CC BY
77ЭКОСИСТЕМЫ: ЭКОЛОГИЯ И ДИНАМИКА, 2021, том 5, № 3, с. 5-33
===== СТРУКТУРНАЯ ОРГАНИЗАЦИЯ ЭКОСИСТЕМ И ЗАКОНОМЕРНОСТИ —===
ИХ РАСПРЕДЕЛЕНИЯ
УДК 631.4
РАСПОЗНАВАНИЕ СЕЛЬСКОХОЗЯЙСТВЕННЫХ УГОДИЙ ПО КОСМИЧЕСКИМ СНИМКАМ1
© 2021 г. И.Н. Горохова*, И.Н. Чурсин**, Н.Б. Хитров*, Е.И. Панкова*
*Почвенный институт им. В.В. Докучаева Россия, 119017, г. Москва, Пыжевский пер., д. 7, стр. 2. E-mail: g-irina14@yandex.ru **Научный геоинформационный центр РАН Россия, 119019, г. Москва, а/я 168, ул. Новый Арбат, д. 11. E-mail: chursin.ivan93@gmail.com
Поступила в редакцию 30.07.2021. После доработки 30.08.2021. Принята к публикации 01.09.2021
Представлено исследование, направленное на выявление возможности распознавания полей с разными сельскохозяйственными культурами, парами, залежью по мультиспектральным космическим снимкам высокого разрешения (10 м) со спутника Sentinel-2 на примере ВолгоДонской оросительной системы, расположенной в сухостепной зоне Волгоградской области. Для этого последовательно анализировались снимки за февраль-август месяцы 2020 г. и привлекались материалы полевых обследований, проходивших в августе-сентябре 2020 г. на данной территории. Распознавание структуры сельскохозяйственных угодий по космическим изображениям проводилось визуальным и автоматизированным методами, которые позволили выделить озимые зерновые и яровые культуры, пары и залежь. Из возделываемых культур были также идентифицированы суданская трава, кукуруза, соя. Точность выделения структуры сельскохозяйственных угодий автоматизированным методом составила 75%. Использование сочетания различных каналов мультиспектральной съемки позволило разделить орошаемые и неорошаемые поля на оросительной системе и разновозрастную залежь.
По результатам всех проведенных работ была составлена карта структуры сельскохозяйственных угодий на центральную часть Волго-Донской оросительной системы, на которой показаны возделываемые сельскохозяйственные культуры, находящиеся под орошением и на богаре, пары, разновозрастная залежь и определена площадь каждого поля. Вычисленные значения индекса NDVI отразили состояние посевов на разных этапах вегетации, а полученный материал дал возможность произвести подбор ключевых участков для почвенного обследования орошаемых почв, поскольку состояние сельскохозяйственных культур отражает структуру и деградацию почвенного покрова и способствует правильному выбору таких участков.
Проведенные исследования показали возможность использования дистанционной информации высокого разрешения для оценки структуры и состояния сельскохозяйственных угодий, выбора ключевых участков для почвенных обследований, данные по которым необходимы при разработке и подборе оптимальных мелиоративных мероприятий.
Ключевые слова: структура сельскохозяйственных угодий, возделываемые культуры, пары, залежь, орошаемые почвы, обработка космических изображений. DOI: 10.24412/2542-2006-2021-3-5-33
1 Работа выполнена по темам государственных заданий № 0591-2019-0023 «Изучить влияние природных условий и особенностей землепользования на почвенный покров в том числе с участием засоленных солонцовых и слитизированных почв и разработать технологию оценки интенсивности эксплуатации почв сельскохозяйственных угодий» и № АААА-А19-119012390065-9 «Разработка методов анализа и комплексного использования данных дистанционного зондирования Земли на основе современных геоинформационных технологий для мониторинга природных ландшафтов земель сельскохозяйственного назначения с применением группировок малых космических аппаратов».
В сухостепной зоне Европейской части России в ХХ веке были построены крупные оросительные системы, которые позволили даже в засушливые годы обеспечивать продовольственную безопасность страны. Наиболее активное строительство оросительных систем проводилось в 50-60-х годах ХХ века. К середине 1980-х годов освоенные площади орошаемых земель достигли своего пика. Однако большие нормы поливов, отсутствие дренажа и гидроизоляции на оросительных каналах на большинстве оросительных систем привели в 1990-х годах к подъему уровня грунтовых вод, возникновению очагов вторичного засоления, осолонцеванию почв, подтоплению, ирригационной эрозии и другим негативным явлениям. Последовавший далее в стране экономический кризис привел к сокращению площадей орошаемых земель и изменениям в управлении гидромелиоративными системами. Большие площади орошаемых земель были заброшены и стали многолетней залежью, другая часть земель была переведена в богарное использование, на некоторых участках возобновили орошение только после длительного периода залежи или после богарного использования, другие участки поменяли тип орошения. Такие кардинальные изменения в использовании орошаемых земель не могли не сказаться на состоянии почв.
В настоящее время усилия государства направлены на реконструкцию оросительных систем с целью восстановления и улучшения управления гидромелиоративным комплексом и проведения мелиорации орошаемых земель. Для достижения этой цели крайне важным становится понимание тенденции преобразования и эволюции почв и почвенного покрова оросительных систем за продолжительный период их эксплуатации, с учетом их литолого -геоморфологических особенностей, длительности периода орошения и перерывов в орошении. Знания, полученные при изучении современного состояния орошаемых почв, позволят целенаправленно выбирать и проводить необходимые агромелиоративные мероприятия для восстановления их плодородия.
Почвенный покров сухостепной зоны Волгоградской области неоднороден, поэтому на космических снимках поверхность сельскохозяйственных полей представлена сочетаниями пятен различного размера и тона. Пятна генетически связаны со структурой почвенного покрова и по-разному оказывают влияние на сельскохозяйственные культуры, иногда вызывая их разреженность или выпады. Для того чтобы понять, как почвы и связанная с ними пространственная неоднородность полей влияет на ту или иную возделываемую культуру, а также в какой мере состояние сельскохозяйственной культуры отражает почвенный покров, необходимо знание структуры сельскохозяйственных угодий. Это позволит прицельно выбирать ключевые участки для обследования орошаемых почв и принимать адекватные мелиоративные меры. Космические снимки высокого разрешения, как открытые и периодичные источники информации, позволяют провести оперативные и значительные по охвату площади исследования сельскохозяйственных угодий на орошаемых почвах.
Цель настоящих исследований - выявить возможности распознавания структуры сельскохозяйственных угодий (полей с разными сельскохозяйственными культурами, парами, залежью) на космических снимках высокого разрешения (10 м) визуальным и автоматизированным методами для подсчета площадей угодий и целенаправленного выбора ключевых участков почвенного обследования, учитывая состояние культур и полей.
До 2020 г. исследования сельскохозяйственных угодий и орошаемых почв в Волгоградской области проводилось нами на территории Светлоярской ОС, где возделывались кормовые травы, озимые зерновые и овощные культуры. О распознавании данных культур по космической информации были представлены в работах И.Н. Гороховой и Е.И. Панковой (2017), И.Н. Гороховой с соавторами (2020). Указывалось, что можно использовать снимки Ьапёва1;-8 (максимальное разрешение 15 м) за май или июнь месяцы, на которых хорошо дифференцируются кормовые травы и вызревшие озимые зерновые. На
полях Волго-Донской ОС возделывается более широкий спектр культур, который требует своего подхода в анализе дистанционной информации. Для этого использовалась временная серия космических снимков.
Сухостепная зона России является объектом активного сельскохозяйственного использования земель. Почвы сухостепной зоны стали предметом исследований для выдающихся советских и российских ученых, в частности, сотрудников Почвенного института им. В.В. Докучаева, которые позволили зафиксировать природное состояние почв и почвенного покрова в целинных условиях, до начала их активного сельскохозяйственного освоения и орошения (Иванова, 1928; Ковда, 1937; Роде, 1947; Антипов-Каратаев, 1953; Большаков, 1961 и др.).
Изучение орошаемых почв ведется длительное время и по многим направлениям, что отразилось во множестве трудов. Это работы, направленные на изучение: колебания и подъема при орошении уровня грунтовых вод (Минашина, 1978; Зайдельман, 1993); ирригационной эрозии орошаемых почв (Кузнецов и др., 1990; Козловский, 1991), процессов вторичного засоления (Ковда, 1946, Зимовец, 1981; Shahid et al., 2012; Zaman et al., 2018; Ren et al., 2019; Bahmaei et al., 2020); деградации структуры почв на макро- и микроуровнях (Хитров и др., 1994; Приходько, 1996), процессов осолонцевания (Зимовец, 1981; Зинченко и др., 2020); процессов окарбоначивания (Барановская, Азовцев, 1981; Любимова, Дегтярева, 2000; Любимова, Новикова, 2016; Сиземская, 2013; Горохова, Панкова, 2017); влияния оросительных вод на свойства почв (Безднина, 1997; Дедова, 2018; Зинченко и др., 2020), движения почвенной влаги в орошаемых почвах (Jiménez-Aguirre et al., 2018).
Помимо традиционного наземного опробования используется множество других методов оценки состояния орошаемых почв, и, прежде всего, на базе использования космической информации, начиная с 1950-х годов прошлого века (Симакова, 1959; Myers et al., 1966; Панкова, Мазиков, 1975; Вышивкин, 1976; Антонова, Кравцова, 1976; Richardson, 1976; Sinanuwong et al., 1980; Андронников, 1979; Харитонов, 1982; Manchanda et al., 1983; Myers, 1983; Мамедов, 1985; Панкова, Соловьев, 1993; Hick, Russell, 1990; Singh, 1994; Dwivedi, 1996) и активно продолжая в наше время (Рухович, 2009; Конюшкова, 2014; Iqbal, 2011; Abbas et al., 2013; Савин и др., 2014; Панкова и др., 2014, Горохова, Панкова, 2017). Подавляющая часть статей посвящена изучению засоленных и солонцовых почв.
