Визуальные и компьютерные технологии почвенного дешифрирования Текст научной статьи по специальности «Науки о Земле и смежные экологические науки»

УДК 631.48

ВИЗУАЛЬНЫЕ И КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ ПОЧВЕННОГО ДЕШИФРИРОВАНИЯ

© 2014 г. Т. В. Королюк

Почвенный институт им. В.В. Докучаева Россельхозакадемии, 119017, Москва, Пыжевский пер., 7 e-mail: korolyuk. tv@gmail. com

Рассматривается опыт использования визуальных и цифровых методов дешифрирования аэро- и космических изображений (анализ кривых спектрального образа, классификация с обучением и без него, метод главных компонент), сопоставляются их достоинства при использовании в почвенных исследованиях в разных природных зонах страны. Предложены некоторые методические решения, позволяющие усовершенствовать организацию процесса дешифрирования и повысить результативность распознавания объектов.

Ключевые слова: метод эталонов, многозональная съемка, спектральный образ, синтез изображений, кластерный анализ, метод главных компонент.

Первые опыты использования материалов аэрофотосъемки в целях почвенного картографирования появились в конце 20-х годов прошлого века практически одновременно на территории Ферганской долины СССР и в штате Индиана в США. А уже в начале 30-х годов, как отмечал Л.И. Прасолов, почвенные исследования обогатились новым методом, позволяющим составлять почвенные карты детального масштаба и особенно ценным при изучении почвенного покрова труднодоступных территорий. В последующие годы развитие метода шло в разных направлениях. Расширялись области его применения (топография, геолого-географические исследования, инженерные изыскания) и география использования, развивались технические возможности, совершенствовалось качество аппаратуры и фотоматериалов, создавались новые типы пленок. По мере накопления опыта разрабатывались теоретические и методические вопросы тематического дешифрирования снимков: его принципы, подходы к выбору материалов съемки (тип пленки, масштаб, сезон), методы дешифриро-

вания. В итогом этих исследований были руководства по почвенному картографированию в детальном, крупном, среднем и мелком масштабах (Афанасьева, 1965; Крупномасштабная картография почв, 1977; Составление и использование ..., 1977; Составление крупномасштабных ..., 1989; Составление областных ..., 1990; Симакова, 2011). С появлением материалов спутниковых съемок разработанные принципы и методы почвенного дешифрирования обогатились новыми.

Общий методологический принцип исследования земных объектов по материалам дистанционных съемок - их распознавание и анализ в пространстве и во времени и во взаимосвязи друг с другом.

Специфика дешифрирования почв связана с трехмерностью этих природных образований, как таковые они на аэрокосмических снимках не отображаются. В условиях открытой земной поверхности, не покрытой естественной или культурной растительностью, прямые дешифровочные признаки (тон или цвет, рисунок изображения, размеры и форма выдела) могут отражать лишь свойства поверхностного горизонта почв: гумусное состояние этого горизонта, его влажность, засоление, карбонатность, минералогический состав, содержание оксидов.

Появление новых видов съемок: микроволновой, тепловой, радиолокационной - способствовало некоторому увеличению глубины исследуемого слоя, но, тем не менее, не позволило определять особенности строения почвенного профиля и классификационную принадлежность почвы. В этом случае проблема может быть решена путем использования косвенных дешифровочных признаков, основанных на анализе взаимосвязей почв и факторов почвообразования, информация о которых снимается с тематических карт. Особо отметим метод эталонирования (аналоговый метод) (Виноградов, 1967) - разделение территории по типам рисунка изображения, подбор эталонов, наземное обеспечение их наземной информацией и экстраполяцию данных.

При использовании космической многозональной съемки появился новый дешифровочный признак - спектральный образ объекта, отражающий изменения его спектральных характеристик в отдельных диапазонах съемки. Анализ этого признака наряду с автоматизированными и автоматическими методами распознава-

ния объекта(классификация с обучением и без него) относится к компьютерным технологиям дешифрирования. Использование тестовых участков при классификации с обучением означает не что иное, как реализацию метода эталонирования.

Цель данного исследования - демонстрация возможностей различных методических подходов к дешифрированию почвенного покрова в разных природных регионах европейской части России.

