Возможности распознавания почв Бенина по спутниковым изображениям Landsat Текст научной статьи по специальности «Сельское хозяйство, лесное хозяйство, рыбное хозяйство»

RUDN Journal of Agronomy and Animal Industries 2017 Vol. 12 No. 4 332—340

Вестник РУДН. Серия: АГРОНОМИЯ И ЖИВОТНОВОДСТВО http://journals.rudn.ru/agronomy

ЗЕМЛЕУСТРОЙСТВО И КАДАСТРЫ

DOI: 10.22363/2312-797X-2017-12-4-332-340

ВОЗМОЖНОСТИ РАСПОЗНАВАНИЯ ПОЧВ БЕНИНА ПО СПУТНИКОВЫМ ИЗОБРАЖЕНИЯМ LANDSAT

Р. Какпо, И.Ю. Савин

Российский университет дружбы народов ул. Миклухо-Маклая, 6, Москва, Россия, 117198

Проведен анализ возможности использования спутниковых данных Landsat для распознавания наиболее широко распространенных почв Бенина. Установлено, что выделить все почвы, изображенные на почвенной карте, по спутниковым изображениям Landsat для территории исследований невозможно. Более достоверно выделяются по тоновым характеристикам почвы, развитые на одинаковых почвообразующих породах. Выявленные особенности группировки почв по тоновым признакам скорее всего связаны с особенностями свойств поверхности почв, а также с типом произрастающей на них растительности. Найденные закономерности могут быть использованы для корректировки почвенной карты Бенина, а также для организации спутникового мониторинга почвенного покрова республики.

Ключевые слова: почвы, Бенин, Landsat, дешифрирование почв, карта почв

ВВЕДЕНИЕ

Почвенные ресурсы любой территории предопределяют возможности ее использования в сельском хозяйстве, урожайность сельскохозяйственных культур и особенности их возделывания [1].

В качестве основного источника информации о состоянии почв является почвенная карта. От качества почвенной карты и ее кондиционности зависят результаты оценки почвенных и земельных ресурсов [4].

Составление почвенной карты является очень затратным и трудоемким процессом. Поэтому традиционно почвенные карты больших регионов и стран создаются раз в 10 лет, а во многих случаях еще реже.

Все это предопределяет необходимость поиска методов менее затратного и более оперативного составления почвенных карт. Одним из самых перспективных источников информации традиционно считаются данные дистанционного зондирования земной поверхности. Для больших территорий наиболее рационально использовать спутниковые данные, которые можно получать достаточно часто, с относительно небольшими затратами и на большие территории [2].

В настоящее время уже накоплен достаточно большой опыт использования спутниковых данных для дешифрирования почв [2, 3]. Установлено, что эффектив-

ность и достоверность дешифрирования зависят от региона работ, а также от характеристик самих спутниковых данных. Но единые правила и методики до сих пор не разработаны.

Последняя почвенная карта территории Бенина была составлена в 1976 году [6]. Карта составлялась традиционным картографическим способом. Кроме того, за прошедшее с тех пор время в почвенном покрове страны могли произойти большие изменения. Все это предопределяет необходимость проведения работ по обновлению этой карты. Наиболее перспективно использовать для этого спутниковые данные. Но возможности их использования для территории исследований до сих пор недостаточно изучены.

ОБЪЕКТ И МЕТОДЫ

В качестве источника информации о почвах Бенина использовалась Почвенная карта, составленная P. Faure, M. Viennot в 1976 году под эгидой Министерства кооперации и сельского развития Бенина. Карта была составлена в масштабе 1 : 200 000 на 9 листах. К каждому листу карты приведена отдельная легенда. Наименования почв даны во французской классификации почв [5].

Исходная карта была импортирована в ГИС, привязана географически, все листы сшиты и после этого карта была отвекторизована. Вся информация легенды карты была помещена в атрибутивную таблицу к карте. Полученная векторная карта содержит 4041 полигон.

После подготовки к анализу почвенной карты проводился поиск связи выде-лов почв на карте с характером их изображения на спутниковой сцене Landsat 8 (https://landsat.usgs.gov/landsat-8).

Спутниковые изображения Landsat 8 могут быть получены для любой точки земной поверхности. Съемка ведется в 9 спектральных каналах (табл. 1).

