STUDY OF SOIL COMPOSITION INDICATORS BASED ON HYPERSPECTRAL SURVEY DATA

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

The article discusses modern technologies for assessing soil composition indicators based on hyperspectral satellite survey data, and critically analyzes the possibility of using hyperspectral data to improve the informativeness of engineering geological studies. The features of available hyperspectral data and processing algorithms are reviewed. The main limitations related to the influence of vegetation cover, terrain, and spatial resolution are indicated. It is shown that, considering existing constraints and features, hyperspectral data can be used to estimate soil moisture, organic matter content, and mineral and granulometric composition. The necessity of developing a domestic soil spectral library linked to GOST 25100 and adapting processing algorithms to national standards is emphasized.

Sobre autores

D. Savchenko

Lomonosov Moscow State University, Geological Faculty; Sergeev Institute of Environmental Geoscience, Russian Academy of Sciences

Email: danilsavch@yandex.ru
Moscow, Russia; Moscow, Russia

E. Kuzmin

Lomonosov Moscow State University, Geological Faculty; Sergeev Institute of Environmental Geoscience, Russian Academy of Sciences

Email: eugene@geoenv.ru
Moscow, Russia; Moscow, Russia

R. Timirgaleeva

Lomonosov Moscow State University, Institute of Complex Systems Mathematical Research

Email: timirgaleevarr@my.msu.ru
Moscow, Russia

A. Korotayev

Lomonosov Moscow State University, Faculty of Global Studies; HSE University; Institute for African Studies, Russian Academy of Sciences