ОБЪЕКТЫ

Работы выполняли на трех объектах, два из которых: "Владимирский" и "Озерский" - расположены в центральной части Русской равнины, а третий - в центральной части равнинного Предкавказья.

В Предкавказье на территории площадью 1600 км2 в излучине р. Егорлык на его левом берегу проводили методические исследования по составлению почвенной карты на основе цифровой обработки материалов дистанционного зондирования. Их результаты апробировали на обширной территории на правом берегу реки, протянувшейся полосой шириною 40 км до депрессии Бу-рукшунских лиманов.

Объект расположен на северо-западном и северном склоне Ставропольского поднятия - эрозионно-аккумулятивной равнине, сложенной мощной толщей лёссовидных суглинков плейстоцена. Поверхность ключевого участка на левобережье р. Егорлык представляет собой волнистую равнину, расчлененную балками, понижающуюся с ЮЗ на СВ со 140 до 50 м. Почвенный покров представлен агрочерноземами сегрегационными с мощным и среднемощным профилем в сочетании с агрочерноземами солонцеватыми. В долине Егорлыка развиты солонцы темные квазигле-евые. Территория правобережья представляет собой наклонную поверхность северного склона поднятия, понижающуюся в сторону р. Маныч. В почвенном покрове склона с севера на юг наблюдается смена агрочерноземов сегрегационных агросероземовид-ными почвами с участием сероземовидных солонцовых квазиглее-ватых комплексов, а также появление в долинах комплексов ква-зиглеевых солонцов и солончаков и солончаков квазиглеевых с аллювиальными почвами в долинах.

Объект "Владимирский" в соответствии с почвенно-географическим районированием Нечерноземной зоны РСФСР (Урусевская, 1991) расположен в двух почвенных округах. Юрьев-Польский округ серых лесных глинистых и тяжелосуглинистых почв на слабокарбонатных покровных отложениях занимает Владимирское ополье - полого-увалистую эрозионную повышенную равнину, сложенную пылеватыми суглинками мощностью 6-10 м, подстилаемыми моренными валунными суглинками. Характерной особенностью почвенного покрова ополья является широкое распространение почв со вторым гумусовым горизонтом: серых - на выровненных и слабодренированных поверхностях и на пологих склонах и серых глеевых - в понижениях.

Муромский округ дерново-подзолистых песчаных и супесчаных почв(по классификации 2004 г. - дерново-подзолы) расположен на древнеаллювиальной приволжской песчаной низине, сложенной моренными суглинками, перекрытыми флювиогляци-альными песками и супесями различной мощности. Почвенный покров округа представлен дерново-подзолами и подзолами ил-лювиально-гумусовыми и иллювиально-железистыми.

Объект "Озерский" расположен в северной части лесостепной зоны южнее долины р. Ока. Его рельеф в южной части объекта представляет слабовсхолмленные и пологоволнистые равнины, перекрытые покровными тяжелыми и средними суглинками. К долине р. Ока они переходят в слабоволнистые зандровые равнины, сложенные супесями мощностью 0.5-1.0 м, подстилаемыми моренными суглинками, которые затем переходят в песчаную террасу р. Ока.

В почвенном покрове преобладают серые почвы. Они формируются на покровных суглинках и образуют комбинации с эродированными глеевыми со вторым гумусовым горизонтом. На зандровой равнине и террасе р. Ока развиты дерново-подзолы с большим участием контактно-глеевых почв. В переходной полосе распространены дерново-подзолистые легкосуглинистые почвы. Структура почвенного покрова обусловлена развитием эрозионных процессов, литологической двучленностью, развитостью мезорельефа.

МАТЕРИАЛЫ И МЕТОДЫ ДЕШИФРИРОВАНИЯ

В работе использовали материалы аэрофотосъемки (в равнинном Предкавказье и центральной России), а также цифровую информацию, полученную с отечественных спутников Космос-1939 и Ресурс-0 аппаратурой МСУ-Э. Распознавание объектов проводили на основе анализа комплекса литературных и тематических картографических источников: листах Государственной почвенной карты СССР, областных и краевых почвенных карт, топокарт, геологических карт и карт четвертичных отложений.