Таблица 1

Спектральные каналы Landsat 8

Спектральный канал Длины волн, мкм Разрешение на местности, м

Канал 1 — Новый синий 0,433—0,453 30

Канал 2 — Синий 0,450—0,515 30

Канал 3 — Зеленый 0,525—0,600 30

Канал 4 — Красный 0,630—0,680 30

Канал 5 — Ближний ИК 0,845—0,885 30

Канал 6 — Ближний ИК 1,560—1,660 30

Канал 7 — Ближний ИК 2,100—2,300 30

Канал 8 — Панхроматический 0,500—0,680 15

Канал 9 — Микроволновой 1,360—1,390 30

Для анализа были отобраны изображения, полученные в феврале 2014 года. Был выбран именно этот сезон съемки, так как в это время максимальна открытость поверхности почв, а растительность должна изображаться на снимках максимально контрастно.

Для анализа были отобраны 3 основных канала съемки (1, 3 и 5), которые характеризуют базовые спектральные отражательные особенности подстилающей поверхности.

Почвенная карта Бенина была переведена в проекцию спутниковых изображений и растеризована для совмещения с ними. После этого карта была наложена на спутниковые изображения, и для каждого контура карты была считана информация о тоне изображения для всех пикселей, попавших в контур почвенной карты.

Проводился статистический анализ тона изображения каждого контура почвенной карты с учетом преобладающей в них почвы.

Для выявления схожих по изображению почв строилась дендрограмма сходства на основе данных о преобладающем тоне изображения в контуре почв и стандартном отклонении тона изображения в контуре во всех трех каналах съемки (мера сходства — Эвклидово расстояние).

После этого экспертно проводился анализ разделимости почв по тону их изображения на спутниковых данных.

Статистический анализ данных проводился с использованием пакета программ Б1а1:1811са. Работа со спутниковыми изображениями и почвенной картой проводилась в ГИС ¡Ь^Б 3.3.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

В таблице 2 представлена характеристика тона изображения основных почв Бенина на спутниковых данных Ьаиё8а1 отобранного срока съемки. Как следует из таблицы, тон изображения достаточно сильно варьирует. Наибольшее варьирование наблюдается в первом и третьем каналах съемки, наименьшее в пятом, инфракрасном, канале. Это может указывать на то, что в момент съемки поверхность почв была в достаточно сухом состоянии. Стандартное отклонение тона изображения изменяется от нескольких единиц тона до 40—50. Это связано, по-видимому, с неоднородностями растительного покрова и спецификой использования земель.

Таблица 2

Характер изображения почв Бенина на снимках Landsat

Название почвы Почвооб- Тон Тон Тон Стан- Стан- Стан- Номер

разующая в 1 ка- в 3 ка- в 5 ка- дартное дартное дартное на дендро-

порода нале нале нале отклонение тона в 1 канале отклонение тона в 3 канале отклонение тона в 5 канале грамме (рис. 1)

Бурые тропиче- основные 47 18 12 48,3 18,2 12,9 15

ские эвтрофные породы

железистые

Вертисоли авто- осадочная 96 35 28 5,3 3,6 5,5 10

морфные глина

Вертисоли лито- основные 95 35 24 2,5 2 3,2 13

морфные в соче- породы

тании с гидро-

морфными

конкреционными

Гидроморфные основные 88 33 23 28,2 10,8 8,2 103

минеральные или брекчии и

перегнойные гнейс

глеевые лесси-

вированные

Продолжение таблицы 2

Название почвы Почвооб- Тон Тон Тон Стан- Стан- Стан- Номер

разующая в 1 ка- в 3 ка- в 5 ка- дартное дартное дартное на дендро-

порода нале нале нале отклонение тона в 1 канале отклонение тона в 3 канале отклонение тона в 5 канале грамме (рис. 1)

