Возможности использования данных тепловой съемки для детектирования основных параметров плодородия пахотных почв

Урожайность сельскохозяйственных культур во многом определяется состоянием почв и наличием в них доступных питательных веществ. Именно поэтому в сельскохозяйственном производстве важное значение имеет почвенное и агрохимическое обследование земель, результатом которого являются карты параметров почвенного плодородия. Картографирование параметров почвенного плодородия происходит на основе данных полевых работ и лабораторных исследований образцов почв. Работы проводятся в соответствии с утвержденными методиками (Методические указания…, 2003) . Большая трудоемкость подобных работ и достаточно сильная изменчивость параметров плодородия почв (NPK, рН, содержание гумуса) приводят к тому, что получить оперативно подобные данные для больших территорий практически невозможно и очень затратно.

На протяжении последних десятилетий ведутся разработки в области создания новых методов картографирования параметров плодородия почв, основанных на использовании данных дистанционного зондирования (Симакова, Савин, 1998) . Эти методы позволяют оперативно картографировать некоторые из параметров плодородия почв, но не все, не всегда и не везде (Савин, Симако ва, 2012) .

Исследования последних лет показали, что на основе анализа спектральной отражательной способности почв и данных дистанционного зондирования может быть детектирован широкий диапазон почвенных свойств. Выявлено, что для детектирования свойств почв лучше всего подходит анализ отражения света в видимом (VIS), ближнем инфракрасном (NIR) и среднем инфракрасном (MIR) диапазонах спектра.

Так, по данным Soriano-Disla с коллегами (Soriano-Disla et al., 2014) , многие физические и химические свойства почв (влажность, содержание песка и глины, фракции органического углерода, содержание неорганического углерода, обменных Ca и Mg, общего углерода, pH) уверенно детектируется в диапазонах MIR и NIR, а биологические свойства почв – в VIS-NIR диапазоне.

В статье Rossel с соавторами (Rossel et al., 2006) на примере тестового участка, расположенного в западной части Нового Южного Уэльса (Австралия), показано, что такие свойства почв как влажность, гранулометрический состав, содержание углерода в почве (C), емкость катионного обмена, кальций и магний (обменный), общий азот (N), pH, концентрация металлов/металлоидов, микробиологическая активность также могут быть успешно детектированы на основе анализа данных о спектральном отражении почв.

В работе (Чинилин, Савин, 2018) показаны возможности детектирования минералогического состава и вертикальной неоднородности почвообразующих пород по данным отражательной способности почв в видимом диапазоне спектра.

С помощью VIS-NIR диапазона (Coutinho et al., 2019) было спрогнозировано содержание калия и фосфора в почве, однако данные MIR диапазона не дали достоверных результатов. Содержание азота не было достоверно определено ни одним из этих методов. Объектом исследования были две почвы с низким естественным плодородием и контрастным гранулометрическим составом (глинистые и песчаные почвы) из штата Сан-Паулу, Бразилия.

Приведенные примеры показывают, что успешность детектирования отдельных свойств почв зависит как от региона работ (специфика почв), так и от диапазона используемых длин волн (Савин, 2015) .

Одним из перспективных источников данных о почвенных свойствах может быть зондирование в тепловой области спектра. Это направление исследований быстро развивается в последние годы в связи с решением ряда технических проблем, связанных с оперативным получением подобных данных для больших территорий.

Уже достаточно широко продемонстрированы возможности использования данных тепловой съемки для детектирования влажности и температуры почв (Sanchez et al., 2011; Анциферов, 2012; Palombo et al., 2019) .

Известно, что влажность почв во многих случаях хорошо коррелирует с другими свойствами почв, что создает предпосылки для использования данных MIR диапазона и для их детектирования и мониторинга. Работы в этом направлении уже есть, но их пока немного. Так, в научных публикациях показаны возможности детектирования содержания гумуса и органического вещества почв (Ma et al., 2016; Dhawale et al., 2016) , минералогического состава (Xia et al., 2018) , засоленности (Csillag et al., 1993) по данным этого диапазона спектра. Однако этих данных все еще не достаточно для получения надежных результатов.