Дешифрирование выполняли с использованием визуальных методов и компьютерных технологий. Первые включали прямое и косвенное дешифрирование (метод ландшафтной индикации), метод эталонов. Цифровая тематическая обработка включала классификацию без обучения (ISODATA, метод К-средних), классификацию с обучением, методы главных компонент и вегетационных индексов. Работы выполняли с использованием программного обеспечения ERDAS Imagine, ArcView, ScanViewer, Exsel.

ОБСУЖДЕНИЕ

Визуальные методы дешифрирования материалов аэросъемки широко использовали при исследовании почвенного покрова и его структур на равнинах Предкавказья. На основе визуального дешифрирования создана факторно-генетическая типизация структуры почвенного покрова(СПП) региона (Королюк, 2000а), использованная затем при разработке системы дистанционной почвенной диагностики (Королюк, 2000б).

Система диагностики включает три компонента: специализированную классификацию рисунков аэрофотоизображения (РАФИ) и их факторно-генетическое обоснование; альбом эталонных фотоизображений для определения места в ландшафте его фрагмента с определенным РАФИ и оценки ландшафтно-индикационных связей компонентов почвенного покрова; диагностическую таблицу для распознавания генетических особенностей СПП и их состава (рис. 1).

Классификация рисунков аэрофотоизображения СПП Предкавказья включает 52вида/подвида, иллюстрированных фрагментами аэрофотоснимков и сопровождаемых описанием рисунка и условий его образования.

Рис. 1. Система визуальной диагностики: в прямоугольниках - компоненты системы; в овалах - этапы работы и решаемые задачи; 1, 2, 3... -номера тестовых участков.

В альбоме эталонных изображений собрано 46 эталонов. Каждый эталон сопровождается подробной аннотацией, которая включает: указание геоморфологической области, морфострукту-ры, почвенно-географической области и провинции; административное положение и привязку; описание рельефа, пород, условий увлажнения; характер использования; генетический тип (подтип) СПП, процессы дифференциации, класс и состав почвенных комбинаций (ПК).

Третьим, связующим звеном системы являются диагностические таблицы, важная особенность которых - организация в соответствии с основными литологическими комплексами, развитыми в регионе, и геоморфологическими особенностями. Представленные в таблице признаки формируют три группы: диагностические - ссылка на РАФИ и его описание, характеристика условий формирования СПП; диагностируемые - генетический тип и состав СПП и почвенные свойства-индикаторы, которые сами могут быть предметом диагностик; дополнительные - источником которых могут быть эталонные изображения. Отдельно указываются оптимальные сезоны съемки для данных СПП.

Визуальную диагностику СПП по материалам аэрофотосъемки с использованием разработанной системы выполняли по следующему алгоритму.

1. Отбор РАФИ с учетом литологических и геоморфострук-турных особенностей исследуемой территории (диагностические таблицы + классификация РАФИ).

2. Характеристика генетического типа и состава СПП, выбранных РАФИ (диагностические таблицы).

3. Выбор эталонов для определения места в ландшафте СПП, отраженных на выбранных рисунках (альбом эталонов).

4. Подбор аэрофотоснимков с учетом рекомендаций по сезонам съемки в диагностических таблицах.

5. Дешифрирование с использованием аналогов (эталонов) и определение границ их экстраполяции.

Предложенную систему диагностики использовали при выборе ключевых участков наземного опробования (на основе анализа эталонных изображений), определении места заложения разрезов на ключах и составления почвенной карты.

Визуальный анализ многозональных спутниковых данных выявил интересную особенность. С запада на восток Предкавказья наблюдается изменение текстуры снимков - размера полей, количества фаз уровней серости внутри контура, соотношения этих фаз по площади и контрастности, что отражает изменения в структуре севооборотов и связано с природными факторами, в первую очередь с климатическим. По данным, полученным во ВНИЦ "АИУС-агроресурсы" (табл. 1), с нарастанием засушливости климата с запада на восток региона увеличивается средний размер

полей и сокращается их число в севообороте. Таким образом, этот признак может служить индикатором смены одних зональных почв другими, но он достаточно размыт, чтобы использовать его для проведения границ зональных типов.