В новейшей литературе в большом количестве статей излагается опыт орошения и его последствия в различных районах Земного шара на базе привлечения спутниковой информации. Исследование засоленности почв проводится на Ближнем Востоке ( Allbed et al., 2014), в Северной Африке (Hihi et al., 2019), Турции (Gorji et al., 2017), Китае (Jiang, Shu, 2018; Wang et al., 2019; Chi et al., 2019; Ren et al., 2019), России (Komissarov et al., 2019; Горохова и др., 2018-2020). Наиболее широко используются материалы со спутников Landsat ETM+, Landsat-8 OLI, Sentinel-2 (Jiang et al., 2018; Masoud et al., 2019; Hasanlou, Eftekhari, 2019; Горохова и др., 2020).
Группой ученых (Hassania et al., 2020) были построены прогнозные карты распространения засоленных и солонцовых почв в мировом масштабе, применяя матричную и регрессионную модели пространственно-временной изменчивости засоленности и солонцеватости почв (1980-2018 гг.). Аналогичная работа была проведена для территории Венгрии (Szatmâri et al., 2020).
Во время визуального дешифрирования снимков засоленные почвы распознаются по белым пятнам, представляющим собой солевую корку на поверхности почвы. Однако такая информация не отражает засоление почв во всем корнеобитаемом слое, что ограничивает возможности дешифрирования. Поэтому при анализе мультиспектральных образов часто засоление почв увязывается с состоянием возделываемой сельскохозяйственной культуры (Горохова и др., 2019). Для разделения различных сельскохозяйственных культур,
орошаемых и неорошаемых полей, распознавания солончаков, засоленных и незасоленных почв используются сочетания разных каналов космической съемки, расчетные, эмпирически выведенные индексы (Allbed et al., 2014; Hihi et al., 2019).
Наиболее популярным и определяемым по космическим изображениям индексом является NDVI (Normalized Difference Vegetation Index) - нормализованный разностный индекс растительности, который впервые был описан в 1973 г. (Rouse et al., 1973). Это простой показатель, применяемый для качественной и количественной оценки зеленой массы растительного покрова. Вегетационный индекс NDVI вычисляют по формуле: NDVI=(NIR-RED)/(NIR+RED), где NIR - яркость или коэффициент отражения в ближней инфракрасной области спектра (0.7-1.0 мкм); RED - в красной области спектра (0.6-0.7 мкм). Он предполагает соотношение максимального поглощения солнечной радиации растениями, лежащего в красной области, и максимального отражения клеточных структур листа в инфракрасной области.
Существуют и другие вегетационные индексы, наиболее известные из них SAVI (Huete, 1988), ASVI (Crippen, 1990), ARVI (Kaufman et al., 1992), для которых используются другие каналы съемки или корректирующие коэффициенты.
Не все исследователи полностью доверяют вегетационным индексам. Ряд авторов (Королева и др., 2017) считают, что определение открытой поверхности почвы с использованием вегетационных индексов NDVI некорректно, так как точность определения не превосходит 65%, и достоверно выделить область открытой поверхности почвы в спектральном пространстве возможно по разработанной ими авторской технологии спектральной окрестности линии почв, точность метода которого составляет 90%. Согласно этой теории, плоская часть «шапочки с кисточкой» (tasseled cup), представляемая как линия почвы (Kauth, Thomas, 1976), не является синонимом области открытой поверхности почвы и занимает значительно меньшую площадь, чем область линии почв.
Тем не менее, вегетационные индексы широко применяются в информационных сервисах для решения задач мониторинга растительности. Например, ВЕГА-PRO (2020) -спутниковый сервис, который позволяет анализировать с использованием временных рядов вегетационных индексов состояние растительного покрова (посевов сельскохозяйственных культур и лесов), его сезонную и многолетнюю динамику для любой отдельной точки или любого региона России. Система создана Институтом космических исследований РАН.
В целом, из обзора литературы следует, что строго определенной комбинации каналов, универсальных индексов для определения состояния растительности, возделываемых культур, засоленности почв для разных территорий не существует. В каждом конкретном случае это должны быть индивидуально решаемые задачи.
Материалы и методы исследований
Волго-Донская оросительная система (ОС) находится в сухостепной зоне на территории Волгоградской области и расположена на юге Приволжской возвышенности, протянувшись вдоль Волго-Донского канала, западнее г. Волгограда. Нами исследовалась центральная часть Волго-Донской ОС, которая охватывает как возделываемые поля, так и залежь, общая площадь исследования составила 8988.9 га (рис. 1).
Юг Приволжской возвышенности, где расположена территория ОС, в плиоцене был полностью перекрыт ергенинскими отложениями, а затем постепенно подвергся денудации. В настоящее время водосборные территории сложены ергенинскими песками, к югу -красно-бурыми скифскими глинами и лёссовидными суглинками. Почвообразующими породами являются желто-бурые опесчаненные суглинки разной мощности. Грунтовые воды залегают глубоко, как правило, они слабо минерализованы и имеют гидрокарбонатно-
натриевый состав. Почвенный покров представлен комплексом каштановых почв и солонцов, в составе которого преобладают суглинистые каштановые солонцеватые почвы (Дегтярева, Жулидова, 1970; Зинченко и др., 2020). Солонцеватые почвы и солонцы в разной степени засолены, что сказывается на состоянии сельскохозяйственной культуры при их освоении.
Рис. 1. Расположение Волго-Донской ОС на космическом снимке портала Google.Earth на 11.05.2020.
В данной работе использовались разновременные мультиспектральные космические снимки Sentinel-2 (Copernicus Open Access Hub, 2020) за 27.02.2020, 29.04.2020, 28.06.2020, 26.07.2020 и 20.08.2020 в четырех каналах (R, G, B, NIR) с максимальным разрешением 10 м и космический снимок со спутника Landsat-8 за 04.04.2020 (Earth Explorer, 2020) в восьми каналах и максимальным разрешением 15 м. Кроме того, привлекалась наземная информация, полученная при проведении полевых работ в июле-августе 2020 г. на
территории Волго-Донской ОС.
При анализе космических снимков проводилось визуальное и автоматизированное дешифрирование структуры сельскохозяйственных угодий по спектральной яркости на полях с разными культурами в 4 каналах: 1 - голубой (0.4-0.5 мкм), 2 - зеленый (0.5-0.6мкм), 3 - красный (0.6-0.7мкм) и 4 - ближний инфракрасный (0.7-0.95 мкм), рассчитывались вегетационные индексы (NDVI), использовались различные сочетания каналов и классификация изображения снимков по значениям спектральной яркости и NDVI.
Результаты и обсуждение
В Волгоградской области посевная площадь составляет более 3 млн. га, из которых более половины занимают зерновые и зернобобовые культуры (Территориальный орган ..., 2020). Из озимых зерновых культур распространена пшеница, из яровых зерновых культур возделывают ячмень, пшеницу, овес, кукурузу на зерно и силос; из зернобобовых - горох, нут, сорго, сою (в ограниченных количествах); из технических культур - горчицу, подсолнечник, сафлор, лен, из кормовых трав - люцерну, суданкскую траву.
Озимые зерновые культуры в сухостепной зоне на территории Волгоградской области обычно высевают в 1 -2 декаде сентября, уборка урожая проводится во 2-ой декаде июля. Яровые культуры высевают в разные декады апреля, уборка осуществляется в июле-августе. Кукуруза на силос и суданская трава высеваются в мае, убираются в августе. Соя высевается в конце апреля и в начале мая, уборка проводится в августе (АГРИЭН, 2020). Исходя из данного распределения во времени, следует, что необходимо использовать серию разновременных снимков, чтобы наиболее достоверно выделить структуру угодий.
На Волго-Донской ОС в 2020 г. выращивались следующие культуры:
1) озимые зерновые (без орошения);
2) яровые зерновые (без орошения)
3) кукуруза на силос (с орошением);
4) суданская трава (с орошением и без орошения);
5) соя (с орошением).
Кроме того, имелись поля под парами, а также залежные поля.
При распознавании структуры сельскохозяйственных угодий Волго-Донской ОС по космическим снимкам необходимо было учитывать следующее:
1) поля под паром на снимках имеют пятнистый рисунок, связанный с эродированностью поверхности и структурой почвенного покрова, что приводит к значительным колебаниям спектральной яркости в рамках одного поля;
2) не все сельскохозяйственные поля используются под орошение, некоторые из них являются богарными участками, что приводит к различиям во влажности почв и спектральной яркости изображения полей;
3) часть полей, которые не орошаются в настоящее время, сохранили следы засыпанных временных оросителей, которые также оказывают влияние на общую спектральную яркость поля;
4) поля могут различаться по яркости из-за проведенных на них агротехнических мероприятий (боронование и др.)
5) 2020 год в Волгоградской области выдался засушливым и космические снимки отображают особенности данного года.
На рисунке 2 (А-Д) представлены фрагменты снимков за февраль, апрель, июнь, июль и август 2020 г. На них по мере вегетации культур визуально выделены возделываемые сельскохозяйственные культуры и общая структура полей. Для этого также привлекались материалы полевых исследований. По снимкам такого разрешения можно определить
озимые зерновые и яровые культуры, пары и залежь. Дальнейшее разделение яровых культур возможно уже с меньшей долей вероятности. Также отметим, что маленькие по площади засеянные участки полей и угловые участки вокруг круговых полей (0.2 -1 га) идентифицируются либо плохо, либо не определяются совсем.
Рассмотрим, как визуально дешифрируется структура сельскохозяйственных угодий на разновременных снимках на примере центральной части Волго-Донской ОС.
Озимые культуры (1, 1а) однозначно выделяются на снимках за февраль, март и апрель месяцы (рис. 2 А, Б, В).
¡2^ « ■
И ■ • - -ч
МГТ|»М М «гштИ 1
Iт
Рис. 2 А, Б. Изображение на космическом снимке сельскохозяйственных угодий центральной части Волго-Донской ОС (Волгоградская область) со спутника Sentinel-2: А -27.02.2020, Б - 28.03.2020. Условные обозначения: 1, 1а - озимые зерновые; 2 - яровые зерновые; 3а - суданская трава на богарном поле; 3б - суданская трава под орошением; 4 -кукуруза на силос; 5 - соя; 6 - пары; 7 - многолетняя залежь.