Гидроморфные Четвертич- 50 23 22 53,8 23,6 23,1 104

минеральные или ный песок

перегнойные

глеевые лесси-

вированные

Гидроморфные Аллювиаль- 90 34 22 24,5 8,2 8 100

минеральные или ные глины

перегнойные

глубокоглеевые

Гидроморфные Аллювиаль- 93 36 29 26,3 10,9 11,2 101

минеральные или но-коллю-

перегнойные виальные

глубокоглеевые породы

Гидроморфные Аллювиаль- 96 36 26 12,6 6 8 107

минеральные или ные глины

перегнойные

псевдоглеевые

в комбинации

с конкреционными

Гидроморфные Аллювиаль- 73 28 22 43,6 16,4 13,6 106

минеральные или ные песча-

перегнойные но-сугли-

псевдоглеевые нистые

в комбинации породы

с конкреционными

Гидроморфные Песок 61 24 18 47,3 17,6 13,3 105

минеральные или и супесь

перегнойные

псевдоглеевые

в комбинации

с конкреционными

Гидроморфные Аллювиаль- 62 25 9 49,2 17,9 8,8 99

органогенные ные дельто-

оглеенные неза- вые породы

соленные

Гидроморфные Аллювиаль- 52 20 15 48,5 18,4 15,2 98

органогенные ные лагун-

оглеенные неза- ные породы

соленные или и аллюви-

слабозасоленные ально-кол- лювиальные породы

Железисто-мар- Биотитовый 58 22 17 46 17,3 13,4 80

ганцевые тропи- известково-

ческие бедные щелочной

без конкреций гранит

Железисто-мар- Брекчии 91 34 25 19,8 7,7 6,6 81

ганцевые тропи- и гранит

ческие бедные

конкреционные

Железисто-мар- Брекчии 82 31 22 32 12 9,4 82

ганцевые тропи- и гранит

ческие бедные

маложелезистые

Продолжение таблицы 2

Название почвы Почвооб-разующая порода Тон в 1 канале Тон в 3 канале Тон в 5 канале Стандартное отклонение тона в 1 канале Стандартное отклонение тона в 3 канале Стандартное отклонение тона в 5 канале Номер на дендро-грамме (рис. 1)

Железисто-марганцевые тропические лессиви-рованные без конкреций Двуслюдя-ной грани-то-гнейс 11 4 3 31,4 11,8 8,9 32

Железисто-марганцевые тропические лессиви-рованные без конкреций Кислый гранит 95 36 27 8,6 3,9 6,5 31

Железисто-марганцевые тропические лессиви-рованные без конкреций Отложения и коллювий песчано-глинистых пород 98 38 32 7,8 5,3 7,9 43

Железисто-марганцевые тропические лессиви-рованные без конкреций Песчаники 98 37 27 1,4 1,4 3,6 40

Железисто-марганцевые тропические лессиви-рованные без конкреций Брекчии 63 25 21 48,9 19,9 18,4 39

Железисто-марганцевые тропические лессиви-рованные гидро-морфные Брекчии и гранит 97 37 27 4,8 2,5 4,6 73

Железисто-марганцевые тропические лессиви-рованные гидро-морфные Песчаные и песчано-глинистые коллюви-альные породы 75 29 25 43,2 16,8 15,1 79

Железисто-марганцевые тропические лессиви-рованные конкреционные Брекчии 74 28 20 41,8 15,9 12,1 45

Железисто-марганцевые тропические лессиви-рованные конкреционные Гранит и двуслюдя-ной грани-то-гнейс 73 27 21 43,7 16,5 13 48

Железисто-марганцевые тропические лессиви-рованные конкреционные Каолинит из гранита и двуслюдя-ного грани-то-гнейса 12 4 3 31,9 11,9 9,2 57

Железисто-марганцевые тропические лессиви-рованные конкреционные Каолинит из элювия 10 4 3 30,1 11 8,6 53

Окончание таблицы 2

Название почвы Почвооб- Тон Тон Тон Стан- Стан- Стан- Номер

разующая в 1 ка- в 3 ка- в 5 ка- дартное дартное дартное на дендро-

порода нале нале нале отклонение тона в 1 канале отклонение тона в 3 канале отклонение тона в 5 канале грамме (рис. 1)