Визуальный анализ космических снимков Landsatиспользо-вали в методической работе по корректировке листов Государственной почвенной карты на территорию Предкавказья (листы L-37 и L-38) (Королюк, Овечкин, 2013). В настоящее времяон активно применяется в пакете с тематическими картами при составлении листов карты на северо-восточные районы страны (Андроников и др., 1990).

На территории Центрального Предкавказья апробировали цифровые технологии (Кого1уик, Shcherbenko, 1994). Многозональную информацию, полученную аппаратурой МСУ-Э со спутника Космос-1939, обработали методом классификации без обучения (метод К-средних), чтобы оценить возможности его использования в для целях составления почвенной карты.

Результаты обработки представляли в двух вариантах: в виде кластерной карты и таблиц статистик кластеров. Анализ карты подтвердил ожидаемое: на изображении Предкавказья преобладают кластеры, отражающие земли пахотных угодий, что нашло

Таблица 1. Связь размера полей и их количества в севообороте с климату_

Край (район) ГТК* Площадь Количество Преобладающие

поля, га полей в севообороте почвы

Краснодарский(цен 0.65-0.80 120 9-12 Агрочерноземы

тральные районы) миграционныепос тгидрогенные

Ставропольский 0.55-0.65 300 6 Агрочерноземысе

(Ипатовский, грегационные

Петровский,

Нижнеалександров

ский и др.)

Ставропольский 0.40-0.45 600 2 Агросероземовид

(Нефтекумский, ные

Левокумский)

* Геотермический коэффициент.

отражение в геометричности рисунка. Текстура полей внутри кластеров отражает неоднородность состояния посевов в результате недостатков обработки почвы или в связи с микро- и мезонеоднородностью почвенного покрова. Неоднородностью почвенного покрова обусловлена и диффузность границ. Выделенные кластеры далеко не всегда были специфичны в отношении почв и их комбинаций. В этой связи карта оказалась недостаточно информативна в отношении геоморфологических форм поверхности и почвенно-растительного покрова. Дальнейшая работа с кластерной картой состояла в ее оверлее с тематическими картами и картой рельефа и первичной корректировке границ.

В целях распознавания содержания кластеров использовали анализ спектральных образов, построенных на основе статистик яркостей. Установлено нескольких типов кривых на исследуемой территории, однако распознавание объектов внутри типа оказалось сложным, в связи с чем был предложен метод графического анализа распределения кластеров в двухмерном пространстве разностей спектральных яркостей т(З-К) и т(ИК-К) (метод РСЯ). Область рассеяния кластеров в этом пространстве образует треугольник, подобный "шапочке с кисточкой" (Tasseled Cap), по основанию которого располагаются кластеры почв с открытой поверхностью (так называемая «почвенная линия»). Распознавание почв вдоль этой линии связывают с зависимостью спектральной яркости (тона изображения) от свойств поверхностного горизонта почвы и коррелируют с ее классификационной принадлежностью (Савин, 2013). Анализ положения кластеров внутри треугольника позволил решить три задачи: отделить почвы с открытой поверхностью, дифференцировать кластеры с разной плотностью посевов, сгруппировать кластеры с однотипным почвенным покровом, но с разной плотностью посевов. Использование метода позволило расширить возможности дешифрирования пахотных почв под посевами при покрытии до 50%.

Результаты почвенного дешифрирования представляли в виде кластерной карты и таблицы, раскрывающей ландшафтно-индикационные связи и определяющие почвы или их комбинации для каждого кластера. На следующем этапе кластерную карту конвертировали в почвенную, провели геометрическую коррекцию и привели к масштабу 1 : 300 000, а затем скорректировали совмещением с картой рельефа. Полевая проверка на контрольном участке показала, что точность карты составила 0.82 (Korolyuk,

Shcherbenko, 1994). Такой результат объясняется строгим соблюдением принцип оптимальности сезона съемки для объекта.

Опыт апробации метода в северной лесостепи Московской области (объект "Озерский") оказался не столь успешным из-за неудачного выбора сезона съемки в связи с недоучетом зональных климатических особенностей (Чистови др., 1997). Съемка, выполненная вскоре после схода снежного покрова, в условиях южной тайги показала слабую контрастность спектральных характеристик природных объектов в зеленой и красной частях спектра.

