. Ученые записки Казанского университета. Серия: Естественные науки, 2017. Т. 159. № 4. С. 654–667.
  4. Докучаев П.М. Построение цифровой почвенной карты и картограммы углерода с использованием методов цифрового почвенного картографирования (на примере Вятско-Камской провинции дерново-подзолистых почв южной тайги): Диссертация на соискание ученой степени кандидата биологических наук. М., 2017. 206 с.
  5. Каштанов А.Н., Вернюк Ю.И., Савин И.Ю., Щепотьев В.В., Докукин П.А., Шарычев Д.В., Ли К.А. Картографирование ручейковой эрозии пахотных почв по данным с беспилотных летательных аппаратов. Почвоведение, 2018. № 4. С. 506–512. DOI: 10.7868/S0032180X18040111.
  6. Куцаева О.А. Создание менеджмент-зон для дифференцированного внесения минеральных удобрений с использованием инструментов геостатистики. Вестник Белорусской государственной сельскохозяйственной академии, 2020. № 2. С. 176–181.
  7. Минаев Н.В. Цифровая модель почвенно-ландшафтных связей Владимирского Ополья. Диссертация на соискание ученой степени кандидата биологических наук. М., 2020. 149 с.
  8. Мудрых Н.М., Самофалова И.А., Чащин А.Н. Прогнозирование эрозионных потерь почвы с использованием модели RUSLE. АгроЭкоИнфо, 2020. № 4. Электронный ресурс: http://agroecoinfo.narod.ru/journal/STATYI/2020/4/st_430.pdf (дата обращения 10.04.2025).
  9. Пивченко Д.В., Мешалкина Ю.Л., Ярославцев А.М., Тихонова М.В., Визирская М.М., Васенев И.И. Сравнительный анализ вегетационных индексов для агроэкологического мониторинга озимой пшеницы в условиях Московской области. АгроЭкоИнфо, 2019. № 3. Электронный ресурс: http://agroecoinfo.narod.ru/journal/STATYI/2019/3/st_324.doc (дата обращения 10.04.2025).
  10. Савин И.Ю., Вернюк Ю.И., Фараслис И. Возможности использования беспилотных летательных аппаратов для оперативного мониторинга продуктивности почв. Бюллетень почвенного института имени В.В. Докучаева, 2015. № 80. С. 95–105. DOI: 10.19047/0136-1694-2015-80-95-105.
  11. Цифровая почвенная картография. М.: РУДН, 2017. 156 с.
  12. Чащин А.Н., Гилёв В.Ю. Картографирование почв на основе аэрофотосъемки с БПЛА. АгроЭкоИнфо, 2024. № 5. DOI: 10.51419/202145502. Электронный ресурс: http://agroecoinfo.ru/STATYI/2024/5/st_502.pdf. (дата обращения 10.04.2025).
  13. Han H., Suh J. Spatial Prediction of Soil Contaminants Using a Hybrid Random Forest—Ordinary Kriging Model. Applied Sciences, 2024. V. 14. No. 4. P. 1666. DOI: 10.3390/app14041666.
  14. Hunt E.R., Cavigelli M., Daughtry C.S.T., Mcmurtrey J.E., Walthall C.L. Evaluation of Digital Photography from Model Aircraft for Remote Sensing of Crop Biomass and Nitrogen Status. Precision Agriculture, 2005. V. 6. P. 359–378. DOI: 10.1007/s11119-005-2324-5.
  15. Hunt E.R., Doraiswamy P.C., McMurtrey J.E., Daughtry C.S.T., Perry E.M., Akhmedov B.A Visible Band Index for Remote Sensing Leaf Chlorophyll Content at the Canopy Scale. International Journal of Applied Earth Observation and Geoinformation, 2013. V. 21. P. 103–112. DOI: 10.1016/j.jag.2012.07.020.
  16. Pouladi N., Møller A.B., Tabatabai S., Greve M.H. Mapping Soil Organic Matter Contents at Field Level with Cubist, Random Forest and Kriging. Geoderma, 2019. V. 342. P. 85–92. DOI: 10.1016/j.geoderma.2019.02.019.
  17. Sekulić A., Kilibarda M., Heuvelink G.B.M., Nikolić M., Bajat B. Random Forest Spatial Interpolation. Remote Sensing, 2020. V. 12. No. 10. P. 1687. DOI: 10.3390/rs12101687.
  18. Susantoro T.M., Wikantika K., Saepuloh A., Harsolumakso A.H. Selection of Vegetation Indices for Mapping the Sugarcane Condition Around the Oil and Gas Field of North West Java Basin, Indonesia. IOP Conference Series: Earth and Environmental Science, 2018. No. 149. P. 012001. DOI: 10.1088/1755-1315/149/1/012001.

Для цитирования: Чащин А.Н., Мудрых Н.М., Самофалова И.А. Цифровое картографирование агрохимических свойств в детальном масштабе с применением БПЛА. ИнтерКарто. ИнтерГИС. M.: Географический факультет МГУ, 2025. Т. 31. Ч. 2. С. 457–472. DOI: 10.35595/2414-9179-2025-2-31-457-472

For citation: Chashchin A.N., Mudrykh N.M., Samofalova I.A. Digital mapping of agrochemical properties on a detailed scale using UAVs. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2025. V. 31. Part 2. P. 457–472. DOI: 10.35595/2414-9179-2025-2-31-457-472 (in Russian)