Железисто-мар- Каолинит 61 23 17 48 18,1 1 4,4 54

ганцевые тропи- из ферромаг

ческие лессиви- ниевого пор-

рованные кон- фироидного

креционные элювия и гранита

Железисто-мар- Элювий 76 29 22 37,9 1 4,6 11,6 46

ганцевые тропи- порфиритов

ческие лессиви- и гранитов

рованные кон-

креционные

Железисто-мар- Двуслюдя- 16 6 5 36,4 1 4,2 11,7 62

ганцевые тропи- ной грани-

ческие лессиви- то-гнейс

рованные уплот-

ненные

Железисто-мар- Каолинит 46 17 13 49,1 18,1 13,5 68

ганцевые тропи- из брекчии

ческие лессиви-

рованные уплот-

ненные

Железисто-мар- Каолинит 30 11 8 45,5 16,4 12,6 23

ганцевые тропи- из биотито-

ческие слаболес- вого гнейса

сивированные

и глинистые

Неразвитые На разных 88 33 24 27,3 10,3 9 2

минеральные породах

эродированнные

Слаборазвитые Прибрежные 36 17 14 54,2 25,2 24,3 6

намытые гидро- морские

морфные пески

Ферралитные Глины 40 17 17 46,8 18,2 17 88

слабоненасы-

щенные гидро-

морфные

Ферралитные Переотло- 83 32 28 36,9 1 4,4 12,9 86

слабоненасы- женные пес-

щенные обед- чано-глини-

ненные стые породы и песчаники

Ферралитные Песчаники 86 33 28 29,2 11 10,9 84

слабоненасыщен- и коллювий

ные обедненные

Ферралитные Песчано- 75 29 28 40,2 15,5 15,8 85

слабоненасыщен- глинистые

ные обедненные рыхлые отложения

Ферралитные Кислый 34 12 9 46,7 16,6 13 90

слабоненасыщен- гранито-

ные эродирован- гнейс

ные

Ферралитные Брекчии 45 17 13 48,9 18,5 15 96

среднененасы- и гнейс

щенные типичные

Также это свидетельствует о том, что простое дешифрирование почв региона исследований по тону изображения в одном из каналов съемки вряд ли возможно.

На рисунке 2 представлена дендрограмма сходства почв Бенина по тону их изображения на снимках Landsat. Анализ дендрограммы показывает, что в отдельную группу выделяются железисто-марганцевые лессивированные почвы на каолинитах и гнейсо-гранитах, которые характеризуются самыми низкими значениями тона изображения во всех анализируемых каналах. В отдельную группу выделились подобные же почвы, но развитые на песчано-глинистых отложениях и элювии порфиритов и гранитов. Более светлым тоном и небольшой его вариабельностью отличается группа, куда вошли гидроморфные и обедненные почвы на аллювии и брекчиях. Еще одну группу образовали вертисоли и железисто-марганцевые тропические лессивированные почвы на песчано-глинистых породах и песчаниках. Ни в какие группы не объединяются гидроморфные органогенные почв, почвы на морских и четвертичных песках.

(! В В ST * НИ- Я !) Ч ее В IS К И 3S 1« Я Si <Ц ig? 1J 31 V) ig П -Ч SS 79 4$ № « 1Я) 1 1ВД Л il

Рис. 1. Дендрограмма сходства почв Бенина по тону их изображения и его стандартному отклонению в 1, 3 и 5 каналах Landsat

При этом почвы одного классификационного положения не объединяются по отдельным группам. Лучше объединяются в группы почвы на схожих по вещественному составу почвообразующих породах, но и в этом случае отмечается достаточно много исключений из общего правила.

По-видимому, это связано с влиянием на характер изображения растительности и с низкой индикационной ролью растительности. То есть на почвах разного классификационного положения произрастает одинаковая растительность, которая характеризуется схожими тоновыми характеристиками, что и приводит к тому, что разные почвы попадают в одну группу.

ВЫВОДЫ

По результатам проведенных исследований установлено, что выделить все почвы, изображенные на почвенной карте, по спутниковым изображениям Landsat для территории исследований невозможно.

Более достоверно выделяются по тоновым характеристикам почвы, развитые на одинаковых почвообразующих породах.

Выявленные особенности группировки почв по тоновым признакам скорее всего связаны с особенностями свойств поверхности почв, а также с типом произрастающей на них растительности.

Найденные закономерности могут быть использованы для корректировки почвенной карты Бенина, а также для организации спутникового мониторинга почвенного покрова республики.

