Количественная оценка растительных остатков в прямом посеве по данным дистанционного зондирования и полевого обследования почвенного покрова

Интенсификация сельскохозяйственного производства приводит к увеличению негативного антропогенного влияния на природные компоненты почвы (Kiryushin, 2019; Иванов и др., 2021) . Многолетнее использование традиционной технологии (вспашка с оборотом пласта) с последующими культивациями чистых паров снижает почвенное плодородие, что сопровождается потерей органического вещества почвы (Дридигер и др., 2020) , ухудшением физических свойств почвы (Li et al., 2019; Холодов и др., 2019) , снижением продуктивной влаги в почве, потерей питательных элементов и усилением дефляции и водной эрозии (Белобров и др., 2021; Дридигер и др., 2020) .

Для обеспечения устойчивого воспроизводства сельскохозяйственной продукции необходимо введение в производство ресурсосберегающей технологии прямого посева ПП (Scopel et al., 2013) , которая основывается на трех основных принципах: отказ от механического воздействия на почву, постоянный органический покров на поверхности почв и применение севооборота (Baker et al., 2006) .

При использовании ПП пожнивные остатки сохраняются на поверхности почвы в качестве мульчи после ежегодной жатвы. Они оказывают влияние на процессы гумификации, дыхания и водонасыщения почв и, как следствие, урожайность сельскохозяйственных культур в зависимости от их количества, возделываемой культуры и климатических условий. В связи с этим наблюдение за состоянием и оценка проективного покрытия мульчи является важным разделом работ по успешному использованию технологии ПП (Zhang et al., 2014) .

Существует несколько методов оценки проективного покрытия растительными остатками поверхности почв: объектноориентированный анализ изображений (Hulet et al., 2014); анализ цифровых фотографий (Chen et al., 2010; Hofmann, Blaschke, 2008); по индексу урожая (Johnson et al., 2006); и методы, основанные на анализе данных дистанционного зондирования (Aguilar et al., 2012; Najafi et al., 2019; Zheng et al., 2012). Достаточно часто используют метод визуальной оценки (Laamrani et al., 2017; Shelton, 2009), но на его достоверность сильно влияет субъективный фактор, что отражается на точности результатов (Dethier et al., 1993; Vanha-Majamaa et al., 2000). Наиболее распространенным и точным методом является использование точечных рамок, (Sharma et al., 2016; Vanha-Majamaa et al., 2000) недостатком которого является трудоемкость и большие временные затраты.

Растительные остатки на поверхности почвы формируют своеобразный горизонт, подобный опаду в лесной зоне или степному войлоку. Его количество и проективное покрытие являются критериями для оценки качества применения прямого посева, а также для принятия решений по использованию культур (в том числе и почвопокровных) в плодосменах. Для дешифрирования растительных остатков используются спектральные индексы, объединяемые под названием индексы обработок (tillage indexes), рассчитываемые по данным ДЗЗ (Eskandari et al., 2016; Morrison Jnr et al., 1993; Nagler et al., 2000; Najafi et al., 2019; Quemada, Daughtry, 2016; South et al., 2004; Sullivan et al., 2008; Zheng et al., 2013) . Физической основой для использования данных индексов являются отражательно-поглотительные свойства лигнина и целлюлозы, содержащихся в растительных остатках, в диапазоне электромагнитного спектра близком к 2 100 нм.

NDVI является на данный момент наиболее распространенным вегетационным индексом, используемым для решения широкого спектра задач, связанных с сельским хозяйством (Tucker, 1979). Для определения растительных остатков на поверхности почв индекс NDTI считается более перспективным (Beeson et al., 2020; Eskandari et al., 2016; Hively et al., 2018; Jin et al., 2015; Zheng et al., 2012). Необходимо учитывать некоторые ограничения при использовании данного индекса: повышенная влажность почвы и зеленая растительность влияет на значения отражения в каналах SWIR диапазона, что приводит к аномалиям в значениях NDTI. (Beeson et al., 2020; Daughtry et al., 2005; Quemada, Daughtry, 2016). Для вычисления данного индекса используются каналы платформ ДЗЗ таких как Landsat и Sentinel. Преимуществами при использовании данных систем являются: широкий пространственный охват данных и свободный доступ к архивным и актуальным изображениям.

Технология ПП перспективна для внедрения в систему земледелия РФ (Кулинцев, 2013; Иванов и др., 2021) . В этой связи одной из приоритетных задач является разработка цифровых решений для оптимизации сельскохозяйственного производства в системе прямого посева, учета и контроля применения данной ресурсосберегающей технологии. Использование данных ДЗЗ является наиболее перспективным подходом для решения данной задачи.