а в а и „
■ И> ■ " В0 " . И
□ хр а и
□ **/ а э ш □
а п □
□ в
а _^ \
в Д
Ъ* □ И
3
□
и а
ищи.
□ ^ а Г в т а
а а
я ш а з
□ в
а вз а
_ о
□
□ п
Рис. 2 В, Г, Д. Изображение на космическом снимке сельскохозяйственных угодий центральной части Волго-Донской ОС (Волгоградская область) со спутника Sentinel-2: В -29.04.2020, Г - 27.05.2020, Д - 20.08.2020. Условные обозначения: 1, 1а - озимые зерновые; 2 - яровые зерновые; 3а - суданская трава на богарном поле; 3б - суданская трава под орошением; 4 - кукуруза на силос; 5 - соя; 6 - пары; 7 - многолетняя залежь.
На снимках за апрель (рис. 2 Б) хорошо определяется многолетняя залежь (7).
На снимках за июнь (рис. 2 В) идентифицируются вызревающие озимые (1) и яровые (2) зерновые культуры, суданская трава (3 а), пары (6), залежь (7); плохо выделяются кукуруза (4) и соя (5).
На июльских снимках (рис. 2 Г) хорошо видны убранные озимые (1) и яровые (2) зерновые культуры, орошаемые вегетирующие кукуруза (4) и суданская трава (3б), пары (6), но едва отличаются по тону от паров неорошаемая суданская трава (3а), соя (5), залежь (7).
На снимках за август (рис. 2 Д) можно выделить убранные озимые (1) и яровые (2) зерновые культуры, сою (5), орошаемые вегетирующие кукурузу (4) и суданскую траву (3б), но пары (6) и залежь (7) по тону плохо различаются между собой.
Каждый отдельный космический снимок, сделанный в разные месяцы вегетации не дает полной информации о структуре сельскохозяйственных угодий, но их совокупность позволяет представить всю обстановку на участке оросительной системы.
Далее на базе результатов визуального распознавания сельскохозяйственных культур были созданы обучающие выборки к алгоритму последовательного автоматизированного дешифрирования разновременных снимков. Для этого использовались следующие показатели: спектральная яркость в 4 каналах спутника Sentinel-2 и NDVI (нормализованный разностный вегетационный индекс). Предварительно все классифицируемые поля были оцифрованы. Обучающие выборки размечались на снимках за выше рассмотренные даты: 27.02.2020, 29.04.2020, 28.06.2020, 26.07.2020. Далее создавалась отдельная выборка для каждого месяца и строилась обучающая модель на основе классификатора Random Forest (случайный лес) на языке программирования Python. На рисунке 3 приведена схема алгоритма классификации.
Рис. 3. Схема алгоритма классификации космических изображений сельскохозяйственных полей со спутника 8еп1;те1-2.
Классификатор Random Forest представляет собой ансамбль из классификаторов типа Деревьев принятия решений (Decision Tree) или набор из множества деревьев решений. Для каждой выборки строится свое дерево решений. В отличие от одиночного классификатора ансамбль менее склонен к переобучению за счет того, что используется усредненный прогноз по всем деревьям решений из ансамбля и дает хорошие результаты классификации изображений (Forests of Randomized Trees, 2020).
Рассмотрим результаты автоматизированного распознавания структуры сельскохозяйственных угодий на космических изображениях за все приведенные ранее даты (рис. 4).
Рис. 4 А, Б. Результат последовательной автоматизированной обработки космических изображений со спутника Sentinel-2 на основе классификатора Random Forest и выделение сельскохозяйственных угодий центральной части Волго-Донской ОС (Волгоградская область) за период: А - 27.02.2020; Б - 28.03.2020.
Ш 1
■ 2
и Л»
я 4
14 5
ш 6
6а
» 6Г>
я 6«
Ш 7
т Ч>
Рис. 4 В, Г, Д. Результат последовательной автоматизированной обработки космических изображений со спутника Sentinel-2 на основе классификатора Random Forest и выделение сельскохозяйственных угодий центральной части Волго-Донской ОС (Волгоградская область) за период: В - 29.04.2020; Г - 27.05.2020; Д - 20.08.2020. Условные обозначения: 1, 1а - озимые зерновые; 2, 2а - яровые зерновые; 3 а - суданская трава на богарном поле; 3б -суданская трава под орошением; 4 - кукуруза на силос; 6, 6а, 6б, 6в - пары; 7 - многолетняя залежь; 8 - открытая поверхность полей.
На февральском снимке (рис. 4 А) хорошо выделяются поля с озимыми зерновыми посевами (1), но не определяются поля озимых зерновых (1а) с маленькой площадью (0.20.5 га). Оставшаяся часть полей представляет собой открытую поверхность (8).
На апрельских снимкам (рис. 4 Б) к озимым зерновым культурам (1) добавляются поля с залежью (7). Оставшаяся открытая поверхность полей из-за разности во влажности почв делится на несколько классов (8, 8а).
На снимках за июнь (рис. 4 В) идентифицируются вызревающие озимые (1, 1а) и яровые зерновые культуры (2), суданская трава без орошения (3 а), кукуруза (4), соя (5), залежь (7) и пары, состоящие из нескольких классов (6, 6а, 6б, 6в).
На июльском снимке (рис. 4 Г) ко всем выделенным ранее культурам добавляется суданская трава под орошением (3б), а пары представлены 2 классами (6, 6а).
На снимке за август месяц (рис. 4 Д) можно выделить убранные озимые (1, 1а) и яровые зерновые культуры (2), сою (5), вегетирующие кукурузу (4) и суданскую траву (3б), залежь (7) и пары в двух классах (6, 6а).
Последовательная автоматизированная классификация космических изображений показала, что выделение структуры сельскохозяйственных земель возможно, однако с учетом того, что не всегда выделяются поля малой площади, а поля под парами из-за разности во влажности почв могут быть представлены несколькими классами и на заключительном этапе составлении карты структуры сельскохозяйственных угодий потребуют своего объединения.
По результатам автоматизированной классификации космических изображений была составлена обобщенная матрица ошибок, приведенная на рисунке 5. По диагонали матрицы ошибок идут значения, указывающие на долю правильно классифицированных пикселей. Все что вне диагонали - ошибки 1-го и 2-го рода. Доля правильно классифицированных пикселей для всех анализируемых сельскохозяйственных полей в среднем составила 75 %.
1 2 За 36 4 5 6 7 10 ДР
1 0.76437 0.20595 0.03059 0.00435 0.024939 0 0.04363 0.011931 0.051399 0.100123
2 0.07522 0.72569 0.01264 0.00194 0.006131 0 0.01227 0.006379 0.001006 0.013213
За 0.00054 0.00019 0.76726 0 0.010243 0 1.4Е-05 0.000567 4.37Е-05 0.001273
36 1.4Е-05 0 0.00063 0.66731 0.024233 0 0.00331 0.001417 2.19 Е-05 0.002005
4 0.00343 0.00237 0.03249 0.1096 0.79011 0.25 0.01307 0.010356 0.001373 0.016272
5 0 0 0.00025 0 0.006131 0.73634 4.2Е-05 5.67Е-05 0 0.000494
6 0.031Э4 0.02266 0.10013 0.1531 0.063929 0 0.31623 0.023629 0.025217 0.063253
7 0.003S7 0.00413 0.02099 0.0291 0.030022 0 0.01614 0.73119 0.00573 0.166173
10 0.01253 0.00117 0.0019 0.00097 0.012539 0 0.03491 0.012604 0.763051 0.101203
ДР 0.10637 0.03729 0.03312 0.02313 0.031523 0.01316 0.05539 0.146321 0.151652 0.525976
Рис. 5. Общая матрица ошибок. ЭКОСИСТЕМЫ: ЭКОЛОГИЯ И ДИНАМИКА, 2021, том 5, № 3
Таким образом, используя разновременные космические снимки для выделения структуры сельскохозяйственных угодий, можно классифицировать изображение как визуально, так и автоматизировано, с точностью до 75%.
Для почвенных обследований и при выборе ключевых участков для таких обследований важно обращать внимание на многолетнюю залежь на бывших орошаемых землях, которой становятся, как правило, самые проблемные поля. Особого внимания требует краткосрочная залежь (до 5 лет), возникновение которой возможно связано с деградацией почв.
Обратим внимание и на наличие большого количества неорошаемых полей на Волго -Донской ОС, что может указывать не только на экономию хозяйствами средств для поливов, но и на пестрый и сложный почвенный покров этих массивов, значительное наличие засоленных и солонцовых почв, что вынуждает хозяйства оставлять такие поля без орошения.
Чтобы разделить орошаемые и неорошаемые поля, а также выделить и разделить многолетнюю залежь по возрасту до 5 лет и более 5 лет, опытным путем подбираем и используем сочетание разных каналов на мультиспектральных космических снимках (рис. 6, 7).
При выделении многолетней залежи на изображении космического снимка со спутника Ьапёва^8 (04.04.2020) по сочетанию каналов 7, 5, 4 (коротковолновый инфракрасный, ближний инфракрасный, красный) более молодая залежь (до 5 лет) выделяется насыщенным розовым цветом, а более зрелая - бледно-розовым (рис. 6 А). Достоверность выделения разновозрастной залежи подтверждается при сравнении с изображением со снимком 5 -летней давности, приведенным здесь же (рис. 6 Б).
Орошаемые массивы хорошо отображаются на изображении космического снимка со спутника Sentinel-2 (27.07.2020) в сочетании каналов 2, 3, 4 (зеленый, красный, ближний инфракрасный) ярким фиолетовым цветом (рис. 7).
Далее по результатам всех проведенных со снимками работ была составлена карта структуры сельскохозяйственной угодий центральной части Волго-Донской ОС с отображением полей занятых разными культурами, с указанием находится ли культура под орошением или нет, а также парами и разновозрастной залежью и площадями полей (рис. 8).