В предлагаемой статье приведены результаты анализа возможностей использования данных тепловой съемки для детектирования параметров плодородия почв на примере ключевого участка на пашне в северной лесостепи Среднерусской возвышенности.

ОБЪЕКТЫ И МЕТОДЫ

Объектом исследования является почвенный покров тестового поля Почвенного института им. В.В. Докучаева, расположенного в Ясногорском районе Тульской области. Площадь поля составляет почти 90 га (рис. 1).

Рельеф территории исследований широковолнистый с преобладающими высотами 250 м. Присутствует расчленение овражно-балочной и речной сетью. На территории поля, охватывающего среднюю и нижнюю части мезосклона рельефа и верхнюю пойму реки Беспута, хорошо выражен микрорельеф, обусловленный протеканием эрозионных процессов и антропогенной деятельностью и представленный в основном промоинами и эрозионными врезами (Редькин и др., 1996; Сорокина, 2003) .

Почвообразующими породами являются коричнево-бурые пылеватые суглинки, которые распространены повсеместно на склоне. В нижних частях склона местами встречаются делювиальные отложения. Постилаются покровные отложения коричневатобурым опесчаненным валунным суглинком (Ратников, 1960).

Рис. 1. Тестовое поле. Расположение точек полевого опробования показано красным (Апах – часть поля с преобладанием аллювиальных пахотных почв, Лпах – с преобладанием серых лесных пахотных почв), ареалы разделены синей линией (съемка с БПЛА – Ю.И. Вернюк, 2018).

Fig. 1. Test field. The location of testing points on the field is shown by red dots (Апах – part of a field with predominance of alluvial arable soils, Лпах – with predominance of gray forest arable soils), different soils areas are separated by the blue line, (survey with UAV – Yu.I. Vernyk, 2018).

На участке выявлено два типа почв: аллювиальные пахотные на пойме и серые лесные слабо- и среднеэродированные па- хотные почвы на склоне. Свойства пахотных горизонтов почв поля приведены в таблице 1.

Серая лесная почва характеризуется достаточно низким содержанием гумуса, повышенным содержанием фосфора, средним содержанием калия и низким – азота (Ягодин, Жуков, 2002) . Реакция среды нейтральная.

Физические свойства пахотных горизонтов почв поля имеют следующую специфику: содержание агрономически ценных агрегатов составляет 71.9%, что является отличным агрегатным состоянием (Вадюнина, Корчагина, 1985) , о чем также свидетельствует и коэффициент структурности 3 мм (> 1.5 мм). Общая порозность составляет 55%, что также является отличным показателем (Качинский, 1965) . Плотность почвы составляет 1.16 г/см ³ (соответствует градации “уплотненная” по Долгову С.И. (Шеин, 2005) ).

Полевые исследования проводились в августе и сентябре 2018 г. после уборки посевов. Всего было заложено 25 точек опробования (рис. 1).

Отбор образцов осуществлялся из пахотного горизонта. В ИЛЦ Почвенного института им. В.В. Докучаева были выполнены анализы следующих основных параметров плодородия почв: содержания гумуса, рН почвы (водн. и сол.), обменных оснований по Шолленбергеру (Ca ²⁺ , Mg ²⁺ , K ⁺ , Na ⁺ ), Р 2 О 5 подвижного (по Кирсанову), К 2 О обменного (по Масловой), общего азота (по стандартным методикам).

Одновременно с отбором образцов почв проводилась съемка свежепроборонованной открытой поверхности почвы с высоты 130–150 см в трехкратной повторности с использованием тепловизора FLIR VUE 512, работающего в ИК диапазоне 7.5 ~ 13.5 мкм (https://www.flir.com/products/vue-pro/) (рис. 2).

Параллельно происходило измерение спектральной отражательной способности (СОС) поверхности почв с высоты 15–20 см в пятикратной повторности с использованием спектрорадиометра HandHeld-2 (ASD, USA), определяющего отражательные свойства почв в диапазоне 350–1050 нм

(https://www.malvernpanalytical.com/en/support/product-support/asd- range/fieldspec-range/handheld-2-hand-held-vnir-spectroradiometer) .