В этой связи для оценки неоднородности почвенного покрова использовали метод классификации "с обучением". Для обучения приняли данные детальных наземных наблюдений на ключевых участках в сопровождении с их гистограммами распределения яркостей на аэроснимках. В трех диапазонах сканерной съемки для тестовых участков определяли статистические параметры яркостей, которые использовали для построения их спектральных образов. На основе анализа спектральных кривых тестовых участков разработали типизацию, которую использовали при классификации многозонального изображения "с обучением" (табл. 2, рис. 2). Метод классификации дополняли расчетом вегетационного индекса NDVI, построением и анализом производного изображе-нияна основе нормализованной разности.

Подобный подход позволил дешифрировать структуры почвенного покрова, обусловленные литологической неоднородностью (пятнистости дерново-подзолистых почв с участием кон-тактно-глеевых), процессами водной эрозии (пятнистости дерново-подзолистых и серых почв с участием их эродированных вариантов), развитием микро- и мезоформ рельефа (пятнистости дерново-подзолистых и серых почв с их глеевыми типами).

Исследования на объекте "Владимирский" интересны использованием комбинированного синтеза изображений: многозональных и разновременных. Другая особенность этих работ - апробация метода главных компонент при обработке изображений.

Опыт показал, что комбинированный синтез многозональных изображений, полученных в зимний и летний сезоны, может существенно улучшить результаты тематического дешифрирования кластерных карт. В данном случае оно способствовало более естественной конфигурации почвенных ареалов на кластерной карте в

Таблица 2. Типология тестовых участков по их спектральному образу

Класс Подкласс Тип Состояние Пятнистости

посевов почв

Открытая Нет А Отсутствуют Пд; С*Свгг; Сэ

поверхность

Б Отсутствуют Пд*Пдг;

Пд*Пдэ;

Пд*Пдвгг:С*Сг:

С*Сэ; С*Свгг

Почва + Почва с В Открытая Пд*Пд; Пд*Пдэ;

растительный угнетенным поверхность, Пд*Пдвгг:

покров растительным слаборазвитые С*Сг: С*Сэ;

покровом всходы озимых, С*Свгг

многолетние

травы

Почва с Г Всходы озимых, С*Сэ, С*Сг,

вегетирующим многолетние С*Свгг

растительным травы

покровом Д Многолетние С*Сэ, С*Сг,

травы С*Свгг

Примечание. Почвы: Пд - дерново-подзолистые; Пдг - дерново-подзолисто-глеевые; Пдвгг - дерново-подзолистые со вторым гумусовым горизонтом; Пдэ - дерново-подзолистые эродированные; с - серые; Сг -серые глеевые; Свгг - серые со вторым гумусовым горизонтом; Сэ - серые эродированные.

отличие от их диффузности на снимках летнего периода. Причину этого видим в наложении эффекта геоморфологического районирования территории, что проявляется в набольшей степени при анализе зимнего изображения методом главных компонент (рис. 3). Можно сказать, что при получении синтезированного изображения с использованием материалов зимнего периода съемки симулируется эффект цифровой модели рельефа.

По особенностям спектральных образов кластеров в зимний период выделено пять типов спектральных образов и, соответственно, пять типов объектов: леса и населенные пункты; гидро-морфные ландшафты широких пойм и низких водоразделов с кустарниковой растительностью и три варианта склонов разной экспозиции.

Таблица 3. Результативность распознавания природных объектов с использованием метода главных компонентов (Королюк, Щербенко, 2003) (в скобках указан порядок компоненты)_