Общая площадь рассматриваемых сельскохозяйственных полей (130 шт.) составила 8988.9 га, из них находились под: озимыми зерновыми 2026.2 га (22.5%), яровыми культурами - 493.0 га (5.5%), суданской травой под орошением 44.2 га (0.5%) и без орошения - 300.5 га (3.3%), кукурузой на силос под орошением - 255.0 га (2.8%), соей под орошением - 3.4 га (0.05%), парами - 3304.3 га (36.8%), залежью возрастом до 5 лет - 1205.8 га (13.4%) и более 5 лет - 1356.5 га (15.1%). То есть возделывалось порядка 35% площади сельхозугодий, под парами оставлено 36.8% и 28.6% явились залежью, что составляет существенную долю. Что касается орошения, то из рассматриваемых земель орошалось только 3.5%, что очень мало. Это может быть связано как с экономическими проблемами хозяйства, так и с деградированным и комплексным почвенным покровом, который нуждается в дорогостоящей мелиорации полей.
Состояние возделываемых сельскохозяйственных культур нами оценивалось по вегетационному индексу NDVI (табл. 1).
Если растительный покров скудный, то спектр снимка зависит, в основном, от почвы и почвенный фон сильно влияет на индекс. Именно с существенным для разных культур варьированием NDVI мы столкнулись на Волго-Донской ОС, что связано с разнообразием возделываемых культур, пестротой почвенного покрова и засушливостью 2020 г.
Поля под паром имеют достаточно ровные значения NDVI на протяжении всего рассматриваемого периода и составляют 0.13-0.17, что соответствует значениям открытой поверхности почв.
Б
Рис. 6. Выделение многолетней залежи на мультиспектральных космических снимках. А) Изображение залежи на космическом снимке со спутника Landsat-8 (04.04.2020) в сочетании каналов 7, 5, 4 (коротковолновый инфракрасный, ближний инфракрасный, красный). Условные обозначения: 1 - залежь возрастом до 5 лет, 2 - залежь возрастом более 5 лет. Б) Изображение полей на космическом снимке с портала Google Earth (05.08.2015), ставшие многолетней залежью к 2020 г. Условные обозначения: 1 - поле с убранной культурой, 2 - пашня, 3 - поле под паром, 4 - многолетняя залежь.
Рис. 7. Выделение орошаемых массивов на изображении космического снимка со спутника Sentinel-2 (27.07.2020) в сочетании каналов 2, 3, 4 (зеленый, красный, ближний инфракрасный). Условные обозначения: 1 - орошаемые массивы.
Озимые зерновые наибольшего значения индекса NDVI достигают в апреле (0.72-0.73), вызревают к июню (0.2-0.21), в июле их начинают убирать. Значения индекса кукурузы, сои и суданской травы под орошением достигают максимума в августе (0.60-0.88), к началу уборки. Залежь по значениям NDVI занимает промежуточное положение между парами и вегетирующими культурами (0.20-0.40), за счет произрастающей на ней сорной растительности и наибольших значений индекс у которых достигает в июне (0.38-0.48), но не превышает 0.5.
Особое развитие отмечается у яровых зерновых культур, чье изображение на снимках рассматривалось отдельно, т.к. предлагаемые выше в таблице 1 временные интервалы не могут охватить их короткий вегетационный период. Наиболее активный период вегетации отмечается в конце мая, а в начале июля они уже достигли зрелости и были убраны. Максимальные значения NDVI (0.52-0.54) характеризуют не очень хорошее вегетационное состояние культур, связанное с засушливостью года и, возможно поэтому, они были быстро убраны с полей (табл. 2).
Если диапазон значений NDVI в пределах поля с какой-либо одной культурой в активной фазе вегетации различаются на 0.1 и более (в нашем случае - суданская трава на богаре и соя), это свидетельствует о неравномерности ее развития, что может быть связано с пестротой почвенного покрова и, следовательно, требует особого внимания при подборе ключевых участков.
Для общего представления распределения значений NDVI по всей территории центральной части Волго-Донской ОС была проведена классификация изображения космического снимка со спутника Sentinel-2 за июль месяц (рис. 9).
2
4
5
6
7»
76
Номер Код Объект Пло<цадь_га
29 7 Залежь возрастом до 5 лет 229,7
30 7 Залежь возрастом до 5 лет 233,4
31 6 Пары 52,3
32 3 Суданская трава на богаре 167,3
33 6 Пары 193,5
34 3 Суданская трава на богаре 59,2
35 6 Пары 59,8
36 2 Яровые зерновые 161,6
37 1 Озимые зерновые 128,2
38 7 Залежь возрастом до 5 лет 87,8
39 6 Пары 172,5
40 7 Залежь возрастом до 5 лет 41,4
41 7 Залежь возрастом более 5 пет 7,7
42 7 Залежь возрастом более 5 лет 12,7
43 7 Залежь возрастом более 5 лет 17,1
44 7 Залежь возрастом более 5 лет 17,1
45 7 Залежь возрастом более 5 лет 16,4
46 7 Залежь возрастом более 5 пет 25,1
47 7 Залежь возрастом более 5 лет 27,8
48 7 Залежь возрастом более 5 лет 17,5
Номер Код Объект Площадь га
49 7 Залежь возрастом более 5 пет 19,3
50 7 Залежь возрастом более 5 лет 14,5
51 1 Озимые зерновые 111,1
52 1 Озимые зерновые 19,1
53 7 Залежь возрастом более 5 лет 123,3
54 1 Озимые зерновые 110,5
55 7 Залежь возрастом более 5 лет 247,8
56 1 Озимые зерновые 337,4
57 6 Пары 230,8
58 7 Залежь возрастом более 5 лет 86,7
59 7 Залежь возрастом более 5 пет 89,5
60 6 Пары 12,5
61 1 Озимые зерновые 40,8
62 6 Пары 74,2
63 1 Озимые зерновые 60,0
64 6 Пары 16,5
65 6 Пары 117,2
66 1 Озимые зерновые 105,4
67 4 Кукуруза на силос под орошением 65,6
68 4 Кукуруза на силос под орошением 44,2
Рис. 8. Структура сельскохозяйственных угодий центральной части Волго-Донской ОС (Волгоградская область) в 2020 г. и площадь каждого поля. Условные обозначения: 1 - озимые зерновые, 2 - яровые зерновые, 3 а - суданская трава на богаре, 3б - суданская трава под орошением, 4 - кукуруза на силос под орошением, 5 - соя под орошением, 6 - пары, 7а -залежь возрастом до 5 лет, 7б - залежь возрастом более 5 лет, 63...74 - порядковый номер поля.
Таблица 1. Значения NDVI сельскохозяйственных угодий Волго-Донской ОС (февраль-август 2020 г.)
№ с/х культура февраль апрель июнь июль август
1 озимые зерновые 0.62-0.70 0.72-0.73 0.20-0.21 убраны убраны
3а суданская трава на богаре 0.64-0.76 0.28-0.30 0.26-0.28
3б суданская трава под орошением 0.60-0.66 0.60-0.80 0.60-0.85
4 кукуруза на силос 0.69-0.71 0.83-0.86 0.80-0.85
5 соя 0.37-0.47 0.47-0.50 0.79-0.88
6 пары 0.15-0.17 0.14-0.19 0.16-0.18 0.14-0.15 0.13-0.15
7 залежь 0.34-0.40 0.38-0.48 0.24-0.31 0.20-0.21
Таблица 2. Значения NDVI яровых зерновых культур Волго-Донской ОС (май-август 2020 г.)
№ с/х культура май июнь начало июля конец июля август
2 яровые зерновые 0.52-0.54 0.23-0.25 0.14-0.15 убраны убраны
На рисунке 9 показано, что при значении NDVI<0.2 находятся поля с убранными культурами и пары, в интервал 0.2-0.4 попадают поля с залежью и поля с суданской травой на богаре и при значениях 0.4-1 - поля с орошаемыми культурами (кукурузой, соей, суданской травой) в разной степени вегетации, а также садовые участки в поселках и сильно вегетирующая растительность в балках.
Таким образом, анализ значений NDVI позволяет разделить вегетирующие культуры, пары, залежь, определить состояние культуры в процессе вегетации и по неравномерности ее развития определить участки полей с наибольшей пестротой почвенного покрова.
Далее, по результатам всех проведенных работ для дальнейшего обследования орошаемых почв были выбраны следующие ключевые участки (рис. 10). Первый участок -это поле с суданской травой на богаре, значения NDVI на котором составили менее 0.4 в активную фазу вегетации, что свидетельствует о наличии деградационных почвенных процессов, снижающих вегетационную активность культуры (вероятнее всего, это солонцеватость почв). Второй участок выбран из-за пятнистого рисунка на поле под паром, что выявляет эрозионную деградацию почв. Третий участок выбран на поле с засыпанными временными оросителями, что предполагает сильное антропогенное воздействие на почвы и пестроту почвенных образований. Четвертый участок охватывает залежь возрастом более 5 лет, что указывает на сложный почвенный покров этого массива и вынуждает хозяйство оставить такое поле длительное время без возделывания и орошения. Пятый участок - это орошаемое поле с благополучно вегетирующей культурой (кукуруза на силос), где значения NDVI составляют более 0.8.
Заключение
Исследования были направлены на выявление возможности распознавания структуры сельскохозяйственных угодий (полей с разными сельскохозяйственными культурами, парами, залежью) по мультиспектральным космическим снимкам высокого разрешения (10 м) со спутника Sentinel-2 на примере Волго-Донской ОС, расположенной в сухостепной зоне на территории Волгоградской области с целью последующего выбора ключевых участков
почвенного обследования, учитывающего состояние культур и полей. Для этого анализировались снимки за февраль-август 2020 г. и привлекались материалы полевых обследований, проходивших в августе-сентябре 2020 г. на данной территории. Распознавание структуры сельскохозяйственных угодий по космическим изображениям проводилось визуальным и автоматизированным методами.
Рис. 9. Классификация по значениям NDVI изображения космического снимка со спутника Sentinel-2 (27.07.2020) на территорию центральной части Волго-Донской ОС.
Рис. 10. Расположение выбранных ключевых участков (1-5) для исследования почв на космическом снимке со спутника Sentinel-2 (27.08.2020).