Цель работы – анализ и выбор оптимального подхода к количественной оценке растительных остатков на основании данных ДЗЗ и результатов полевых обследований и его апробация в условиях производства сельскохозяйственной продукции.

ОБЪЕКТЫ И МЕТОДЫ

Объекты исследования расположены на территории Буде-новского района Ставропольского края (44°32'50.70" c. ш., 44°10'31.68" в. д.). Преобладающим типом почв являются темнокаштановые (Haplic Kastanozems Chromic, WRB, 2006) (Единый…, 2014) . Климат региона исследования – континентальный с максимумом температур в июле–августе и годовым количеством осадков около 450 мм (Кулинцев, 2013) . Сочетание почвенноклиматических ресурсов способствует активному развитию земледелия. Наиболее распространенными культурами являются озимая пшеница, подсолнечник, ряд бобовых культур.

Объект исследования – почвенный покров полей двух хозяйств, применяющих ТТ и ПП. СПК “Архангельский” применяет технологию прямого посева в зернопропашном севообороте в течение 11 лет. Расположенное рядом с СПК “Архангельский” ООО СП “Добровольное” постоянно применяет традиционную технологию с использованием чистых паров.

Для решения поставленных задач было выбрано три поля. Два из них прямого посева: ПП1 – в год проведения исследований культура – озимая пшеница, с максимальным (~ 100%) покрытием растительными остатками в сезон 2021 г., площадью 155 га; и ПП2 – подсолнечник, с проективным покрытием почвы растительными остатками около 30–50%, площадью 102 га (рис. 1). Традиционная технология представлена третьим полем, площадью 110 га, на поверхности почв которого растительные остатки отсутствуют. Выбор для анализа двух полей ПП обусловлен применением в севообороте разных культур, проективное покрытие которых различно, что отражается на данных ДЗЗ.

На рисунке 2 отражена общая схема исследования. В качестве программного обеспечения для обработки данных в рамках работы использовался язык программирования python и модули для работы с геопространственными данными – Geopandas, Ras-terio, и статистической обработки – Sci-py, Scikit-learn, Seaborn. Подбор космических снимков осуществлялся с помощью сервиса Google earth engine (GEE) (Google Earth Engine, 2019) .

Сбор полевых данных. Полевые работы в рамках исследования проводились 08.09.2021. Данные о количественных параметрах растительных остатков собирались в 9 точках (площадках) методом конверта в 5-кратной повторности. Расположение точек фиксировалось при помощи GPS приемника garmin 64 (точность +/-3.65 м) (рис. 3). Для апробации предложенного в работе подхода 5 из 9 точек были выбраны в пределах поля ПП1 для оценки состояния растительных остатков при разных условиях рельефа (табл. 1). Абсолютная высота была получена из данных SRTM. Формы рельефа выделялись экспертно.

Риc. 1. А – поверхность поля ПП1, Б – поверхность поля ПП2, В – поверхность поля ТТ.

Fig. 1. А – surface ПП1, Б – surface ПП2, В – surface ТТ.

Рис. 2. Общая схема исследования.

Fig. 2. Research design.

Таблица 1. Формы мезорельефа поля ПП1 по данным SRTM

Table 1. Mesorelief forms of the ПП1 field according to SRTM data

Номер точки отбора	Формы	Абс. высота (м)
525	Приводораздельный склон (уклон ~1°)	178
526	Приводораздельный склон (уклон ~1°)	175
528	Верхняя часть днища широкой ложбины стока	174
527	Тальвег средней части днища ложбины стока	171.5
586	Тальвег нижней части днища ложбины стока, ограниченный лесополосой	170

Во всех точках данные о состоянии растительных остатков отбирались тремя методами:

• 1)    Весовой анализ – в пределах участка 50 × 50 см, ограниченного рамкой, собирались пожнивные остатки. Взвешивание растительных остатков производилось при отборе при помощи бытовых кухонных весов (точность до 1 грамма).

• 2)    Полевое определение проективного покрытия – отбор осуществлялся по методу линейных трансект (Line-Transect method), описанному в литературе (Shelton, 2009) . Суть метода заключается в подсчете точек пересечения растительных остатков с линейным объектом, используемым для измерения (веревка, размеченная узлами на равные участки, мерная линейка).