Email: akorotаyev@gmail.com
Moscow, Russia; Moscow, Russia; Moscow, Russia

Bibliografia

  1. Баборыкин М.Ю., Жидиляева Е.В., Погосян А.Г. Дешифрирование материалов аэрокосмической съемки для анализа инженерно-геологических условий в общем алгоритме изысканий на линейных объектах // Инженерные изыскания. 2014. № 9—10. С. 13—21.
  2. Грубина П.Г., Савин И.Ю. Информативность данных инфракрасного диапазона съемки для детектирования свойств пахотных почв // Вестник РУДН. Серия: Агрономия и животноводство. 2023. № 2(18). С. 197—212.
  3. Корниенко С.Г. Информативность космических снимков сверхвысокого разрешения в задачах мониторинга влажности тундрового покрова // Актуальные проблемы нефти и газа. 2020. № 2(29). С. 82—95.
  4. Кринов Е.Л. Спектральная отражательная способность природных образований. М: АН СССР, 1947. 273 с.
  5. Кронберг П. Дистанционное изучение Земли. Основы и методы дистанционных исследований в геологии: Пер. с нем. М: Мир, 1988. 352 с.
  6. Никифорова Н.Н., Калиничева С.В., Плотников Н.А. и др. Анализ влажности грунтов с использованием дистанционных и наземных исследований // География и краеведение в Якутии и сопредельных территориях Сибири и Дальнего Востока / Ред. колл. Пахомова Л.С. и др. Якутск: СВФУ, 2022. С. 103—106.
  7. Пронина Л.А., Гмыря А.А., Хорошавина А.В. Использование лазерного сканирования при инженерно-геодезических изысканиях для целей проектирования реконструкции автомобильных дорог // Электронный научно-методический журнал Омского ГАУ. 2019. № 4. С. 10—14. http://e-journal.omgau.ru/images/issues/2019/4/00772.pdf
  8. Прудникова Е.Ю., Савин И.Ю., Виндекер Г.В. Спектральная отражательная способность открытой поверхности пахотных почв как основа дешифрирования их свойств по данным дистанционного зондирования // Матер. II Всерос. научной конф. с междунар. участием “Применение средств дистанционного зондирования Земли в сельском хозяйстве”. СПб.: ФГБНУ АФИ, 2018. С. 113—119.
  9. Райкунов Г.Г., Щербаков В.Л., Турченко С.И., Брусничкина Н.А. Гиперспектральное дистанционное зондирование в геологическом картировании. М.: ФИЗМАТЛИТ, 2014. 136 с.
  10. Савин И.Ю. Перспективы развития картографирования и мониторинга почв на основе интерполяции точечных данных и дистанционных методов // Вестн. Моск. унта. Сер. 17. Почвоведение. 2022. № 2. С. 13—19.
  11. Савин И.Ю., Виндекер Г.В. Некоторые особенности использования оптических свойств поверхности почв для определения их влажности // Почвоведение. 2021. № 7. C. 806–814.
  12. Савин И.Ю., Шишкин М.А., Шарычев Д.В. Особенности спектральной отражательной способности фракций образцов почв размером от 20 до 5000 мкм // Бюллетень Почвенного института им. В.В. Докучаева. 2022. № 112. C. 24—47.
  13. Тронин А.А., Горный В.И., Крицук С.Г., Латыпов И.Ш. Спектральные методы дистанционного зондирования в геологии. Обзор // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 4. C. 23—26.
  14. Прудникова Е.Ю., Савин И.Ю. Исследование оптических свойств открытой поверхности почв // Оптический журнал. 2016. Т. 83 № 10. С. 79—86.
  15. Abrams M., Yamaguchi Y., Crippen R. ASTER Global DEM (GDEM). Ver. 3 // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2022. V. B4-2022 (XLIII-B4-2022). P. 593—598.
  16. Alonso K., Bachmann M., Burch K., Carmona E. et al. Data Products, Quality and Validation of the DLR Earth Sensing Imaging Spectrometer (DESIS) // Sensors. 2019. V. 19(20): 4471. P. 1—44. https://doi.org/10.3390/s19204471
  17. Alonso K., Bachmann M., Burch K., Carmona, E. et al. Statistical classification for assessing PRISMA hyperspectral potential for agricultural land use // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2013. V. 6(2). P. 615—625. https://doi.org/10.1109/JSTARS.2013.2255981
  18. Baumgardner M.F., Silva L.F., Biehl L.L., Stoner E.R. Reflectance properties of soils // Advances in agronomy. 1986. V. 38. P. 1—44.