В процессе работы было установлено, что при последовательном визуальном анализе разновременных мультиспектральных космических изображений озимые культуры однозначно выделяются на снимках за февраль, март и апрель месяцы; на изображении снимка, полученного в апреле, хорошо определяется многолетняя залежь; на снимках за июнь выделяются вызревающие озимые и яровые зерновые культуры, суданская трава на богаре, пары, залежь, но плохо распознаются кукуруза и соя под орошением; на июльских снимках хорошо видны убранные озимые и яровые зерновые культуры, кукуруза, пары, но по тону от паров едва отличаются суданская трава на богаре, соя, залежь; на снимках за август можно выделить убранные озимые и яровые зерновые культуры, сою, кукурузу, но пары и залежь по тону плохо различаются между собой. Совокупность космических разновременных снимков позволила распознать все возделываемые поля на оросительной системе.
Для автоматизированной классификации космических изображений и выделения структуры сельскохозяйственных угодий применялся классификатор Random Forest, основанный на ансамбле из классификаторов типа Деревьев принятия решений (Decision Tree). В классификаторе использовались обучающие выборки, составленные на базе визуального дешифрирования снимков, и следующие признаки: спектральная яркость в 4 каналах спутника Sentinel-2, а также значения NDVI (нормализованный разностный вегетационный индекс). Обрабатывались изображения за период февраль-август месяцы. По результатам классификации наиболее полное выделение структуры сельхозугодий наблюдалось на снимках за июнь и июль месяцы. Также выявилось, что маленькие по площади поля (0.2-0.5 га) не идентифицируются самостоятельно и сливаются с окружающим фоном, а поля под парами, наоборот, в зависимости от месяца съемки (и разности во влажности почв) могут разделиться на два-три класса, что потребовало их объединения на заключительном этапе обработки снимков.
По результатам автоматизированной классификации космических изображений была составлена обобщенная матрица ошибок, которая показала, что доля правильно классифицированных пикселей для всех анализируемых сельскохозяйственных угодий в среднем составила 75%, а, следовательно, такая обработка снимков вполне применима.
Использование сочетания различных каналов на снимках позволило разделить орошаемые и неорошаемые поля на оросительной системе и разновозрастную залежь.
По окончании всех проведенных работ была составлена карта структуры сельскохозяйственной угодий центральной части Волго-Донской ОС с отображением полей, занятых разными культурами, с указанием, находится культура под орошением или нет, а также с парами и разновозрастной залежью и всеми площадями полей.
Выявлено, что из всей площади рассматриваемых сельскохозяйственных полей (8988.9 га) возделывается 35%, под парами оставлено 36.8%, а 28.6% стали залежью, что является существенной долей. Из возделываемых полей орошается только 3.5%, что очень мало. Причиной слабого освоения угодий могут быть как экономические проблемы хозяйства, так и деградированный и комплексный почвенный покров.
Рассчитанные значения индекса NDVI, которые отразили состояние культур на разных этапах вегетации, а анализ всего полученного материала дал возможность произвести подбор ключевых участков для почвенного обследования, поскольку состояние сельскохозяйственных культур, в ряду многих других факторов, отражает структуру и деградацию почвенного покрова и способствует правильному выбору таких участков для изучения и разработки в дальнейшем необходимых мелиоративных мероприятий по улучшению плодородия орошаемых почв.
СПИСОК ЛИТЕРАТУРЫ
REFERENCES
1. АГРИЭН. Аграрная интернет- 1. энциклопедия. 2020 [Электронный ресурс http://www.agrien.ru (дата обращения 11.05.2021).
2. Андронников В.Л. 1979. Аэрокосмические методы изучения 2. почв. М.: Колос. 280 с.
3. А нтипов-Каратаев И.Н. 1953. Мелиорация солонцов в СССР.
М.: Изд-во АН СССР. 563 с. 3.
4. Антонова С.Ю., Кравцова В.И. 1976. Опыт использования космических многозональных снимков для изучения засоления территории // Исследования 4. природной среды космическими средствами. М.: ВИНИТИ. С. 131-139.
5. Барановская А.В., Азовцев В.И. 1981. Влияние орошения на миграцию карбонатов в почвах Поволжья // Почвоведение. № 10. С. 17-26.
6. Безднина С.Я. 1997. Качество воды для орошения: принципы и методы оценки. М.: РОМА. 185 с.
7. Большаков А.Ф. 1961. Водный режим 5. мощных черноземов Среднерусской возвышенности. М.: Изд-во АН СССР. 200 с.
8. ВЕГА-FRO. Спутниковый сервис анализа вегетации. 2020 [Электронный ресурс http://pro-vega.ru (дата 6. обращения 11.05.2021).
9. Вышивкин Д.Д. 1975. Географическая интерпретация космических снимков в целях тематического картирования засоленных земель // Исследования 7. природной среды космическими средствами. М.: ВИНИТИ. Т. 4. С. 34-37.
10. Горохова И.Н., Авдеева Т.Н., Панкова Е.И., Прокопьева К.О. 2019. Почвенно-агрохимическая 8. характеристика Светлоярского орошаемого участка в Волгоградской области // Аридные экосистемы. Т. 25.
№ 1. С. 48-59. [Gorokhova I.N., Avdeeva 9. T.N., Pankova E.I., ProkopevaK.O. 2019. Soil and Agrochemical Characteristics of the Svetloyar Irrigated Site in Volgograd
AGRIENE, Agrarian Internet Encyclopedia [AGRIEN, Agrarnaya internet-
entsiklopediya]. 2020, available at http://www.agrien.ru, (accessed
11/05/2021).
Andronnikov VL. Aerospace methods for soils study [Aerokosmicheskiye metody izucheniya pochv]. Moscow: Kolos, 1979:280.
Antipov-Karataev IN. Amelioration of solonetzes in the USSR [Melioratsiya solontsov v SSSR]. Moscow: AN SSSR, 1953:563.
Antonova SYu., Kravtsova VI. Experience in the use of multi-spectral space images to study the salinization of the territory [Opyt ispol'zovaniya kosmicheskikh
mnogozonal'nykh snimkov dlya izucheniya zasoleniya territorii] Study of the natural environment with the usage of satellite images [Issledovaniya prirodnoy sredy kosmicheskimi sredstvami]. Moscow: VINITI, 1976:131-139. Baranovskaya AV., Azovtsev VI. Influence of irrigation on the migration of carbonates in the soils of the Volga region [Vliyaniye orosheniya na migratsiyu karbonatov v pochvakh Povolzh'ya] Pochvovedenie. 1981;10:17-26.
Bezdnina SYa. Irrigation water quality: principles and methods for evaluation [Kachestvo vody dlya orosheniya: Printsipy i metody otsenki]. Moscow: ROMA, 1997:185.
Bolshakov AF. Water regime of powerful chernozems of the Central Russian Upland [Vodnyy rezhim moshchnykh chernozemov Srednerusskoy vozvyshennosti]. Moscow: AN SSSR, 1961:200.
VEGA-RRO, Vegetation analysis satellite service [VEGA-RRO, Sputnikovyy servis analiza vegetatsii]. 2020, available at http://pro-vega.ru, (accessed 11/05/2021). Vyshivkin DD. Geographic interpretation of satellite images for the purpose of thematic mapping of saline lands [Geograficheskaya interpretatsiya kosmicheskikh snimkov v
Oblast // Arid Ecosystems. Vol. 9. No. 1. P. 41-50.]
11. Горохова И.Н., Панкова Е.И. 2017. Природа пятнистости орошаемых почв сухостепной зоны (на примере Светлоярской оросительной системы) // Аридные экосистемы. Т. 23. № 3 (72). С. 44-54. [Gorokhova I.N., Pankova E.I. 2017. The nature of the patchiness of irrigated soils in the dry steppe zone (on example of the Svetloyarskaya irrigation system)] // Arid Ecosystems. Vol. 7. No. 3. P. 161-170.]
12. Горохова И.Н., Панкова Е.И., Чурсин И.Н. 2020. Методические подходы к разработке мониторинга орошаемых земель юга Европейской части России на основе материалов космической съемки // Аридные экосистемы. Т. 26. № 1 (82). С. 84-93. [Gorokhova I.N., Pankova E.I., Chursin I.N. 2020. Development of Methodological Approaches for the Assessment of the Status of Irrigated Lands in the South of the European Part of Russia Based on Space-Surveying Materials // Arid Ecosystems. Vol. 10. No. 1. P. 70-78.]
13. Горохова И.Н., Хитров Н.Б., Кравченко Е.П. 2020. Изменение засоленности орошаемых почв участка Червленое за четверть века (Волгоградская область) // Почвоведение. № 4. С. 463-472. [Gorokhova I.N., Khitrov N.B., Kravchenko E.I. 2020. Changes in Soil Salinity at the Chervlenoe Irrigation Massive (Volgograd Oblast) in a Quarter of Century // Eurasian Soil Science. Vol. 53. No. 4. P. 494-502.]
14. Горохова И.Н., Хитров Н.Б., Панкова Е.И., Прокопьева К.О. 2018а. Засоленность почв Светлоярского орошаемого массива в Волгоградской области в 2010-х годах // Бюллетень Почвенного института им. В.В. Докучаева. Вып. 93. С. 75-93.
15. Горохова И.Н., Хитров Н.Б., Прокопьева К.О., Харланов В.А. 20186.
tselyakh tematicheskogo kartirovaniya zasolennykh zemel'] Research of the Natural Environment by Space Means [Issledovaniya prirodnoy sredy
kosmicheskimi sredstvami]. Moscow: VINITI, 1975;4:34-37.
10. Gorokhova IN, Avdeeva TN, Pankova EI, Prokopyeva KO. Soil and agrochemical characteristics of the Svetloyar irrigated site in Volgograd Oblast Arid Ecosystems. 2019;(9)1:41-50.
11. Gorokhova IN, Pankova EI. The nature of the patchiness of irrigated soils in the dry steppe zone (on example of the Svetloyarskaya irrigation system) Arid Ecosystems. 2017;(7)3:161-170.