• 3)    Камеральное определение проективного покрытия на основании фотоснимков поверхности – поверхность почвы фотографировалась со стандартной высоты 1.5 м (De Wit, 2018; Demarez et al., 2008; Prudnikova et al., 2019) . Для расчета процентного покрытия почвы растительными остатками на фото в графическом редакторе накладывалась цифровая сетка плотностью 10 × 10 см, и подсчитывалось количество пересечений растительных остатков и узлов сетки (рис. 3) (Laamrani et al., 2017) .

Обработка и анализ данных ДЗЗ. В качестве данных дистанционного зондирования земли использовались мультиспек-тральные изображения высокого разрешения Sentinel-2 уровня коррекции 2А (Surface Reflectance). Изображения отбирались за период с 15 ноября 2020 г. по 15 ноября 2021 г., облачное покрытие на которых не превышало 10%. Так как объект исследования был расположен на границе двух сцен, для увеличения коллекции и повышения информативности данных формировались мозаики, охватывающие область изучения. Из мозаик изображений удалялись пиксели, соответствующие теням облаков и облакам для каждого изображения на основании данных, содержащихся в сло-ееSCL (scene classification layer), это классифицированное изображение, получаемое в результате применения алгоритма sen2cor, используемое для фильтрации данных, инструментами GEE. Используя каналы полученных цифровых изображений для каждой сцены в полученной коллекции рассчитывались NDVI и NDTI.

Рис. 3. Фотография поверхности почвы, покрытой растительными остатками, с высоты 1.5 м и с наложенной цифровой сеткой с шагом 10

см.

Fig. 3. Photograph of the soil surface covered with crop residues taken from 1.5 m height and overlaid with a digital grid with 10 cm step.

NDVI =

NIR - RED

NIR + RED ’

NDTI =

SWIR1 - SWIR2

SWI R1 + SWIR2 ’ где RED, NIR, SWIR1, SWIR2 – каналы Sentinel 2 в диапазонах 650–680 нм, 785–899 нм, 1 565–1 655 нм, 2 100–2 280 нм соответственно.

По данным NDVI строилась маска живой растительности. Порогом для исключения живой растительности являлось значения выше 0.3 NDVI (Beeson et al., 2020) . Наиболее близкими по времени к моменту проведения полевых работ являлись данные за

21.09.2021, на основании которых строились модели линейной зависимости значений NDTI от данных, полученных в ходе полевых работ.

Наряду с методами количественного учета растительных остатков путем построения линейных моделей существует метод оценки без полевых данных (Beeson et al., 2020) . По результатам исследований Peter C. Beeson, Craig S.T. Daughtry и Steven A. Wal-lander, зависимость между значениями NDTI и проективного покрытия растительными остатками линейна и, следовательно, можно использовать формулу вида:

CRC = m(NDTI) + b,

(RCmax — RCmin) m = (NDTImax - NDTImin), b = —1 * (m * NDTImin) + 0), где CRC – процент покрытия растительными остатками, NDTI – значения пикселя, RCmax – максимальное значение покрытия растительными остатками на основании литературных данных, RCmin – минимальный покров растительными остатками, NDTImax и NDTImin – среднее NDTI +/-3 стнд. откл.

Условием использования данного метода является наличие объектов с минимальным (открытая поверхность почвы в ТТ) и максимальным (поля, на которых используется ПП) проективным покрытием растительными остатками в пределах одного изображения. Проективное покрытие для разных культур определяется на основании литературных данных. Для озимой пшеницы максимальное проективное покрытие – RCmax – составляет 85%, RСmin – для открытой почвы 0% (Shelton, 1995) . Качество моделей при использовании данного метода оценивалось на основании результатов полевого определения проективного покрытия и камерального способа оценки.

Таким образом, проанализировано четыре метода учета растительных остатков:

• 1.    Полевая оценка покрытия растительными остатками и мо-

• делирование на основании данных ДЗЗ.

• 2.    Полевая оценка массы растительных остатков на единицу площади и моделирование на основании данных ДЗЗ.

• 3.    Камеральная обработка фотографий поверхности методом фасеток и дальнейшее моделирование на основании данных ДЗЗ.

• 4.    Получение результатов о количестве растительных остатков только на основании данных ДЗЗ.

Моделирование осуществлялось при помощи метода линейной регрессии. Метриками оценки качества модели служили R2 – коэффициент детерминации и RMSE – квадратный корень среднеквадратической ошибки. Так как выборки имели ограниченный объем, для объективной оценки полученных моделей использовалась кросс-валидация методом Leave one out. Для оценки точности данных, полученных при помощи подхода, представленного в работе Peter C., рассчитывались меры R2 и RMSE на основании значений, полученных при полевом и камеральном определении проективного покрытия.

