Identification of Surface-Carbonate Soils and Soils with Variegated Underlying Rocks Using Classification of Space Image, the South of Volga Upland

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The aim of the work is to reveal the correlations between the spectral characteristics of the open soil surface in the Pleiades image (04/25/2020) and soils in a key plot with a complex soil cover pattern in the southern part of the Volga upland (Volga-Don irrigation system, Volgograd oblast). The territory is characterized by high lithological heterogeneity: Paleogene and Neogene sands and loams are overlain by a cover of Quaternary brown loams of variable thickness from 1–2 m to complete wedging. The soil cover is represented by light chestnut solonetzic complexes complicated by a mosaic of lithological variants and erosion-accumulative combinations. Basing on digital methods of processing the spectral characteristics of the satellite image and the use of ground-based soil information, eight soil groups were separated and a map of their distribution was created for a key plot of 343 ha. Soil groups differ in general features of the soil surface due to the presence and amount of rubble and stones, the texture of the surface horizon (from sand to medium loam), the presence of brightened crusts on the surface, the presence or absence of HCl effervescence from the surface, depending on the thickness of the first lithological layer. Within individual groups, soils with different profile structures (agro chestnut, agrozems, agrosolonetzes) are combined. Soils of the same type and sometimes subtype fall into different groups according to spectral characteristics. This is due to the incomplete correspondence of the properties of the soil surface, which affect the spectral characteristics, and the internal structure of the soil profile as a whole.

About the authors

I. N. Gorokhova

Dokuchaev Soil Science Institute

Author for correspondence.
Email: g-irina14@yandex.ru
Russian Federation, Moscow

N. B. Khitrov

Dokuchaev Soil Science Institute

Email: g-irina14@yandex.ru
ORCID iD: 0000-0001-5151-5109
Russian Federation, Moscow