12. Gorokhova IN, Pankova EI, Chursin IN. Development of Methodological Approaches for the Assessment of the Status of Irrigated Lands in the South of the European Part of Russia Based on Space-Surveying Materials Arid Ecosystems. 2020;(10)1:70-78.
13. Gorokhova IN, Khitrov NB, Kravchenko EP. Changes in soil salinity at the Chervlenoe irrigation massive (Volgograd Oblast) in a quarter of century Soil Science. 2020;4:463-472.
14. Gorokhova IN, Khitrov NB, Pankova EI, Prokopyeva KO. Soil salinity of the Svetloyarsk irrigated massif in the Volgograd region in the 2010s [Zasolennost' pochv Svetloyarskogo trebuyemogo kachestva v Volgogradskoy oblasti v 2010-kh godakh] Bulletin of the V.V. Dokuchaev Soil Institute. 2018a;(93):75-93.
15. Gorokhova IN, Khitrov NB, Prokopyeva KO, Harlanov VA. Soil Cover of the Svetloyarsk irrigation system after 50 years of reclamation practices Eurasian Soil Science. 2018b;(51)8:1-11.
16. Degtyareva ET, Zhulidova AN. Soils of the Volgograd region [Pochvy Volgogradskoy oblasti]. Volgograd: Nizhne-Volzhsky Publishing House, 1970:319.
17. Dedova EB. Zonal scale for assessing the quality of irrigation waters in the Republic of Kalmykia // Synergy [Zonal'naya shkala otsenki kachestva polivnykh vod respubliki
Почвенный покров Светлоярской оросительной системы через полвека мелиоративных воздействий // Почвоведение. № 8. С. 1-18. [Gorokhova I.N., Khitrov N.B., Prokopyeva K.O., Kharlanov V.A. 2018. Soil Cover of the Svetloyarsk Irrigation System after 50 Years of Reclamation Practices // Eurasian Soil Science. Vol. 51. No. 8. Р. 1-11.]
16. Дегтярева Е.Т., Жулидова А.Н. 1970. Почвы Волгоградской области. Волгоград: Нижне-Волжское книжное изд-во. 319 с.
17. Дедова Э.Б. 2018. Зональная шкала оценки качества поливных вод республика Калмыкия // Синергия. № 1. С. 88-95 [Электронный ресурс https://vepi.ru/wp-
content/uploads/2018/10/Sinergiya-2018-1.рё££дата обращения 17.05.2020).
18. Зайдельман Ф.Р. 1993. Экологическая защита мелиорируемых почв и агроландшафтов // Почвоведение. № 1. С. 5-12.
19. Зимовец Б.А. 1981. Экология и мелиорация почв сухостепной зоны. М. : Почвенный институт им. В.В. Докучаева. 248 с.
20. Зинченко Е.В., Горохова И.Н., Круглякова Н.Г., Хитров Н.Б. 2020. Современное состояние орошаемых почв юга Приволжской возвышенности // Бюллетень Почвенного института имени В.В. Докучаева. Вып. 104. М.: РАСХН. С. 68-109.
21. Иванова Е.И. 1928. Очерк почв южной части Подуральского плато и прилегающих районов Прикаспийской низменности. Л.: Изд-во АН СССР. 320 с.
22. Ковда В.А. 1946-1947. Происхождение и режим засоленных почв. М.-Л.: Изд-во АН СССР. Т. 1, 575 с.; Т. 2, 375 с.
23. Ковда В.А. 1937. Солончаки и солонцы М.-Л.: Изд-во АН СССР. 246 с.
24. Козловский Ф.И. 1991. Современные естественные и антропогенные процессы эволюции почв. М.: Наука. 198 с.
Kalmykiya]. 2018;1:88-95, available at https://vepi.ru/wp-
content/uploads/2018/10/Sinergiya-2018-1.pdf (accessed 17/05/2020).
18. Zaidelman FR. Environmental protection of reclaimed soils and agricultural landscapes [Ekologicheskaya zashchita melioriruyemykh pochv i agrolandshaftov] Pochvovedenie. 1993;1:5-12.
19. Zimovets BA. Ecology and soil reclamation in the dry steppe zone [Ekologiya i melioratsiya pochv sukhostepnoy zony]. Moscow: V.V. Dokuchaev Soil Institute, 1981:248.
20. Zinchenko EV, Gorokhova IN, Kruglyakova NG, Khitrov NB. The current state of irrigated soils in the south of the Volga Upland [Sovremennoye sostoyaniye oroshayemykh pochv yuga Privolzhskoy vozvyshennosti] Bulletin of the V.V. Dokuchaev Soil Institute. 2020;(104):68-109.
21. Ivanova EI. Review of the soils of the southern part of the Pre-Ural Plateau and adjacent areas of the Caspian Lowland [Ocherk pochv yuzhnoy chasti Podural'skogo plato i prilegayushchikh otritsatel'nykh Prikaspiyskoy nizmennosti]. Leningrad: AN SSSR. 1928:320.
22. Kovda VA. Origin and regime of saline soils [Proiskhozhdeniye i rezhim zasolennykh pochv]. Moscow-Leningrad: AN SSSR, 1946-1947;(1):575; (2):375.
23. Kovda VA. Salines and solonetzes [Solonchaki i solontsy]. Moscow-Leningrad: AN SSSR, 1937:246.
24. Kozlovsky FI. Modern natural and anthropogenic processes of soil evolution [Sovremennyye yestestvennyye i antropogennyye protsessy evolyutsii pochv]. Moscow: Science, 1991:198.
25. Konyushkova MV. Digital mapping of the soils of the solonetz complexes of the Northern Caspian region [Tsifrovoye kartografirovaniye pochv solontsovykh kompleksov Severnogo Prikaspiya]. Moscow: KMK Scientific Publishing Association, 2014:316.
26. Koroleva PV, Rukhovich DI, Rukhovich AD, Rukhovich DD,
25. Конюшкова М.В. 2014. Цифровое картографирование почв солонцовых комплексов Северного Прикаспия. М.: Товарищество научных изданий КМК. 316 с.
26. Королева П.В., Рухович Д.И., Рухович А.Д., Рухович Д.Д., Куляница А.Л., Трубников А.В., Калинина Н.В., Симакова М.С. 2017. Местоположение открытой поверхности почвы и линии почвы в спектральном пространстве RED-NIR // Почвоведение. № 12. С. 1435-1446.
27. Кузнецов М.С., Григорьев В.Я., Хан К.Ю. 1990. Ирригационная эрозия почв и ее предупреждение при поливах дождеванием. М.: Наука. 120 с.
28. Любимова И.Н., Дегтярева Е.Т. 2000. Изменение карбонатного профиля почв солонцовых комплексов при агрогенном воздействии // Почвоведение. № 7. С. 855-860. [LyubimovaI.N., Degtyareva E.T. 2000. Changes in the Carbonate Distribution in the Soils of Solonetzic Complexes at Agrogenic Impact // Eurasian Soil Science. Vol. 33. No. 7. P. 746-751.]
29. Любимова И.Н., Новикова А.Ф. 2016. Влияние различных антропогенных воздействий на изменение почв солонцовых комплексов сухостепной зоны // Почвоведение. № 5. С. 633-643. [Lyubimova I.N., Novikova A.F. 2016. Changes in the Properties of Solonetzic Soil Complexes in the Dry Steppe Zone under Anthropogenic Impacts. Eurasian Soil Science. Vol. 49. No. 5. P. 581-590.]
30. Мамедов Э. А. 1985. Изучение засоленных земель и солончаков с помощью космических методов // Исследование Земли из космоса. № 1. С. 60-61.
31. Минашина Н. Г. 1978. Мелиорация засоленных почв. М.: Колос. 263 с.
32. Панкова Е.И., Горохова И.Н., Конюшкова М.В. 2014. Развитие методов оценки и дистанционного мониторинга засоления орошаемых и целинных почв на территории аридных
Kulyanitsa AL, Trubnikov AV,
Kalinina NV, Simakova MS. Location of the open soil surface and soil line in the RED-NIR spectral space [Mestopolozheniye otkrytoy poverkhnosti pochvy i linii v spektral'nom prostranstve RED-NIR] Pochvovedenie. 2017;12:1435-1446.
27. Kuznetsov MS, Grigoriev VYa, Khan KYu. Irrigational soil erosion and its prevention during sprinkler irrigation [Irrigatsionnaya eroziya pochv i yeye preduprezhdeniye pri polivakh dozhdevaniyem]. Moscow: Science, 1990:120.
28. Lyubimova IN, Degtyareva ET. Changes in the Carbonate Distribution in the Soils of Solonetzic Complexes at Agrogenic Impact Eurasian Soil Science. 2000;(33)7:746-751.
29. Lyubimova IN, Novikova AF. Changes in the Properties of Solonetzic Soil Complexes in the Dry Steppe Zone under Anthropogenic Impacts Eurasian Soil Science. 2016;(49)5, 581-590.
30. Mamedov EA. Study of saline soils and solonetzes using satellite images [Izucheniye zasolennykh zemel' i solonchakov s pomoshch'yu kosmicheskikh metodov] Earth Research from Space [Issledovaniye Zemli iz kosmosa]. 1985;1:60-61.
31. Minashina NG. Amelioration of saline soils [Melioratsiya zasolennykh pochv]. Moscow: Kolos, 1978:263.
32. Pankova EI, Gorokhova IN, Konyushkova MV. Development of methods for assessment and remote monitoring of salinization of irrigated and virgin soils on the territory of arid and semi-arid regions [Razvitiye metodov otsenki i distantsionnogo monitoringa zasoleniya oroshayemykh i tselinnykh pochv na territorii aridnykh i semiaridnykh regionov] Ecological Systems and Devices [Ekologicheskiye sistemy i pribory]. 2014;10:3-9
33. Pankova EI, Mazikov VM. Methodological issues of using aerial photographs to characterize soil salinity. Soil reclamation processes in areas of new irrigation [Metodicheskiye voprosy ispol'zovaniya
28
и семиаридных регионов // Экологические системы и приборы. № 10. С. 3-9
33. Панкова Е.И., Мазиков В.М. 1975. Методические вопросы использования аэрофотоснимков для характеристики засоления почв. Почвенно-мелиоративные процессы в районах нового орошения // Научные труды Почвенного института им. В.В. Докучаева. М. С. 97-111.