На основании метода, показавшего наиболее высокие метрики качества, были получены данные CRC (crop residue cover, %) – меры количественной оценки покрытия поверхности растительными остатками за все доступные в коллекции моменты времени в масштабе. Для апробации наилучшего подхода была проанализирована динамика состояния растительных остатков при разных технологиях обработки и оценена неоднородность покрова в зависимости от условий рельефа в пределах поля ПП1. Для статистического подтверждения влияния рельефа на неоднородность покрова растительных остатков проводилось статистическое тестирование методом Краскера–Уолиса (H-тест – непараметрический аналог ANOVA) (Kruskal, Wallis, 1952) . Статистическое тестирование осуществлялось при уровне α = 0.0001.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

На рисунке 4 представлены линейные модели взаимосвязи полевых данных и данных ДЗЗ.

0.025 0.050 0.075 0.100 0.125 значения NDTI на момент полевых работ

Рис. 4. Модели количественной оценки покрытия растительными остатками на основании полевых данных и данных ДЗЗ. А – Модель зависимости значений NDTI от состояния проективного покрытия, полученного методом линейных трансект; Б – Модель зависимости значений NDTI от веса растительных остатков на единицу площади; В – Модель зависимости значений NDTI от состояния проективного покрытия, полученного на основании анализа фотографий поверхности; Г – Оценка точности данных, полученных по методу Peter C., и состояния проективного покрытия, полученного на основании анализа фотографий поверхности; Д – Оценка точности данных, полученных по методу Peter C., и состояния проективного покрытия, полученного методом линейных трансект.

Fig. 4. Models for quantifying crop residue coverage based on field and remote sensing data. А – Model of the dependence of NDTI indicators on the state of the projective cover obtained by the method of line transects; Б – Model of the dependence of NDTI on the weight of plant residues per unit area; В – Model of the dependence of NDTI indicators on the state of the projective coverage obtained on the basis of the analysis of the surface; Г – Assessment of the state of the initial coverage by the method of Peter C. and the state of the projective coverage obtained on the basis of the analysis of the surface photographs; Д – Assessment of the state of the initial coverage by the method of Peter C. and the state of the projective cover obtained by the method of line transects.

Модель 4А, основанная на взаимосвязи проективного покрытия растительными остатками, определенными в поле с данными ДЗЗ, показала значение R2 = 0.87 при RMSE = 14.71. Моделирование на основании весовой оценки растительных остатков и данных ДЗЗ (рис. 4Б) показывает низкий коэффициент детерминации и высокую ошибку, что говорит о низкой линейной зависимости данных показателей. Модели, представленные на рисунках 4Г и 4Д имеют высокое значение RMSE относительно других представленных моделей, что говорит об ограниченной информативности и качестве этих моделей.

Наиболее высокий коэффициент детерминации и меньшую ошибку имеет модель, построенная на данных, полученных в ходе камерального определения растительных остатков на основании анализа фотографий (рис. 4В). Кроме максимальных значений метрик качества, в процессе работы были выявлены следующие преимущества данного подхода к анализу состояния растительных остатков, в сравнении с другими, описанными в исследовании, которые могут быть решающими при внедрении в производство:

• 1)    Фотографирование поверхности технически проще реализовать, чем расчет проективного покрытия растительными остатками непосредственно в поле.

• 2)    Оперативный отбор большого объема данных.

• 3)    Оценка фотографий проводится оператором в камеральных условиях.

При большом количестве фотографий возможна замена работы оператора на машинные методы анализа фотографий.

На основании модели зависимости данных NDTI от состояния проективного покрытия, полученного на основании анализа фотографий поверхности, были вычислены значения CRC за вегетационный сезон 2020–2021, представленные на рисунке 5. Для ПП1 средние по полю значения площади покрытия растительными остатками c 23.06.2021 по 03.07.2021 равны 100%, после уборки, которая, судя по динамике значений NDVI, была примерно 15.07.2021, они снижаются до 75% и держатся на таком уровне до 21.09.2021. После этого из-за осенней вегетации и/или появления сорной растительности оценивать CRC дистанционными методами стало невозможно, так как появление живой растительности значительно искажает значения индекса NDTI. Для ПП2 и ТТ также можно установить момент уборки урожая, приходящийся на 27.08.2021 и 13.07.2021 cответственно.