Хорошо разделяются Плохо разделяются

Зимнее изо Леса в целом, различия связаны с игрой света и тени (1, 2) Эрозионная сеть (долины, балки) (1, 2) Экспозиция склонов (1, 2) Антропогенные структуры (сады, мелиоративная сеть) (2) Летнее изо Растительность с высоким проективным покрытием (1, 2) Водные поверхности (1) Эрозионная сеть (1, 2) Поля с созревшими посевами (3) Синтезированн Растительность с высоким проективным покрытием (1) Хвойные и лиственные леса(2) Хвойные леса и водные поверхности(1) Мезоструктура западин с кустарником(2) Поля с созревшими посевами (3) Водные поверхности (2) эбражение Хвойные и лиственные леса (1, 2) Заснеженные поля и водные поверхности подо льдом (1, 2) )бражение Хвойные леса и открытые почвы (1) Открытые почвы, почвы с невысоким проективным покрытием и лиственные леса (1) Леса (без разделения, посевы и водные поверхности) (2) ое изображение Почвы с разной плотностью посевов и лиственные леса (1) Почвы с разной плотностью посевов(2) Лиственные леса и поля с максимальной плотностью посевов (2) Открытые почвы и водные поверхности(2)

Анализ кривых спектрального образа, построенных по материалам летней съемки, также определил пять типов природных образований. Это водные поверхности, леса разного состава, открытые и почти открытые почвы (с низким покрытием посевами), поля с созревшими зерновыми, поверхности под травянистой и кустарниковой растительностью.

Тематическое распознавание кластеров проводили с использованием вегетационных индексов: РСЯ, NDVI, отношений спектральных яркостей в каналах 3/2 и 2/1. Интерпретация на основе индексов для зимнего изображения была в целом мало результативна и позволила лишь распознать кластеры, соответствующие лесной растительности.

Интерпретация по материалам летней съемки была более успешной, особенно при сочетании кластерной и тематических карт и использовании ландшафтно-индикационных связей. Применение метода РСЯ позволило разделить поля с разной плотностью посевов, леса разного состава, склоны под покровом растительности, различающиеся по степени эродированности. Однако дешифрирование почв в условиях открытой поверхности (после уборки яровых) выполнить не удалось даже на типовом уровне (серые почвы ополья и дерново-подзолистые песчано-супесчаной равнины). Полагаем, что типовые различия почв (прежде всего гумусирован-ность), возможно, экранируются сорной растительностью.

В целях улучшения распознаваемости объектов использовали преобразование изображений сезонных и синтезированного изображения методом главных компонент (рис. 3).

Рис. 3.Изображение главного компонента. Четко прорисовывается рельеф ополья (слева), выделяются лесные массивы в долине р. Клязьма и ее междуречье с р. Нерль.

Наиболее полезным оказалось использование первой и второй компонент. Результативность распознавания приводится в табл. 3.В целом же преобразование зимнего изображения по методу главных компонент позволило подчеркнуть геоморфоструктуру объекта - развитость эрозионной сети, крутизну и экспозицию склонов, а также антропогенную структуру, выделить лесные массивы. Преобразование летнего изображения добавило информацию о полях с созревшими посевами. На синтезированном изображении к совокупности данных добавились сведения о мезофор-мах рельефа - западинах с древесно-кустарниковой растительностью.

Таким образом, применение различных методов обработки изображений: кластерного анализа и метода главных компонент и сложный синтез многозональных и разновременных изображений - способствовало извлечению из них более полной информации о природных объектах. Результативность тематической интерпретации результатов цифровой обработки была напрямую связана с использованием комплекса методов графического и пространственного анализа, интерактивное сочетание которых позволило активно использовать ландшафтно-индикационные связи.

ЗАКЛЮЧЕНИЕ

Представленная ретроспектива практического использования методов почвенного дешифрирования материалов дистанционных съемок служит своего рода иллюстрацией того пути, который прошли сотрудники бывшей лаборатории аэрокосмических методов Почвенного института им. В.В. Докучаева во главе с В.Л. Андрониковым, наследие которых продолжают осваивать и развивать их последователи и ученики.

Аэро- и космические исследования настолько глубоко проникли в область почвенных исследований, что в настоящее время стали непременной частью работ по картографированию почв и почвенных свойств в целях их инвентаризации и мониторинга. Особую ценность они представляют при изучении новых территорий, слабо обеспеченных наземными данными. В этой связи значительные перспективы связывают с развитием цифровых технологий, позволяющих обрабатывать и анализировать дистанционную информацию в комплексе с тематическими картами на основе

ГИС и с применением визуальных и автоматизированных методов

дешифрирования. И те, и другие методы в равной мере актуальны,

и выбор их в соответствии с задачами, возможностями и, наконец,

с желанием остается за исследователем.