34. Панкова Е.И., Соловьев Д.А. 1993. Дистанционный мониторинг засоления орошаемых почв. М.: Почвенный институт им. В.В. Докучаева. 191 с.
35. Приходько В.Е. 1996. Орошаемые степные почвы: функционирование, экология, продуктивность. М.: Интеллект. 179 с.
36. Роде А.А. 1947. Почвообразовательный процесс и эволюция почв. М.: Географгиз. 142 с.
37. Розанов Б.Г. 1975. Генетическая морфология почв. М.: Изд-во МГУ. 293 с.
38. Рухович Д.И. 2009. Многолетняя динамика засоления орошаемых почв центральной части Голодной степи и методы ее выявления. Дисс. ... к.б.н. М. 25 с.
39. Савин И.Ю., Отаров А., Жогалев А.В., Ибраева М.А., Дуйсеков С. 2014. Выявление многолетних изменений площади засоленных почв Шаульдерского орошаемого массива по космическим снимкам Landsat // Бюллетень почвенного института им. В.В. Докучаева. Вып. 74. М.: РАСХН. С. 49-63.
40. Сиземская М.Л. 2013. Современная природно-антропогенная трансформация почв полупустыни Северного Прикаспия. М.: Товарищество научных изданий КМК. С. 276.
41. Симакова М.С. 1959. Методика картирования почв Прикаспийской низменности по материалам аэрофотосъемки // Почвенно-
aerofotosnimkov dlya kharakteristik zasoleniya pochv. Pochvenno-
meliorativnyye protsessy v rayonakh novogo orosheniya] Proceedings of the V.V. Dokuchaev Soil Institute [Nauchnyye trudy Pochvennogo instituta im. V. V. Dokuchayeva]. Moscow, 1975:97-111.
34. Pankova EI, Soloviev DA. Remote monitoring of salinity in irrigated soils [Distantsionnyy monitoring zasoleniya oroshayemykh pochv]. Moscow: V.V. Dokuchaev Soil Institute, 1993:191.
35. Prikhodko VE. Irrigated steppe soils: functioning, ecology, productivity [Oroshayemyye stepnyye pochvy: funktsionirovaniye, ekologiya, produktivnost']. Moscow: Intellect, 1996:179.
36. Rode AA. Soil formation and evolution [Pochvoobrazovatel'nyy protsess i evolyutsiya pochv]. Moscow: Geografgiz, 1947:142.
37. Rozanov BG. Genetic morphology of soils [Geneticheskaya morfologiya pochv]. Moscow: Publishing House of Moscow State University, 1975:293.
38. Rukhovich DI. Long-term dynamics of irrigated soils salinization in the central part of Mirzacho'l and methods of its identification [Mnogoletnyaya dinamika zasoleniya oroshayemykh pochv chasti Golodnoy stepi i metody yeye tekushchey]. PhD dissertation, Moscow, 2009:25.
39. Savin IYu, Otarov A, Zhogalev AV, Ibrayeva MA, Duisekov S. Identification of long-term changes in the area of saline soils of the Shaulder irrigated massif based on Landsat satellite images [Vyyavleniye mnogoletnikh izmeneniy ploshchadi zasolennykh pochv Shaul'derskogo oroshennogo massiva po kosmicheskim snimkam Landsat] Bulletin of the V.V. Dokuchaev Soil Institute. 2014;(74):49-63.
40. Sizemskaya ML. Modern natural and anthropogenic transformation of soils in the semi-desert of the Northern Caspian region [Sovremennaya prirodno-antropogennaya transformatsiya pochv polupustyni Severnogo Prikaspiya]. Moscow: KMK
географические исследования и использование аэрофотоснимков в картографировании почв. М.: Изд-во АН СССР. С. 283-357.
42. Территориальный орган Федеральной службы государственной статистики по Волгоградской области. 2020 [Электронный ресурс https://volgastat.gks.ru (дата обращения 11.05.2021).
43. Харитонов В.А. 1982. Методика и результаты определения степени засоленности орошаемых земель Ферганской области по космическим снимкам // Рациональные методы и средства в мелиорации. М.: ВНИИГИМ. С. 107-115.
44. Хитров Н.Б., Чечуева О.А., Никитина Н.С., Гришина Р.В. 1994. Влияние ионно-солевого состава почвенного раствора на разрушение микроагрегатов карбонатного чернозема // Почвоведение. № 1. С. 51-60.
45. Abbas A., Khan S., Hussain N., Hanjra M.A., Akbar S. 2013. Characterizing soil salinity in irrigated agriculture using a remote sensing approach // Physics and Chemistry of the Earth. Part A/B/C/. Vol. 55-57. P. 1-8.
46. AllbedA., Kumar L., Aldakheel Y.Y. 2014. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region // Geoderma. Vol. 230231. P. 1-8.
47. Bahmaei A., Albaji M., Naseri A.A., Varjavand P. 2020 . Effect of irrigation type and interval on soil salinity in clay soils in Ahvaz, Iran // Arabian Journal of Geosciences. No. 13. P. 1151.
48. Chi Y., Sun J., Liu W., Wang J., Zhao M. 2019. Mapping coastal wetland soil salinity in different seasons using an improved comprehensive land surface factor system // Ecological Indicators. Vol. 107. P. 105517.
49. Copernicus Open Access Hub. 2020 [Электронный ресурс
Scientific Publishing Association, 2013:276.
41. Simakova MS. Methods for mapping the soils of the Caspian lowland on the basis of aerial photography [Metodika kartirovaniya pochv Prikaspiyskoy nizmennosti po materialam aerofotos 'yemki] Soil-geographical research and the use of aerial photographs in soil mapping [Pochvenno-geograficheskiye issledovaniya i ispol'zovaniye aerofotosnimkov v kartografirovanii pochv]. Moscow: AN SSSR, 1959:283-357.
42. Local Agency of the Federal Service ^a State Statistics for the Volgograd Region [Territorial'nyy organ Federal'noy sluzhby gosudarstvennoy statistiki po Volgogradskoy oblasti]. 2020, available at https://volgastat.gks.ru, (accessed 11/05/2021).
43. Kharitonov VA. Methods and results of determining the degree of salinity of irrigated lands in the Fergana region from satellite images [Metodika i rezul'taty opredeleniya stepeni zasolennosti oroshayemykh zemel' Ferganskoy oblasti po kosmicheskim snimkam] Rational methods and means in land reclamation [Ratsional'nyye metody i sredstva v melioratsii]. Moscow: VNIIGIM, 1982:107-115.
44. Khitrov NB, Chechueva OA, Nikitina NS, Grishina RV. Influence of the ion-salt composition of the soil solution on the destruction of microaggregates of carbonate chernozem [Vliyaniye ionno-solevogo sostava pochvennogo karbonata na razrusheniye mikroagregatovatnogo chernozema] Pochvovedenie. 1994;1:51-60.
45. Abbas A, Khan S, Hussain N, Hanjra MA, Akbar S. Characterizing soil salinity in irrigated agriculture using a remote sensing approach. Physics and Chemistry of the Earth. Part A/B/C/. 2013;(55-57):1-8.
46. Allbed A, Kumar L, Aldakheel YY. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region Geoderma. 2014;(230-231):1-8.
47. Bahmaei A, Albaji M, Naseri AA,
https://scihub.copernicus.eu/dhus/#/home (дата обращения 10.04.2021).
50. Crippen R.E. 1990. Calculating the Vegetation Index Faster // Remote Sensing of Environment. Vol. 34. P. 71-73.
51. Dwivedi R.S. 1996. Monitoring of salt-affected soils of the Indo-Gangetic alluvial plains using principal component analysis // International Journal of Remote Sensing. Vol. 17. No. 10. P. 1907-1914.
52. Earth Explorer. 2020 [Электронный ресурс https://earthexplorer.usgs.gov/ (дата обращения 19.07.2021).
53. Forests of Randomized Trees. 2020 [Электронный ресурс https://scikit-learn. org/ stable/modules/ensemble.html#f orest (дата обращения 15.04.2021).
54. Gorji T., Sertel E., Tanik A. 2017. Monitoring soil salinity via remote sensing technology under data scarce conditions: a case study from Turkey // Ecological Indicators. Vol. 74. P. 384-391.
55. Hasanlou M., Eftekhari K. 2019. Retrieval of soil salinity from Sentinel-2 multispectral imagery // European Journal of Remote Sensing. Vol. 52:1. P. 138-154.
56. Hassania A., Azapagica A., Shokrib N. 2020. Predicting long-term dynamics of soil salinity and sodicity on a global scale // PNAS. Vol. 117. No. 52. P. 3301733027.
57. Hick P.T., Russell W.G.R. 1990. Some spectral considerations for remote sensing of soil salinity // Australian Journal of Soil Research. Vol. 28. No. 3. P. 417-431.
58. Hihi S., Rabah Z.B., Bouaziz M., Chtourou M.Y., Bouaziz S. 2019. Prediction of Soil Salinity Using Remote Sensing Tools and Linear Regression Model // Advances in Remote Sensing. Vol. 8. P. 77-88.
59. Huete A.R. 1988. Soil-Adjusted Vegetation Index (SAVI) // Remote Sensing of Environment. Vol. 25. P. 295-309.
60. Iqbal F. 2011. Detection of salt affected soil in rice-wheat area using satellite image // African Journal of Agricultural Research. Vol. 6 (21). P. 4973-4982.
61. Jiang H., Shu H. 2018. Optical remote-sensing data based research on detecting
Varjavand P. Effect of irrigation type and interval on soil salinity in clay soils in Ahvaz, Iran Arabian Journal of Geosciences. 2020;13:1151.
48. Chi Y, Sun J, Liu W, Wang J, Zhao M. Mapping coastal wetland soil salinity in different seasons using an improved comprehensive land surface factor system Ecological Indicators. 2019;(107):105517.