  19. Bayer A.D., Bachmann M., Rogge D., et al. Combining Field and Imaging Spectroscopy to Map Soil Organic Carbon in a Semiarid Environment // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2016. V. 9(9). P. 3997—4010. https://doi.org/10.1109/JSTARS.2016.2585674
  20. Ben-Dor, E., Chabrillat, S., Demattê, J.A.M. et al. Using Imaging Spectroscopy to study soil properties // Remote Sensing of Environment. 2009. V. 113. P. 38—55. https://doi.org/10.1016/j.rse.2008.09.019
  21. Ben-Dor E., Irons J. R., Epema G.F. Soil reflectance // Remote sensing for the earth sciences: Manual of remote sensing. 1999. V. 3(3). P. 111—188.
  22. Bhargava A., Sachdeva A., Sharma K. et al. Hyperspectral Imaging and Its Applications: A Review // Heliyon. 2024. V. 10(12). P. 1—15.
  23. Bowers S.A., Hanks R.J. Reflection of radiant energy from soils // Soil Science. 1965. V. 100(2). P. 130—138.
  24. Castaldi F., Palombo A., Pascucci S. et al. Reducing the influence of soil moisture on the estimation of clay from hyperspectral data: A case study using simulated PRISMA data // Remote Sensing. 2015. V. 7(11). P. 15561—15582. https://doi.org/10.3390/rs71115561
  25. Castaldi F., Palombo A., Santini F. et al. Evaluation of the potential of the current and forthcoming multispectral and hyperspectral imagers to estimate soil texture and organic carbon // Remote Sensing of Environment. 2016. V. 179. P. 54—65. https://doi.org/10.1016/j.rse.2016.03.025
  26. Cierniewski J., Kuśnierek K. Influence of several size properties on soil surface reflectance // Quaestiones Geographicae. 2010. V. 29(1). P. 13—25. https://doi.org/10.2478/v10117-010-0002-9
  27. Cocks T., Jenssen, R., Stewart A. et al. The HyMapTM airborne hyperspectral sensor: The system, calibration and performance // Proc. of the 1st EARSeL workshop on Imaging Spectroscopy, EARSeL. 1998. P. 37—42.
  28. Demattê J.A., Dotto A.C., Paiva A.F., Sato M.V. et al. The Brazilian Soil Spectral Library (BSSL): A general view, application and challenges // Geoderma. 2019. V. 354. P. 1—21. https://doi.org/10.1016/j.geoderma.2019.05.043
  29. Eismann M.T. Hyperspectral Remote Sensing. Washington: SPIE, 2012. 748 p.
  30. Fabre S., Briottet X., Lesaignoux A. Estimation of Soil Moisture Content from the Spectral Reflectance of Bare Soils in the 0.4–2.5 µm Domain // Sensors. 2015. V. 15(2). P. 3262—3281.
  31. Ge W., Cheng Q., Jing L., Chen Y. et al. Mineral mapping in the western Kunlun Mountains using Tiangong-1 hyperspectral imagery // IOP Conference Series: Earth and Environmental Science. V. 34(1). 2016. P. 1—6.
  32. Gersman R., Ben-Dor E., Beyth M. et al. Mapping of hydrothermally altered rocks by the EO-1 Hyperion sensor, Northern Danakil Depression, Eritrea // International Journal of Remote Sensing. 2008. V. 29(13). P. 3911—3936. https://doi.org/10.1080/01431160701874587
  33. Gomez C., Lagacherie P. Mapping of Primary Soil Properties Using Optical Visible and Near Infrared (Vis-NIR) Remote Sensing // Land surface remote sensing in agriculture and forest, 2016. P. 1—35. https://doi.org/10.1016/B978-1-78548-103-1.50001-7
  34. Gomez C., Lagacherie P., Coulouma G. Regional predictions of eight common soil properties and their spatial structures from hyperspectral Vis–NIR data // Geoderma. 2012. V. 189. P. 176—185.
  35. Gomez C., Viscarra Rossel R.A., McBratney A.B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: An Australian case study // Geoderma. 2008. V. 146(3—4). P. 403—411.
  36. Goswami C., Singh N.J., Handique B.K. Hyperspectral Spectroscopic Study of Soil Properties. A Review // International Journal of Plant & Soil Science. 2020. V. 32(7). P. 14—25. https://doi.org/10.9734/ijpss/2020/v32i730301
  37. Guanter L., Kaufmann H., Segl K., Foerster S. et al. The EnMAP spaceborne imaging spectroscopy mission for earth observation // Remote Sensing. 2015. V. 7(7). P. 8830—8857. https://doi.org/10.3390/rs70708830