Таблица 1. Свойства пахотных горизонтов почв тестового поля

Table 1 . Properties of arable horizons of the soil of the test field

Почва	рН		Фосфор подв. (P 2 O 5 ), мг/кг	Калий обменный (K 2 O), мг/кг	Азот общий, %	Гумус, %	Обменные катионы (по Шолленбергеру), мг-экв/100г
	Н 2 О	КCl					K+	Na+	Ca2+	Mg2+
Серая лесная пахотная	6.52	5.47	138.30	91.52	0.22	3.25	0.43	0.03	19.11	1.42
Аллювиальная пахотная	7.55	6.13	224.29	82.46	0.28	4.05	0.34	0.11	51.70	3.35

Тепловые изображения были загружены в пакет прикладных программ ILWIS (https://www.itc.nl/ilwis/download/ilwis33/) , с использованием которого для каждого изображения проводилось количественное определение величины отражения энергии поверхностью почвы в тепловом диапазоне. Определялось среднее отражение, минимальная и максимальная величина, медианное и модальное значение отражения открытой поверхности почв.

Рис. 2. Примеры тепловых изображений открытой поверхности почв тестового поля.

Fig. 2. Examples of thermal images of open soil surfaces of the test field.

Статистическую обработку данных – расчет средних значений, доверительных интервалов, оценку статистической значимости различий (t0.05) – проводили с использованием пакета stats в среде R (https://www.r-project.org/).

Далее проводился регрессионный анализ. Пороговым значением для определения достоверности моделей являлся скорректированный R ² > 0.65. Далее все достоверные модели проходили дополнительную проверку с помощью кросс-валидации методом контроля по отдельным объектам (leave one out cross validation) с использованием библиотеки CARET.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Полученные фактические данные приведены в таблице 2. В таблице 3 приведены результаты корреляционного анализа между приведенными в таблице 2 параметрами. Из таблицы 3 следует, что хорошо коррелируют между собой все показатели, полученные с помощью ИК камеры за исключением стандартного отклонения, которое не показало надежной корреляции ни с одним из рассматриваемых параметров. Также достаточно хорошо коррелируют между собой величины спектральной отражательной способности в анализируемых диапазонах съемки. Более того, установлена хорошая корреляция между параметрами, определяемыми по данным тепловой камеры и по данным о спектральной отражательной способности почв, что можно объяснить тем, что различия в цвете почв (отражении в видимой области спектра) приводят к разнице в температуре поверхности, что и фиксирует тепловизор.

Из параметров плодородия почв высокая корреляция отмечается между величинами рН водного и солевого растворов, между содержанием гумуса и азота, а также между содержанием доступного и обменного калия.

При анализе корреляции между параметрами плодородия почв и их отражательной способностью в разных диапазонах выявляются следующие закономерности.

Наиболее высокие коэффициенты корреляции отмечаются для содержания гумуса. Эта величина лучше всего коррелирует с отражением в ближней инфракрасной области спектра.