49. Copernicus Open Access Hub. 2020, available at https://scihub.copernicus.eu/dhus/#/home, accessed 10/04/2021).
50. Crippen RE. Calculating the Vegetation Index Faster Remote Sensing of Environment. 1990;(34):71-73.
51. Dwivedi RS. Monitoring of salt-affected soils of the Indo-Gangetic alluvial plains using principal component analysis International Journal of Remote Sensing. 1996;(17)10:1907-1914.
52. Earth Explorer. 2020, available at https://earthexplorer.usgs.gov/, accessed 19/07/2021).
53. Forests of Randomized Trees. 2020, available at https://scikit-learn.org/stable/modules/ensemble.html#for est, accessed 15/04/2021).
54. Gorji T, Sertel E, Tanik A. Monitoring soil salinity via remote sensing technology under data scarce conditions: a case study from Turkey Ecological Indicators. 2017;(74):384-391.
55. Hasanlou M, Eftekhari K. Retrieval of soil salinity from Sentinel-2 multispectral imagery European Journal of Remote Sensing. 2019;(52)1:138-154.
56. Hassania A, Azapagica A, Shokrib N. Predicting long-term dynamics of soil salinity and sodicity on a global scale PNAS. 2020;(117)52:33017-33027.
57. Hick PT, Russell WGR. Some spectral considerations for remote sensing of soil salinity Australian Journal of Soil Research. 1990;(28)3:417-431.
58. Hihi S, Rabah ZB, Bouaziz M, Chtourou MY, Bouaziz S. Prediction of Soil Salinity Using Remote Sensing Tools and Linear Regression Model Advances in
soil salinity at different depth in an arid-area oasis. Xinjiang, China // Earth Science Informatics. P. 1-14.
62. Jimenez-AguirreM.T., Isidoro D., Uson A. 2018. Soil variability in La Violada Irrigation District (Spain): II Characterizing hydrologic and salinity features // Geoderma. Vol. 311. P. 67-77 [Электронный ресурс www. elsevier. com/locate/geoderma (дата обращения 16.02.2021).
63. Kaufman Y.J., Tanre D. 1992. Atmospherically resistant vegetationin index (ARVI) for EOS-MODIS // Transactions on Geoscience and Remote Sensing. Vol. 30. P. 261-270.
64. Kauth R.J., Thomas G.S. 1976. The tasseled cap - a graphic description of the spectral-temporal development of agricultural crops as seen by LANDSAT // Proceedings of the Symposium on machine processing of remotely sensed data. Purdue University, West Lafayette, Ind., June 29-July 1, 1976 (A77-15051 0443). P. 4B-41 to 4B-51.
65. Komissarov A., Safin Kh., Ishbulatov M., Khafizov A., Komissarov M. 2019. Irrigation as means to reduce the risks of agricultural productionin the South Ural // Bulgarian Journal of Agricultural Science. Vol. 25 (Suppl. 2). P. 149-157.
66. Manchanda M.L., Lyes H.S. 1983. Use of imagery and Aerial photographs for delineation and categorization of salt-affected soils of part of North-West India // Journal of the Indian Society of Soil Science. Vol. 31. No. 2. P. 263-271.
67. Masoud A.A., Koike K., Atwia M.G., El-Horiny М.М., Gemail K.S. 2019. Mapping soil salinity using spectral mixture analysis of Landsat 8 OLI images to identify factors influencing salinization in an arid region // International Journal of Applied Earth Observation and Geoinformation. Vol. 83. P. 101944.
68. Myers V.J. 1983. Remote sensing application in agriculture (salinity) // Manual of Remote Sensing. 2nd ed. USA. P. 2111-2228.
Remote Sensing. 2019;(8):77-88.
59. Huete AR. Soil-Adjusted Vegetation Index (SAVI) Remote Sensing of Environment. 1988;(25):295-309.
60. Iqbal F. Detection of salt affected soil in rice-wheat area using satellite image African Journal of Agricultural Research. 2011;(6)21:4973-4982.
61. Jiang H, Shu H. Optical remote-sensing data based research on detecting soil salinity at different depth in an arid-area oasis. Xinjiang, China Earth Science Informatics. 2018:1-14.
62. Jimenez-Aguirre MT, Isidoro D, Uson A. Soil variability in La Violada Irrigation District (Spain): II Characterizing hydrologic and salinity features Geoderma. 2018;(311):67-77, available at www. elsevier. com/locate/geoderma, accessed 16/02/2021).
63. Kaufman YJ, Tanre D. Atmospherically resistant vegetationin index (ARVI) for EOS-MODIS Transactions on Geoscience and Remote Sensing. 1992;(30):261-270.
64. Kauth RJ, Thomas GS. The tasseled cap - a graphic description of the spectral-temporal development of agricultural crops as seen by LANDSAT. Proc. of the Symposium on machine processing of remotely sensed data, June 29-July 1, 1976, Purdue University, West Lafayette, Ind. 1976:4B-41-4B-51.
65. Komissarov A, Safin Kh, Ishbulatov M, Khafizov A, Komissarov M. Irrigation as means to reduce the risks of agricultural productionin the South Ural Bulgarian Journal of Agricultural Science. 2019;(25)2:149-157.
66. Manchanda ML, Lyes HS. Use of imagery and Aerial photographs for delineation and categorization of salt-affected soils of part of North-West India Journal of the Indian Society of Soil Science. 1983;(31)2:263-271.
67. Masoud AA, Koike K, Atwia MG, El-Horiny MM, Gemail KS. Mapping soil salinity using spectral mixture analysis of Landsat 8 OLI images to identify factors influencing salinization in an arid region International Journal of Applied Earth Observation and Geoinformation.
32
69. Myers V.J., Carter D.L., Rippert W.G. 1966. Remote sensing for estimate soil salinity // Journal of the Irrigation and Drainage Division. No. 4. P. 59-68.
70. Ren D., Wei B., Xu X., Engel B., Li G., Huang Q., Xiong Y., Huang G. 2019. Analyzing spatiotemporal characteristics of soil salinity in arid irrigated agro-ecosystems using integrated approaches // Geoderma. No. 356. P. 113935 [Электронный ресурс www. elsevier. com/locate/geoderma (дата обращения 16.02.2021).
71. Richardson J.A. 1976. Detection of soils with sky lab multispectral, scanner date program // Engineering and Remote Sensing. Vol. 5. No. 42. P. 679-684.
72. Rouse J.W., Haas R.H., Schell J.A., Deering D.W. 1973. Monitoring vegetation systems in the Great Plains with ERTS // Third ERTS Symposium, NASA SP-351 I. Р. 309-317.
73. Shahid S.A., Abdelfattah M.A., Taha F.K. 2012. Developments in Soil Salinity Assessment and Reclamation. Springer. 801 p.
74. Sinanuwong S., Wichaidisdha P., Trakuldist P. 1980. The use of Landsat imagery for soil salinity study in the N-E of Thailand // Thai Journal of Agricultural Science. Vol. 13. No. 3. P. 227-237.
75. Singh A.N. 1997. Monitoring change in the extent of salt-affected soils in northern India // International Journal of Remote Sensing. Vol. 15. No. 16. P. 3173-3187.
76. Szatmari G., Bakacsi Z., Laborczi A., Petrik O., Pataki R., Toth T., Pasztor L. 2020. Elaborating Hungarian Segment of the Global Map of Salt-Affected Soils (GSSmap): National Contribution to an International Initiative // Remote Sensing. No. 12. P. 4073.
77. Wang J., Ding J., Yu D., Ma X., Zhang Z., Ge X., Teng D., Li X., Liang J., Lizaga I., Chen X., Yuan L., Guo Y. 2019. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China // Geoderma. Vol. 353. P.
2019;(83):101944.
68. Myers VJ. Remote sensing application in agriculture (salinity) Manual of Remote Sensing. 2nd ed. USA, 1983:2111-2228.
69. Myers VJ, Carter DL, Rippert WG. Remote sensing for estimate soil salinity Journal of the Irrigation and Drainage Division. 1966;4:59-68.
70. Ren D, Wei B, Xu X, Engel B, Li G, Huang Q, Xiong Y, Huang G. Analyzing spatiotemporal characteristics of soil salinity in arid irrigated agro-ecosystems using integrated approaches Geoderma. 2019;356:113935, available at www. elsevier. com/locate/geoderma, accessed 16/02/2021).
71. Richardson JA. Detection of soils with sky lab multispectral, scanner date program Engineering and Remote Sensing. 1976;(5)42:679-684.
72. Rouse JW, Haas RH, Schell JA, Deering DW. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium, NASA SP-351 I, 1973:309-317.
73. Shahid SA, Abdelfattah MA, Taha FK. Developments in Soil Salinity Assessment and Reclamation. Springer, 2012:801.
74. Sinanuwong S, Wichaidisdha P, Trakuldist P. The use of Landsat imagery for soil salinity study in the N-E of Thailand Thai Journal of Agricultural Science. 1980;(13)3:227-237.
75. Singh AN. Monitoring change in the extent of salt-affected soils in northern India International Journal of Remote Sensing. 1997:(15)16:3173-3187.
76. Szatmari G, Bakacsi Z, Laborczi A, Petrik O, Pataki R, Toth T, Pasztor L. Elaborating Hungarian Segment of the Global Map of Salt-Affected Soils (GSSmap): National Contribution to an International Initiative Remote Sensing. 2020;12:4073.
77. Wang J, Ding J, YuD, Ma X, Zhang Z, Ge X, Teng D, Li X, Liang J, Lizaga I, Chen X, Yuan L, Guo Y. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China
172-187.
78. Zaman M., Shahid S.A., Heng L. 2018. Guideline for Salinity Assessment, Mitigation and Adaptation Using Nuclear and Related Techniques. International Atomic Energy Agency, Springer Nature Switzerland AG. 164 p.
Geoderma. 2019;(353):172-187.
78. Zaman M, Shahid SA, Heng L. Guideline for Salinity Assessment, Mitigation and Adaptation Using Nuclear and Related Techniques. International Atomic Energy Agency, Springer Nature, Switzerland AG, 2018:164.