На рисунке 5А в правой части графика показан резкий рост значений CRC c 0% до 50–60% для ТТ, и с 25% до 50–60% – для ПП1, этот рост связан с появлением сорной растительности на полях. Данная ошибка возникла несмотря на создание маски значений NDVI > 0.3, из чего можно сделать вывод, что порог NDVI в 0.3 не является окончательным. Более точное построение масок живой растительности для получения наиболее корректных значений CRC требует продолжения работ по подбору порогового значения, чтобы исключить влияние живой растительности.

Рис. 5. Динамика значений NDVI (пунктирные линии), проективное покрытие растительными остатками (сплошные линии); горизонтальной зеленой линией обозначена граница NDVI равная 0.3. А – для полей; Б – для ключевых участков поля ПП1.

Fig. 5. Dynamics of NDVI values (dotted lines), projective cover with plant residues (solid lines); horizontal green line indicates the NDVI boundary equal to 0.3. A – for fields; Б – for key sections of the ПП1 field.

Для демонстрации перспектив использования подхода при решении практических задач в условиях производства была проведена оценка динамики неоднородности покрова растительных остатков в пределах поля ПП1.

Анализ динамики проективного покрытия растительными остатками в связи с формами мезорельефа на поле ПП1 показал, что за период более двух месяцев значения по всем ключевым точкам близки (табл. 2).

Таблица 2 . p-value полученные в результате статистического тестирования по методу Краскера–Уолиса (H-теста)

Table 2. p-values obtained as a result of statistical testing according Krasker– Wallis method (H-test)

Дата	Сравниваемые показатели	Варианты сравнения выборок α = 0.0001
		525, 526, 527	525, 526, 527, 528	525, 526, 527, 528, 586
13.07.2021	NDVI	0.0012	0.0001	<0.0001
	CRC	0.181	0.0001	<0.0001
18.07.2021	NDVI	0.3024	0.0009	<0.0001
	CRC	0.123	0.0001	<0.0001
07.08.2021	NDVI	0.0021	0.0003	<0.0001
	CRC	0.1355	0.0001	<0.0001
27.08.2021	NDVI	0.7049	0.0112	<0.0001
	CRC	0.4416	0.0001	<0.0001
21.09.2021	NDVI	0.3163	0.0004	<0.0001
	CRC	0.2027	0.0001	<0.0001

Это подтверждает, что за столь короткий период времени процессы разложения растительности не приводят к уменьшению площади проективного покрытия. Тем не менее, наиболее контрастные значения динамик имеют точки 528 и 586, расположенные в пределах одной формы мезорельефа (днище ложбины), но в разных по увлажнению условиях. Значения проективного покрытия в точках 525, 526 и 527 составляют около 80–85%, тогда как в точках 528 и 586 – 68–70% и 93–97% соответственно. Значения

CRC и NDVI в точках 525, 526, 527 и 528 не имеют статистически достоверных различий, следовательно, покрытие в данных точках однородное.

В тоже время при сравнении этих точек с 586 различия значимы во все временные промежутки как у CRC, так и NDVI. Во время вегетационного пика значения для точки участка 586 были самые высокие. Расположение растительных остатков в тальвеге ложбины способствует их накоплению за счет ветрового переноса, что создает разные условия разложения пожнивных остатков в мезорельефе полей и приводит к трансформации продуктивных свойств почв. Формы мезорельефа являются маркерами разных условий почвообразования и формирования структуры почвенного покрова полей, что сказывается на условиях роста возделываемых культур и их урожайности.

ВЫВОДЫ

• 1.    Наиболее точную оценку при моделировании результатов покрытия растительными остатками на основании полевых исследований и данных дистанционного зондирования земли дает метод моделирования на основании данных, полученных в результате камерального определения проективного покрытия, при котором используется наложение цифровой сетки на фотографии, сделанные в полевых условиях с дальнейшей обработкой изображения.

• 2.    Данные спектрального индекса NDTI позволяют анализировать в динамике характер проективного покрытия почв поля растительными остатками в масштабе отдельных полей и хозяйств.

• 3.    Исходный алгоритм обработки данных ДЗЗ для получения CRC на основании NDTI, предложенный в литературе, требует доработки. Построение масок на основании данных NDVI > 0.3 не является оптимальным в силу возникающих ошибок. Требуется более точный подбор порогового значения NDVI или использование иного вегетационного индекса.

• 4.    Апробация предложенного подхода демонстрирует возможности его применения для решения задач контроля и управления растительными остатками в системах ресурсосберегающего земледелия и имеет перспективу для внедрения в условиях производ-

• ства.

No. 205, pp. 12–25.

Soil Water Conserv ., 2017, Vol. 72, No. 5, pp. 471–479.