Таблица 2. Исходные фактические данные

Table 2 . Initial evidence

№ точки flir_min flir_max flir_av flir_mode flir_std pHvod humus pHsol P205 К2О N K+ Na+ Ca2+ Mg2+ 400_500 500_600 600_700 700_800 800_900 400_900 1 38 135 77 85 28 8.26 5.01 6.87 74.14 90.29 0.37 0.46 0.48 165.82 1.91 0.05 0.06 0.07 0.08 0.09 0.08 2 26 113 65 69 24 8.18 6.11 5.81 176.59 119.63 0.45 0.43 0.13 157.95 2.15 0.04 0.04 0.05 0.05 0.07 0.06 3 28 98 61 64 20 8.25 6.12 6.85 93.01 128.62 0.41 0.51 0.16 153.45 2.28 0.04 0.04 0.05 0.05 0.07 0.05 4 29 100 62 65 20 7.35 6.54 5.93 187.37 108.65 0.43 0.41 0.29 42.34 2.64 0.03 0.04 0.04 0.05 0.07 0.05 5 41 118 76 80 22 8.09 4.43 6.77 306.00 70.69 0.29 0.34 0.07 54.93 2.14 0.05 0.06 0.07 0.09 0.11 0.08 6 64 151 102 103 22 8.04 2.79 6.47 311.39 86.32 0.18 0.30 0.00 20.12 3.80 0.08 0.10 0.13 0.15 0.18 0.14 7 72 151 107 109 21 8.51 1.89 6.89 300.60 66.20 0.14 0.23 0.12 30.85 6.07 0.09 0.13 0.16 0.20 0.24 0.18 8 73 134 100 104 17 7.19 3.27 5.85 206.24 82.60 0.21 0.28 0.04 19.35 3.69 0.07 0.09 0.12 0.14 0.17 0.13 9 60 134 93 97 21 7.05 2.84 5.58 176.59 93.18 0.23 0.35 0.10 21.81 3.53 0.07 0.09 0.11 0.14 0.17 0.13 10 75 151 114 113 20 7.88 2.05 6.49 184.68 74.45 0.17 0.28 0.02 21.07 4.28 0.07 0.10 0.13 0.16 0.19 0.14 11 60 149 105 104 25 6.72 2.74 5.25 168.50 74.78 0.20 0.32 0.06 15.06 2.31 0.08 0.10 0.13 0.16 0.20 0.15 12 72 178 123 124 29 8.04 2.74 6.65 370.70 69.41 0.21 0.30 0.16 34.30 10.32 0.07 0.10 0.13 0.15 0.19 0.14 13 65 163 113 114 25 8.15 2.21 6.64 346.44 72.25 0.21 0.28 0.11 25.77 5.89 0.07 0.09 0.12 0.15 0.18 0.13 14 66 131 96 99 18 6.43 3.05 5.17 146.93 78.20 0.21 0.36 0.11 20.66 2.44 0.06 0.07 0.09 0.11 0.14 0.10 15 53 123 81 84 19 6.16 5.11 5.03 130.76 54.04 0.34 0.26 0.05 24.38 2.18 0.05 0.06 0.07 0.09 0.11 0.09 16 61 119 86 89 16 6.24 3.59 5.11 165.80 65.66 0.25 0.30 0.03 20.09 1.97 0.06 0.07 0.09 0.11 0.14 0.10 17 53 123 76 84 19 7.27 6.43 6.07 283.08 74.94 0.32 0.31 0.04 33.59 1.50 0.05 0.05 0.06 0.08 0.10 0.08 18 42 123 70 78 21 8.05 6.01 6.83 408.44 74.44 0.33 0.31 0.06 69.01 1.28 0.05 0.06 0.07 0.08 0.10 0.08 19 43 109 80 76 19 7.54 2.85 6.44 0.00 129.85 0.20 0.66 0.02 19.73 0.90 0.05 0.06 0.08 0.09 0.11 0.08 20 26 114 80 73 25 6.50 2.69 5.45 260.16 109.69 0.19 0.49 0.04 18.10 1.23 0.05 0.07 0.08 0.10 0.13 0.09 21 38 106 77 73 20 6.41 2.00 5.12 128.06 80.61 0.16 0.36 0.02 16.94 1.67 0.05 0.06 0.08 0.10 0.13 0.09 22 38 115 76 75 20 6.05 3.53 5.07 109.19 72.17 0.23 0.33 0.03 17.82 1.31 0.04 0.05 0.07 0.09 0.11 0.08 23 39 103 74 72 18 6.13 3.95 5.05 98.40 73.81 0.21 0.34 0.03 17.94 1.50 0.04 0.05 0.06 0.08 0.11 0.07 24 42 104 73 72 17 6.49 4.48 5.68 95.71 83.00 0.30 0.39 0.04 24.14 1.92 0.03 0.04 0.05 0.07 0.09 0.06 свойство почв