© Р. Какпо, И.Ю. Савин, 2017.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

[1] Иванов А.Л., Савин И.Ю., Столбовой В.С. Качество почв России для сельскохозяйственного использования // Российская сельскохозяйственная наука. 2013. № 6. С. 41—45.

[2] Савин И.Ю. Использование спутниковых данных для составления почвенных карт: современные тенденции и проблемы // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 6. С. 29—39.

[3] Симакова М.С., Савин И.Ю. Использование материалов аэро- и космической съемки в картографировании почв: пути развития, состояние, задачи // Почвоведение. 1998. № 11. С. 1339—1347.

[4] Brevik E.C., Calzolari C., Miller B.A., Pereira P., Kabala C., Baumgarten A., Jordán A. Soil mapping, classification, and pedologic modeling: History and future directions // Geoderma 264 (2016) 256—274

[5] Classification des sols. Edition 1967. Paris: CPCS.

[6] Faure P., Viennot M. Carte pedologique de reconnaissance a 1/200000, Bondy, France. 1976. Сведения об авторах:

Какпо Р. — стажер агроинженерного департамента Российского университета дружбы народов; e-mail: rolemair@yahoo.fr

Савин Игорь Юрьевич — член-корреспондент РАН, доктор сельскохозяйственных наук, профессор агроинженерного департамента Российского университета дружбы народов; e-mail: savin_iyu@pfur.ru

Для цитирования:

Какпо Р., Савин И.Ю. Возможности распознавания почв Бенина по спутниковым изображениям Landsat // Вестник Российского университета дружбы народов. Серия: Агрономия и животноводство. 2017. Т. 12. № 4. C. 332—340. DOI: 10.22363/2312-797X-2017-12-4-332-340.

DOI: 10.22363/2312-797X-2017-12-4-332-340

POSSIBILITIES OF DETECTING OF SOILS OF BENIN BASED ON LANDSAT SATELLITE IMAGES

R. Kakpo, I.Yu. Savin

Peoples' Friendship University of Russia (RUDN University)

Miklukho-Maklaya st., 6, Moscow, Russia, 117198

Abstract. An analysis of the possibility of using Landsat satellite data for the recognition of the most widespread soils of Benin was made. It was found that it is impossible to detect all the soils depicted on the soil map based on Landsat satellite images for the research area. More accurately, the soils developed

on identical soil-forming rocks are distinguished. The revealed features of the grouping of soils by image tone characteristics are most likely due to the specific properties of the soil surface, and also to the type of vegetation growing on them. The found specifics of soil detection can be used to adjust the soil map of Benin, as well as to organize satellite monitoring of soils of the Benin Republic.

Key words: soils, Benin, Landsat, soils recognition, soil map

REFERENCES

[1] Ivanov A.L., Savin I.YU., Stolbovoj V.S. Kachestvo pochv Rossii dlya sel'skohozyajstvennogo ispol'zovaniya. Rossijskaya sel'skohozyajstvennaya nauka. 2013. № 6. S. 41—45.

[2] Savin I.YU. Ispol'zovanie sputnikovyh dannyh dlya sostavleniya pochvennyh kart: sovremennye tendencii i problemy. Sovremennye problemy distancionnogo zondirovaniya Zemli iz kosmosa. 2016. T. 13. № 6. S. 29—39.

[3] Simakova M.S., Savin I.YU. Ispol'zovanie materialov aehro- i kosmicheskoj s"emki v kartografi-rovanii pochv: puti razvitiya, sostoyanie, zadachi. Pochvovedenie. 1998. № 11. S. 1339—1347.

[4] Brevik E.C., Calzolari C., Miller B.A., Pereira P., Kabala C., Baumgarten A., Jordán A. Soil mapping, classification, and pedologic modeling: History and future directions. Geoderma 264 (2016) 256—274.

[5] Classification des sols. Edition 1967. Paris: CPCS.

[6] Faure P., Viennot M. Carte pedologique de reconnaissance a 1/200000, Bondy, France. 1976. For citation:

Kakpo R., Savin I.Yu. Possibilities of detecting of soils of Benin based on Landsat satellite image. RUDN Journal of Agronomy and Animal Industries, 2017, 12 (4), 332—340. DOI: 10.22363/2312-797X-2017-12-4-332-340.