L. A. Tarnopolsky

Geoinformation Research Centre of the Russian Academy of Sciences

Email: g-irina14@yandex.ru
Russian Federation, Moscow

References

  1. Азизов Б.М., Мамедов Р.Г., Султанова Н.Б., Герайзаде А.П. Микрофотометрический анализ влажности почв по данным дистанционной съемки // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. М.: Наука, 1990. С. 183–189.
  2. Андроников В.Л. Аэрокосмические методы изучения почв. М: Колос, 1979. 280 с.
  3. Андроников В.Л., Афанасьева Т.В., Симакова М.С. Дешифрирование по аэро- и космическим снимкам почвенного покрова основных природных зон страны для картографирования // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. М.: Наука, 1990. С. 22–34.
  4. Барановская А.В., Азовцев В.И. Влияние орошения на миграцию карбонатов в почвах Поволжья // Почвоведение. 1981. № 10. С. 17–26.
  5. Волгоградская область: природные условия, ресурсы, хозяйство, население, геоэкологическое состояние. Волгоград: Перемена, 2011. 528 с.
  6. Горохова И.Н., Хитров Н.Б. Распознавание каменистых, песчаных и карбонатных с поверхности почв на юге Приволжской возвышенности (Волгоградская область) по космическим // Почвоведение. 2023. № 11. C. 1340–1356.
  7. Горохова И.Н., Панкова Е.И. Природа пятнистости орошаемых почв сухостепной зоны (на примере Светлоярской оросительной системы) // Аридные экосистемы. 2017. Т. 23. № 3(72). С. 44–54.
  8. Горохова И.Н., Хитров Н.Б., Прокопьева К.О., Харланов В.А. Почвенный покров Светлоярской оросительной системы через полвека мелиоративных воздействий // Почвоведение. 2018. № 8. С. 1033–1044.
  9. Гуров А.Ф., Рачкудик В.И., Буданов В.Е. Возможности дистанционного определения содержания гумуса и водорастворимых солей в почвах сельскохозяйственных угодий // Мониторинг земель. Опыт, проблемы, перспективы развития. М., 1991. С. 165–180.
  10. Дегтярева Е.Т., Жулидова А.Н. Почвы Волгоградской области. Волгоград: Нижне-Волжское книжное изд-во, 1970. 319 с.
  11. Доклад о состоянии и использовании земель сельскохозяйственного назначения РФ в 2020 г. М.: Росинформагротех. 2022. 384 с.
  12. Зимовец Б.А. Экология и мелиорация почв сухостепной зоны. М.: Почв. ин-т им. В.В. Докучаева, 1991. 248 с.
  13. Зинченко Е.В., Горохова И.Н., Круглякова Н.Г., Хитров Н.Б. Современное состояние орошаемых почв юга Приволжской возвышенности. // Бюл. Почв. ин-та им. В.В. Докучаева. 2020. Вып. 104. С. 68–109. https://doi.org/10.19047/0136-1694-2020-104-68-109
  14. Кирьянова Е.Ю., Савин И.Ю. О возможностях оценки контрастности почвенного покрова Саратовского Поволжья по спутниковым данным Landsat // Цифровая почвенная картография: теоретические и экспериментальные исследования. М.: Почв. ин-т им. В.В. Докучаева, 2012. С. 190–209.
  15. Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 342 с.
  16. Классификация и диагностика почв СССР. М.: Колос, 1977. 247 с.
  17. Методика составления крупномасштабных почвенных карт с применением материалов аэрофотосъемки. М.: Изд-во АН СССР, 1962. 116 с.
  18. Методика составления крупномасштабных почвенно-мелиоративной карты и карты мелиоративной оценки почвенного покрова солонцовой территории. М.: Почв. ин-т им. В.В. Докучаева, 1985. 95 с.
  19. Орлов Д.С. Спектральная отражательная способность почв и их компонентов. М.: Изд-во Моск. ун-та, 2001. 175 с.
  20. Полевой определитель почв России. М.: Почв. ин-т им. В.В. Докучаева, 2008. 182 с.
  21. Прудникова Е.Ю. Автоматизированное картографирование почв по спутниковым данным для проектирования АЛСЗ (на примере тестовых полей в Саратовском Поволжье). Дис. …канд. биол. наук. М., 2013. 20 с.
  22. Прудникова Е.Ю., Савин И.Ю., Грубина П.Г. Спутниковая оценка агрономически важных свойств пахотных почв с учетом состояния их поверхности // Бюл. Почв. ин-та им. В.В. Докучаева. 2023. Вып. 115. С. 129–159. https://doi.org/ 10.19047/0136-1694-2023-115-129-159
  23. Руководство по описанию почв. Рим: Продовольственная и сельскохозяйственная организация объединенных наций, 2012. 101 с.
  24. Рухович Д.И. Многолетняя динамика засоления орошаемых почв центральной части Голодной степи и методы ее выявления. Дис. … канд. биол. наук. М., 2009. 24 с.
  25. Симакова М.С. Методика картирования почв Прикаспийской низменности по материалам аэрофотосъемки // Почвенно-географические исследования и использование аэрофотосъемки в картировании почв. М.: Изд-во АН СССР, 1959. С. 283–357.
  26. Толчельников Ю.С., Харитонов В.А., Горбачев В.В. Аэрокосмические методы в почвенно-мелиоративных исследованиях // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. М.: Наука, 1990. С. 77–81.
  27. Хитров Н.Б., Герасимова М.И. Диагностические горизонты в классификации почв России: версия 2021 // Почвоведение. 2021. № 8. С. 899–910.
  28. Хитров Н.Б., Герасимова М.И. Предлагаемые изменения в классификации почв России: диагностические признаки и почвообразующие породы // Почвоведение. 2022. № 1. С. 3–14.
  29. Хитров Н.Б., Горохова И.Н., Панкова Е.И. Дистанционная диагностика содержания карбонатов в орошаемых почвах сухостепной зоны Волгоградской области // Почвоведение. 2021. № 6. С. 657–674.
  30. Barnes E., Baker M.G. Multispectral data for mapping soil texture: Possibilities and limitations //Appl. Engineer. Agriculture. 2000. V. 16(6). P. 731–741. https://doi.org/ 10.13031/2013.5370
  31. Ben-Dor E., Goldlshleger N., Benyamini Y., Agassi M.R., Blumberg D.G. The spectral reflectance properties of soil structural crusts in the 1.2‐to 2.5‐μm spectral region // Soil Sci. Soc. Am. J. 2003. V. 67. P. 289–299. https://doi.org/10.2136/sssaj2003.2890
  32. Bowers S.A., Hanks R.J. Reflectance of radiant energy from soils // Soil Sci. 1965. V. 100. P. 130–138.
  33. Coleman T.L., Agbu P.A., Montgomery O.L. Spectral differentiation on surface soils and soil properties: Is it possible from space platforms? // Soil Sci. 1993. V. 155. P. 283–293.
  34. Fox G.A., Sabbagh G.J. Estimation of soil organic matter from red and near-infrared remotely sensed data using a soil line Euclidian distance technique // Soil Sci. Soc. Am. J. 2002. V. 66. P. 1922–1928.
  35. https://neerc.ifmo.ru
  36. IUSS Working Group WRB. World Reference Base for Soil Resources 2014, update 2015. International soil classification system for naming soils and creating legends for soil maps. World Soil Resources Reports106. 2015. FAO, Rome. 192 p.
  37. Jia-ge Chen, Jun Chen, Qin-jun Wang, Yue Zhang, Hai-feng Ding, Zhang Huang. Retrieval of Soil Dispersion Using Hyperspectral Remote Sensing // Indian Society of Remote Sensing. 2016. V. 44. P. 563–572.
  38. Jiang H., Shu H. Optical remote-sensing data based research on detecting soil salinity at different depth in an arid-area oasis, Xinjiang, China // Earth Science Informatics. 2018. P. 1–14. https://doi.org/10.1007/s12145-018-0358-2
  39. Metternicht G., Zinck. J.A. Remote Sensing of soil salinization. Impact on land management. N.Y.: CRC Press. 2009. 374 p.
  40. Lesaignoux A., Fabre S., Briotter X., Olioso A. Influence of surface soil moisture on spectral reflectance of bare soil in the 0.4-15 μM domain // Geosciences and Remote Sensing Lett. 2011. V. 8. P. 143–147.
  41. Luiz Guilherme Medeiros Pessoa, Maria Betânia Galvão Dos Santos Freire, Bradford Paul Wilcox, Colleen Heather Machado Green, Rômulo José Tolêdo De Araújo, José Coelho De Araújo Filho. Spectral reflectance characteristics of soils in northeastern Brazil as influenced by salinity levels // Environ. Monitor. Assessment. 2016. V. 188. P. 616.
  42. Rukhovich D.I., Koroleva P.V., Rukhovich D.D., Kalinina N.V. The Use of Deep Machine Learning for the Automated Selection of Remote Sensing Data for the Determination of Areas of Arable Land Degradation Processes Distribution // Remote Sensing, V. 13. P. 155. https://doi.org/10.3390/rs13010155
  43. Rukhovich D.I., Koroleva P.V., Rukhovich A.D., Komissarov M. Informativeness of the Long-Term Average Spectral Characteristics of the Bare Soil Surface for the Detection of Soil Cover Degradation with the Neural Network Filtering of Remote Sensing Data // Remote Sensing. 2023. V. 15. P. 124. https://doi.org/10.3390/rs15010124
  44. Sinha A.K. Spectral reflectance characteristics of soil and its correlation with soil properties and surface conditions // J. Indian Soc. Remote Sensing. 1986. V. 14. P. 1–9.
  45. www.Hyperspectr.ru
  46. Xiao J., Shen, Y., Tateishi R., Bayaer W. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing // Int. J. Remote Sensing. 2006. V. 27. P. 2411–2422. https://doi.org/10.1080/01431160600554363