  38. Haubrock S.N., Chabrillat S., Lemmnitz C., Kaufmann, H. Surface soil moisture quantification models from reflectance data under field conditions // International Journal of Remote Sensing. 2008. V. 29(1). P. 3—29. https://doi.org/10.1080/01431160701294695
  39. Huang J., Yuang Y. Vertical Accuracy Assessment of the ASTER, SRTM, GLO-30, and ATLAS in a Forested Environment // Forests. 2024. V. 15(3): 426. P. 1—19. https://doi.org/10.3390/f15030426
  40. Hubbard B.E., Crowley J.K. Mineral mapping on the Chilean-Bolivian Altiplano using co-orbital ALI, ASTER and Hyperion imagery: Data dimensionality issues and solutions // Remote Sensing of Environment. 2005. V. 99(1—2). P. 173—186. https://doi.org/10.1016/j.rse.2005.04.027
  41. Janik L.J., Merry R. H., Skjemstad J.O. Can mid infrared diffuse reflectance analysis replace soil extractions? // Australian Journal of Experimental Agriculture. 1998. V. 7(38). P. 681—696. https://doi.org/10.1071/EA97144
  42. Kokaly R.F., Clark R.N., Swayze G.A., Livo K.E. et al. USGS Spectral Library Version 7 (No. 1035). Reston: US Geological Survey. 2017. 68 p. https://doi.org/10.3133/ds1035
  43. Ladoni M., Bahrami H.A., Alavipanah S.K., Norouzi A.A. Estimating soil organic carbon from soil reflectance: A review // Precision Agriculture. 2010. V. 1(11). P. 82—99.
  44. Lehnert K., Su Y., Langmuir C. H., Sarbas B., Nohl U. A global geochemical database structure for rocks // Geochemistry, Geophysics, Geosystems. 2000. V. 1(1). P. 1—14. https://doi.org/10.1029/1999GC000026
  45. Leverington D.W. Discrimination of sedimentary lithologies using Hyperion and Landsat Thematic Mapper data: A case study at Melville Island, Canadian High Arctic // International Journal of Remote Sensing. 2010. V. 31(1). P. 233—260.
  46. Liu L., Ji M., Buchroithner M. Transfer learning for soil spectroscopy based on convolutional neural networks and its application in soil clay content mapping using hyperspectral imagery // Sensors. 2018. V. 18(9): 3169. P. 1—18. https://doi.org/10.3390/s18093169
  47. Lobell D.B., Asner G.P. Moisture Effects on Soil Reflectance // Soil Science Society of America Journal .2002. V. 66(3). P. 722—727. https://doi.org/10.2136/sssaj2002.7220
  48. Lopinto E., Ananasso C. The Prisma hyperspectral mission / Lasaponara R. (ed.) // Proc. of the 33rd EARSeL Symposium: Towards Horizon. 2020. V. 12. P. 135—146.
  49. Marghany M. Remote Sensing and Image Processing in Mineralogy. Oxon: CRC Press, 2022. 300 p.
  50. Van der Meer F.D., Van der Werff H.M., Van Ruitenbeek F.J. et al. Multiand hyperspectral geologic remote sensing: A review // Int. Journal of Applied Earth Observation and Geoinformation. 2012. V. 14(1). P. 112—128. https://doi.org/10.1016/j.jag.2011.08.002
  51. Mielke C., Boesche N. K., Rogass C. et al. Spaceborne mine waste mineralogy monitoring in South Africa, applications for modern push-broom missions: Hyperion/OLI and EnMAP/Sentinel-2 // Remote Sensing. 2014. № 6(8). P. 6790—6816. https://doi.org/10.3390/rs6086790
  52. Mielke C., Rogass C., Boesche N., Segl K., Altenberger U. EnGeoMAP 2.0-automated hyperspectral mineral identification for the German EnMAP space mission // Remote Sensing. 2016. № 8(2): 127. P. 1—26.
  53. Milewski R., Chabrillat S., Brell M., Schleicher A.M., Guanter L. Assessment of the 1.75 µm absorption feature for gypsum estimation using laboratory, airand spaceborne hyperspectral sensors // Int. Journal of Applied Earth Observation and Geoinformation. 2019. V. 77. P. 69—83. https://doi.org/10.1016/j.jag.2018.12.012
  54. Moreira L.C.J., Teixeira A. dos S., Galvão L.S. Laboratory Salinization of Brazilian Alluvial Soils and the Spectral Effects of Gypsum // Remote Sensing. 2014. V. 6(4). P. 2647—2663.
  55. Okin G.S., Painter T.H. Effect of grain size on remotely sensed spectral reflectance of sandy desert surfaces // Remote Sensing of Environment. 2004. V. 89(3). P. 272— 280. https://doi.org/10.1016/j.rse.2003.10.008