средние значения спектрального значения тепловизора         отражения в диапазонах, нм

pHvod – pH водный

Humus – содержание гумуса, % pHsol – pH солевой

P2O5 – фосфор подвижный, мг/кг

K2O – калий обменный, мг/кг

N – азот общий, %

K+ – обменный катион калия, мг-экв/100г

Na+ – обменный катион натрия, мг-экв/100г

Ca2+ – обменный катион кальция, мг-экв/100г Mg2+ – обменный катион магния, мг-экв/100г

Flir_min – минимальное значение Flir_max – максимальное значение Flir_av – среднее значение Flir_mode – модальное значение

Flir_std – стандартное отклонение

500600 – 500–600 нм

600_700 – 600–700 нм

700800 – 700–800 нм

800900 – 800–900 нм

400900 – 400–900 нм

Таблица 3. Результаты корреляционного анализа

Table 3 . Results of the correlation analysis

	flir_min	flir_max	flir_av	flir_mode	flir_std	pHvod	humus	pHsol	P205	К2O	N	K+	Na+	Ca2+	Mg2+	400_500	500_600	600_700	700_800	800_900	400_900
flir_min	1.00
flir_max	0.80	1.00
flir_av	0.89	0.92	1.00
flir_mode	0.93	0.96	0.98	1.00
flir_std	-0.05	0.54	0.30	0.31	1.00
pHvod	0.11	0.41	0.19	0.28	0.51	1.00
humus	-0.66	-0.62	-0.82	-0.71	-0.13	0.07	1.00
pHsol	0.11	0.36	0.16	0.25	0.43	0.94	0.05	1.00
P205	0.36	0.57	0.41	0.47	0.37	0.45	-0.10	0.44	1.00
К2O	-0.59	-0.46	-0.46	-0.50	0.09	0.26	0.27	0.20	-0.38	1.00
N	-0.60	-0.47	-0.70	-0.58	0.06	0.21	0.93	0.15	-0.14	0.38	1.00
K+	-0.65	-0.53	-0.52	-0.58	0.08	0.06	0.22	0.10	-0.56	0.87	0.29	1.00
Na+	-0.24	0.06	-0.17	-0.06	0.50	0.41	0.34	0.38	-0.11	0.23	0.52	0.24	1.00
Ca2+	-0.49	-0.20	-0.46	-0.35	0.38	0.55	0.59	0.44	-0.14	0.48	0.74	0.38	0.66	1.00
Mg2+	0.64	0.81	0.77	0.79	0.47	0.45	-0.46	0.41	0.53	-0.29	-0.31	-0.44	0.14	-0.12	1.00
400_500	0.85	0.87	0.90	0.91	0.26	0.30	-0.76	0.25	0.47	-0.42	-0.67	-0.54	-0.14	-0.38	0.64	1.00
500_600	0.84	0.85	0.92	0.90	0.26	0.29	-0.80	0.24	0.45	-0.40	-0.71	-0.52	-0.17	-0.41	0.67	0.99	1.00
600_700	0.84	0.85	0.92	0.90	0.24	0.25	-0.82	0.21	0.44	-0.41	-0.74	-0.52	-0.20	-0.44	0.67	0.98	1.00	1.00
700_800	0.84	0.83	0.93	0.89	0.21	0.20	-0.84	0.17	0.41	-0.43	-0.77	-0.53	-0.23	-0.48	0.66	0.97	0.99	1.00	1.00
800_900	0.85	0.81	0.93	0.89	0.17	0.13	-0.86	0.11	0.40	-0.47	-0.81	-0.55	-0.27	-0.53	0.64	0.96	0.98	0.99	1.00	1.00
400_900	0.86	0.85	0.93	0.91	0.21	0.21	-0.82	0.18	0.44	-0.45	-0.75	-0.55	-0.22	-0.47	0.66	0.98	1.00	1.00	1.00	0.99	1.00

Примечание. Расшифровка сокращений приведена в таблице 2, зеленым выделены наиболее высокие коэффициенты корреляции.

Коэффициент корреляции превышает значение 0.8 для всех рассматриваемых диапазонов видимой области спектра, а также для среднего значения отражения, полученного с использованием тепловизора. Связь между содержанием гумуса и всеми параметрами отражения обратная, что логично: более высокое содержание гумуса приводит к падению отражательной способности в видимом диапазоне спектра. А более высокая температура более темной поверхности в солнечный день приводит к повышенной потере влаги из поверхностных слоев почвы, что приводит к повышению отражения в среднем ИК диапазоне, и, как следствие, к проявлению обратной зависимости.