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Location of the Volga-Don OS shown on the space image from Google Earth portal (Pleiades, 25.05.2021) (a); territory of Irrigated Experimental Station and key research area on the space image (Sentinel-2, 28.06.2020) (b)

Download (578KB)
Indexing metadata
3. Fig. 2. Error matrix of classified soil image (8 classes) from Pleiades high-resolution satellite image, 25.04.2020, in pixels (control sample)

Download (86KB)
Indexing metadata
4. Fig. 3. Key research area and field sampling points (2022) on Pleiades satellite image (25.04.2020) (a) (field numbers are shown in large italics on the image, letter and numeric values - numbers of sampling points); result of space image classification into 8 classes (b): 1 - stony from the soil surface; 2 - sandy very slightly stony from the soil surface with no boiling from HCl; 3 - very slightly stony agrosolonts with lightened crusts on the surface with no boiling; 4 - very slightly stony loamy soils with no boiling from the surface; 5 - very slightly stony boiling from the soil surface on dichotomous deposits with thickness of the first lithological layer of loam about half a metre; 6 - very slightly stony soils not boiling from the soil surface on diclastic deposits with thickness of the first lithological layer of loams about half a metre; 7 - soils boiling from the soil surface on pale-brown loams with thickness of 70 cm and more; 8 - soils not boiling from the soil surface on pale-brown loams with thickness of 70 cm and more

Download (777KB)
Indexing metadata
5. Fig. 4. Schematic of soil features affecting the spectral brightness of the space image (Pleiades, 25.04.2020). The dotted frames show the intervals of the mean spectral brightness in four channels for several sampling points in each soil group (groups 4-8) and non-interval values for a single sampling point (groups 1-2)

Download (475KB)
Indexing metadata
6. Fig. 5. Share of eight soil groups at the key site identified by spectral characteristics of the space image. For group designations see Fig. 3

Download (44KB)
Indexing metadata

Copyright (c) 2024 Russian Academy of Sciences