СПИСОК ЛИТЕРАТУРЫ

1. Андроников В.Л., Шишов Л.Л., Терешенков О.М., Ананко Т.В., Васильевская В.Д., Дворников О.А., Малинин О.И., Махайлова Р.П., Михайлов И.С., Наумов Е.М., Руднева Е.Н., Соколов И.А., Тонконогов В.Д., Шапиро М.Б., Шубина И.Г. Составление листов Государственной почвенной карты СССР с использованием космических снимков // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. Сб. науч. тр. М.: Наука, 1990. С. 88-96.

2. Афанасьева Т.В. Использование аэрометодов при картировании и исследовании почв. М.: Изд-во Моск. ун-та, 1965. 157 с.

3. Виноградов Б.В. Система развития аэрофотографического эталонирования // Аэрофотографическое эталонирование и экстраполяция. М.: Наука, 1967. С. 5-15.

4. Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 235 с.

5. Королюк Т.В. Типизация структур почвенного покрова// Генезис, география и картография почв. М., 2000а. С. 240-251.

6. Королюк Т.В. Факторно-генетический анализ почвенного покрова как основа распознавания его структуры по аэро- и космическим изображениям // Современные проблемы почвоведения. М., 2000б. С. 41-55.

7. Королюк Т.В., Овечкин С.В. Подходы к модернизации государственной почвенной карты России на основе методов цифровой картографии // Почвоведение. 2010. № 5. С. 1-11.

8. Королюк Т.В., Щербенко Е.В. Распознавание почвенного покрова лесостепных ландшафтов по материалам разносезонной многозональной съемки // Почвоведение. 2003. № 3. С. 275-288.

9. Крупномасштабная картография почв (методы, теория и практика). М.: Наука, 1977. 214 с.

10.Савин И.Ю. О тоне изображения открытой поверхности почв как прямом дешифровочном признаке // Бюл. Почв. Ин-та. 2013. Вып. 71. С. 52-64.

11.Симакова М.С. Мелкомасштабное и обзорное картографирование почв // Почвоведение. 2011. № 9. С. 1133-1135.

12. Составление и использование детальных почвенных карт. Методические рекомендации. М.: Почв. ин-т им. В.В. Докучаева, 1977. 52 с.

13. Составление крупномасштабных почвенных карт с показом структуры почвенного покрова. Методические рекомендации. М.: Почв. ин-т им. В.В. Докучаева, 1989. 56 с.

14. Составление областных среднемасштабных почвенных карт Нечерноземья с показом структуры почвенного покрова (рекомендации). М.: ВО "Агропромиздат", 1990. 80 с.

15.Урусевская И.С. География почв и почвенно-географическое районирование Нечерноземной зоны РСФСР. М., 1991.

16. Чистов С.В., Королюк Т.В., Сорокина Н.П., Свентэк Ю.В. Изучение неоднородности почвенного покрова по результатам цифровой обработки материалов многозональной сканерной съемки // Вестник Моск. ун-та. Сер. 5,география. 1997. №3.С. 46-49.

17.Korolyuk T. V., Shcherbenko E. V. Compiling soil maps on the basis of remotely-sensed data digital processing: soil interpretation // Int. J. Remote Sensing. 1994. V.15. №. 7. P.1379-1400.

VISUAL AND COMPUTER-BASED TECHNOLOGIES OF SOIL AUTOMATED DECODING

T. V. Korolyuk

V. V. Dokuchaev Soil Science Institute of Russian Academy of Agricultural Sciences, 119017, Moscow, Pyzhevskii, 7 e-mail: korolyuk. tv@gmail. com

The experience gained in the use of visual and digital decoding methods of satellite imagery is considered (analysis of curves for spectral images, method of basic components) with the view of comparing their advantages for application in soil studies within the different natural zones of the country. Some methodical approaches are proposed to modify the decoding process for obtaining the more reliable information on the studied object.

Keywords: soil decoding, standard method, multi-zonal survey, spectral image, satellite imagery, claster analysis, method of basic components.