Содержание доступного азота лучше всего коррелирует с отражением в ближней инфракрасной области спектра (К кор -0.81). Корреляция с данными, полученными с использованием тепловизора, оказалась не очень высокой (К кор около -0.5 – -0.7). Закономерности, полученные для азота, очень схожи с таковыми, полученными для гумуса, что также логично с учетом тесной связи этих параметров плодородия между собой.

Из остальных параметров плодородия значимой корреляцией с отражательными свойствами поверхности почв отличается содержание магния и калия (табл. 3). Причем разница коэффициентов корреляции между этими показателями и разными параметрами отражательной способности почв не очень велика. Немного больше коэффициент корреляции между содержанием магния и значением максимума отражения, полученного с использованием тепловизора (К кор +0.81). Корреляция с отражением в видимой области спектра была ниже, а в ближней инфракрасной области спектра – еще ниже. Это хорошо согласуется с установленным ранее фактом большего влияния минеральной части почв на отражение в более коротковолновой области спектра, а органики – в более длинноволновой области (Islam et al., 2003) .

Содержание поглощенного калия в наибольшей степени коррелирует со значениями минимума на изображениях, полученных с использованием тепловизора (Ккор -0.65). Значения минимума показывают отражение в среднем ИК диапазоне затененной поверхности почв. Температурные различия затененной поверхности почв, скорее всего, связаны с пространственными неоднород- ностями влажности, физических свойств почв и содержанием органики. По-видимому, изменение этих свойств приводит к микроварьированию процессов выщелачивания калия в поверхностных горизонтах менее влажных и богатых органикой почв, что и выражается в негативной корреляции с отражением.

Корреляция остальных параметров плодородия почв с показателями отражательной способности низкая.

Необходимо отметить, что выявленные закономерности для отражения в видимой области спектра в целом хорошо согласуются с полученными ранее результатами других исследователей (Stenberg et al., 2010; Vasat et al., 2014; Camargo et al., 2015; Hong et al., 2018) .

Регрессионный анализ (табл. 4) показал, что наиболее достоверными являются степенные регрессии, что согласуется с теоретическими представлениями о возможной связи параметров плодородия с отражательными свойствами поверхности почв, которые были установлены ранее другими исследователями (Карманов, 1974; Михайлова, Орлов, 1986; Nanni, Dematte, 2006; Rossel et al., 2010) .

На рисунке 3 представлены достоверные степенные зависимости с наиболее высокими нормированными коэффициентами детерминации между отдельными параметрами плодородия почв и данными тепловой съемки.

Из рисунка 3 и таблицы 4 следует, что на основе данных тепловой съемки на тестовом поле могут быть достаточно надежно детектированы такие свойства как содержание гумуса, содержание обменного калия и обменного магния. При этом если в качестве предиктора использовать отражение света в видимой и ближней ИК зонах спектра, то качество регрессии для гумуса и калия будет таким же, как и в случае использования тепловизора, а в случае содержания обменного магния – хуже, чем по данным съемки в MIR диапазоне (табл. 5).

Следовательно, использование тепловизора позволяет получать одинаковые по качеству зависимости для детектирования содержания гумуса и обменного калия в пахотном горизонте почв по сравнению с использованием съемки в видимом и ближнем ИК диапазонах. Но качество регрессии для детектирования содержа- ния

обменного магния оказалось несколько выше.

7,00

6,00

5,00

4,00

3,00

1,00

А

y = 5128x-1,631 R² = 0,7395

0,00

40      50      60      70      80      90     100     110     120     130

flir_av

Б

y = 2,1269x-0,476 R² = 0,6805

0,6

0,5

0,4

0,3

0,2

0,1

30          40          50          60          70          80

flir_min

В

y = 2E-07x3,3785 R² = 0,7264

90         110         130         150         170         190

flir_max

Рис. 3. Регрессионные зависимости между показателями отражения электромагнитных волн в MIR диапазоне с содержанием в почвах гумуса ( А ), обменного калия ( Б ) и обменного магния ( В ).

