УДК: 
DOI: 
10.22389/0016-7126-2022-986-8-39-44
1 Филиппов Д.В.
2 Чурсин И.Н.
3 Бояренкова А.Д.
4 Рулёв Д.Д.
Год: 
№: 
986
Страницы: 
39-44

Научный геоинформационный центр РАН

1, 
2, 
3, 
4, 
Аннотация:
Проблема распространения окарбоначивания почв актуальна для орошаемых земель сухостепной зоны Волгоградской области. Данный процесс приводит к снижению урожайности, поэтому нуждается в своевременном выявлении и в оценке масштабов проявления. Ввиду сложности наблюдений больших площадей орошаемых земель актуален мониторинг почв с использованием анализа данных дистанционного зондирования Земли. Цель работы – исследование взаимосвязей окарбоначивания почв со спектральными характеристиками поверхности, полученными по данным спутников «Ресурс-П». В качестве тестового района выбран участок Светлоярской оросительной системы. Наземная опорная информация предоставлена Почвенным институтом имени В. В. Докучаева в виде данных об окарбоначивании, полученных по результатам полевых работ. По космическому снимку рассчитаны стандартные спектральные индексы, отобраны наиболее эффективные, имеющие высокую корреляцию с окарбоначиванием почв, определенным по полевым пробам. Посредством геоинформационных систем на космическом снимке размечены участки отбора проб, информацию с которых затем анализировали. В результате установлена взаимосвязь между спектральной яркостью участков на снимке и окарбоначиванием, построена карта распространения окарбоначенных почв на орошаемой территории тестового участка Светлоярской оросительной системы.

Список литературы: 
1.   Горохова И. Н., Авдеева Т. Н., Панкова Е. И., Прокопьева К. О. Почвенно-агрохимическая характеристика Светлоярского орошаемого участка в Волгоградской области // Аридные экосистемы. – 2019. – № 1 (78). – С. 49–60.
2.   Горохова И. Н., Панкова Е. И. Природа пятнистости орошаемых почв сухостепной зоны (на примере Светлоярской оросительной системы) // Аридные экосистемы. – 2017. – № 3 (72). – С. 39–49.
3.   Горохова И. Н., Панкова Е. И., Чурсин И. Н. Разработка методических подходов для оценки состояния орошаемых земель юга Европейской части России на основе материалов космической съемки // Аридные экосистемы. – 2020. – № 1 (82). – С. 84–93.
4.   Горохова И. Н. Применение геоинформационных технологий и материалов космической съемки для мониторинга орошаемых земель Светлоярской оросительной системы (Волгоградская область) // Исследование земли из космоса. – 2017. – № 4. – С. 79–87.
5.   Прокопьева К. О., Горохова И. Н. Картографирование орошаемых почв Светлоярской оросительной системы с использованием данных дистанционного зондирования Земли // Сборник научных трудов молодых ученых, аспирантов, студентов и преподавателей VII молодежного экологического конгресса «Северная Пальмира». – CПб.: НИЦЭБ РАН, – 2016. – С. 33–36.
6.   Рухович Д. И., Панкова Е. Е., Черноусенко Г. И., Королева П. В. Многолетняя динамика засоления орошаемых почв Голодностепского плато и методы ее выявления по материалам дистанционного зондирования // Почвоведение. – 2010. – № 6. – С. 728–739.
7.   Савин И. Ю., Прудникова Е. Ю. Об оптимальном сроке спутниковой съемки для картографирования пахотных почв // Бюллетень Почвенного института им. В. В. Докучаева. – 2014. – № 74. – С. 66–77.
8.   Allbed A., Kumar L. (2013) Soil Salinity Mapping and Monitoring in Arid and Semi-Arid Regions Using Remote Sensing Technology: A Review // Advances in Remote Sensing. 2 (4), pp. 373–385. DOI: 10.4236/ars.2013.24040.
9.   Alqasemi A. S., Ibrahim M. D., Fadhil Al-Quraishi A. M., Saibi H., Al-Fugara AТkif, Kaplan G. (2021) Detection and modeling of soil salinity variations in arid lands using remote sensing data // Open Geosciences. 13, 1, pp. 443–453. DOI: 10.1515/geo-2020-0244.
10.   Gorji T., Sertel E., Tanik A. (2017) Monitoring soil salinity via remote sensing technology under data scarce conditions: A case study from Turkey // Ecological Indicators. 74, pp. pp 384–391. DOI: 10.1016/J.ECOLIND.2016.11.043.
11.   Peng J., Biswas A., Jiang Q., Zhao R., Hu J., Hu B., Shi Z. (2019) Estimating soil salinity from remote sensing and terrain data in southern Xinjiang Province, China // Geoderma. 337, pp. 1309–1319.
12.   Shahabi M., Jafarzadeh A. A., Neyshabouri M. R., Ghorbani M. A., Kamran K. V. (2017) Spatial modeling of soil salinity using multiple linear regression, ordinary kriging and artificial neural network methods // Archives of Agronomy and Soil Science. 63 (2), pp. 151–160. DOI: 10.1080/03650340.2016.1193162.
13.   Wang Z., Zhang X., Zhang F., Chan N., Kung H., Liu S., Deng L. (2020) Estimation of soil salt content using machine learning techniques based on remote-sensing fractional derivatives, a case study in the Ebinur Lake Wetland National Nature Reserve, Northwest China // Ecological Indicators. 119, DOI: 10.1016/j.ecolind.2020.106869.
Образец цитирования:
Филиппов Д.В., 
Чурсин И.Н., 
Бояренкова А.Д., 
Рулёв Д.Д., 
Результаты исследований окарбоначивания почв орошаемых участков по материалам дистанционного зондирования Земли // Геодезия и картография. – 2022. – № 8. – С. 39-44. DOI: 10.22389/0016-7126-2022-986-8-39-44
СТАТЬЯ
Поступила в редакцию: 01.12.2021
Принята к публикации: 12.08.2022
Опубликована: 20.09.2022

Содержание номера

2022 август DOI:
10.22389/0016-7126-2022-986-8

QR-код страницы

QR-код страницы