  56. Perkins R., Galloway P., Miller R., Graham L. Teledyne’s MUSES mission on the ISS: Enabling flexible and reconfigurable earth observation from space / Tjuatja S., Kunkee D. (ed.) // International Geoscience and Remote Sensing Symposium (IGARSS). Fort Worth: IEEE. 2017. P. 1177—1180. https://doi.org/10.1109/IGARSS.2017.8127167
  57. Qian S.E. Hyperspectral Satellites, Evolution, and Development History // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2021. V. 14. P. 7032—7056. https://doi.org/10.1109/JSTARS.2021.3090256
  58. Schad P. World Reference Base for Soil Resources — Its fourth edition and its history // Journal of Plant Nutrition and Soil Science. 2023. V. 186(2). P. 151—163. https://doi.org/10.1002/jpln.202200417
  59. Shepherd K.D., Walsh M.G. Development of Reflectance Spectral Libraries for Characterization of Soil Properties // Soil Science Society of America Journal. 2002. V. 66(3). P. 988—998. https://doi.org/10.2136/sssaj2002.9880
  60. Signoroni A., Savardi M., Baronio A., Benini S. Deep Learning Meets Hyperspectral Image Analysis: A Multidisciplinary Review // Journal of Imaging. 2019. V. 5(5): 52. P. 1—32. https://doi.org/10.3390/jimaging5050052
  61. Singh A., Gaurav K., Sonkar G.K., Lee C.C. Strategies to Measure Soil Moisture Using Traditional Methods, Automated Sensors, Remote Sensing, and Machine Learning Techniques: Review, Bibliometric Analysis, Applications, Research Findings, and Future Directions // IEEE Access. 2023. V. 11. P. 13605—13635. https://doi.org/10.1109/ACCESS.2023.3243635
  62. Sowmya V., Soman K.P., Hassaballah M. Hyperspectral image: Fundamentals and advances. In: Hassaballah, M., Hosny, K. Recent Advances in Computer Vision. Studies in Computational Intelligence V. 804. Cham: Springer, 2019. P. 401—424. https://doi.org/10.1007/978-3-030-03000-1_16
  63. Steinberg A., Chabrillat S., Stevens A., Segl K., Foerster S. Prediction of common surface soil properties based on VisNIR airborne and simulated EnMAP imaging spectroscopy data: Prediction accuracy and influence of spatial resolution // Remote Sensing. 2016. V. 8(7): 613. P. 1—20. https://doi.org/10.3390/rs8070613
  64. Storch T., Honold H.P., Chabrillat S. et al. The EnMAP imaging spectroscopy mission towards operations // Remote Sensing of Environment. 2023. V. 294: 113632. P. 1—20. https://doi.org/10.1016/j.rse.2023.113632
  65. Ungar S.G., Pearlman J.S., Mendenhall J.A., Reuter D. Overview of the Earth Observing One (EO-1) mission // IEEE Transactions on Geoscience and Remote Sensing. 2003. V. 41(6). P. 1149—1159. https://doi.org/10.1109/TGRS.2003.815999
  66. Vasques G.M., Demattê J.A., Rossel R.V. et al. Soil classification using visible/near-infrared diffuse reflectance spectra from multiple depths // Geoderma. 2014. V. 223. P. 73—78.
  67. Rossel R.V., Walvoort D.J., McBratney A.B., Janik L.J., Skjemstad J.O. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties // Geoderma. 2006. V. 131(1—2). P. 59—75. https://doi.org/10.1016/j.geoderma.2014.01.019
  68. Rossel R.V., Behrens T., Ben-Dor E., Brown D.J. et al. A global spectral library to characterize the world’s soil // Earth-Science Reviews. 2016. V. 155. P. 198—230. https://doi.org/10.1016/j.earscirev.2016.01.012
  69. Wang J., He T., Lv C., Chen Y., Jian W. Mapping soil organic matter based on land degradation spectral response units using Hyperion images // International Journal of Applied Earth Observation and Geoinformation. 2010. V. 12. P. 171—180. https://doi.org/10.1016/j.jag.2010.01.002
  70. Xu H. Modification of normalized difference water index (NDWI) to enhance open water features in remotely sensed imagery // Int. Journal of Remote Sensing. 2006. V. 27(14). P. 3025—3033. https://doi.org/10.1080/01431160600589179
  71. Yokoya N., Chan J. C. W., Segl K. Potential of resolutionenhanced hyperspectral data for mineral mapping using simulated EnMAP and Sentinel-2 images // Remote Sensing. 2016. V. 8(3): 172. P. 1—18. https://doi.org/10.3390/rs8030172

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».