Fig. 3. Regression relationships between electromagnetic wave reflections in the MIR diapason with soil contents of humus ( A ), exchangeable potassium ( Б ) and exchangeable magnesium ( B ).

Это означает, что использование съемки в среднем ИК диапазоне для картографирования и мониторинга основных параметров плодородия почв региона исследований может быть более перспективным, чем использование для этих же целей многоканальной или гиперспектральной съемки в видимой и ближней ИК области спектра электромагнитных волн. Дополнительным преимуществом тепловой съемки также без сомнения является то, что, по литратурным данным, она позволяет более надежно получать информацию и о влажности почв (Leng et al., 2015; Wang et al., 2018) .

Таблица 4 . Степенные зависимости с наиболее высокими нормированными коэффициентами детерминации между отдельными параметрами плодородия почв и данными тепловой съемки

Table 4. Power relationships with the highest normalized coefficients of determination between soil fertility parameters and thermal imaging data

Уравнение	Число степеней с вободы	Критерий Фишера, уровень значимости 0.05		Средняя ошибка аппроксимации по результатам кросс-валидации, %
		F фактическое	F табличное
K+ = 2.1269*flir_min -0,476	21	43.2	4.32	8.5
Mg2+ = 2E-07*flir_max3.3785	22	30.1	4.30	20.4
Humus = 5128*flir_av -1,631	21	58.4	4.32	13.6

Таблица 5. Степенные зависимости с наиболее высокими нормированными коэффициентами детерминации между отдельными параметрами плодородия почв и данными отражения света в видимой и ближней ИК области спектра

Table 5. Power relationships with the highest normalized coefficients of determination between selected soil fertility parameters and light reflection data in the visible and near-IR spectrum

Параметр плодородия	Отражение света в диапазоне длин волн (нм)	Уравнение регрессии	Коэффициент детерминации
содержание гумуса	400_500	y = 0.1046x-0.525	0.52
	500_600	y = 0.1598x-0.697	0.62
	600_700	y = 0.2191x-0.781	0.67
	700_800	y = 0.2793x-0.807	0.72
	800_900	y = 0.3384x-0.787	0.73
	400_900	y = 0.2293x-0.701	0.66
содержание обменного калия	400_500	y = 0.0254x-0.709	0.35
	500_600	y = 0.0273x-0.834	0.33
	600_700	y = 0.0313x-0.899	0.33
	700_800	y = 0.038x-0.916	0.34
	800_900	y = 0.0473x-0.914	0.37
	400_900	y = 0.0377x-0.865	0.37
содержание обменного магния	400_500	y = 0.0419x0.3264	0.53
	500_600	y = 0.0489x0.3954	0.54
	600_700	y = 0.0594x0.417	0.53
	700_800	y = 0.0745x0.4019	0.51
	800_900	y = 0.0956x0.3668	0.48
	400_900	y = 0.0714x0.3729	0.53

ВЫВОДЫ

В результате проведенных исследований установлено, что:

• 1.    для территории исследований содержание гумуса в пахотном горизонте почв, содержание обменных форм калия и магния и хорошо коррелирующее с ними содержание доступных форм азота и калия может быть успешно определено на основе данных об отражательной способности почв как в видимом диапазоне спектра электромагнитных волн, так и в ближнем и среднем инфракрасном диапазонах;

• 2.    использование данных тепловой съемки (средний ИК диапазон) позволяет получать более надежные зависимости для определения содержания обменного магния, что, с учетом возможности более надежного детектирования влажности пахотного горизонта почв по этим данным, позволяет считать данные тепловой съемки более перспективными для детектирования основных параметров плодородия почв региона;

• 3.    полученные регрессионные зависимости могут быть использованы в качестве основы для оперативного дистанционного мониторинга основных параметров плодородия почв тестового поля;

• 4.    выявленные зависимости без сомнения региональны и могут иметь другой вид для полей с иным строением почвенного покрова.