Геоинформационная оценка эродированности пахотных почв Республики Татарстан

Разработана методика автоматизированного картографирования степени эродированности пахотных почв Республики Татарстан с учетом их типологической принадлежности на основе интеграции многолетних композитов открытой почвы Landsat за период 1985–1995 гг. и алгоритмов машинного обучения. Исследование базируется на 980 точках полевых почвенно-эрозионных обследований, стратифицированных по шести группам пахотных почв региона: черноземы, серые лесные, светло-серые лесные, темно-серые лесные, дерново-подзолистые и дерново-карбонатные. Тип или подтип почв включен как категориальный предиктор в обе реализованные модели: рельеф-ориентированную, объединяющую пятнадцать спектральных индексов с морфометрическими характеристиками рельефа, и спектральную, использующую только оптические свойства поверхности. Применение алгоритма градиентного бустинга CatBoost с последующей изотонической калибровкой отдельно для каждой почвенной группы обеспечило общую точность классификации 0.59–0.64, при этом рельеф-ориентированная модель на валидации продемонстрировала коэффициент детерминации 0.58 против 0.32 для спектральной модели. Средне- и сильносмытые почвы распознались с точностью 66–86% обеими моделями независимо от типа почв, тогда как слабосмытые почвы не смогли быть надежно идентифицированы. Информативности моделей оказалось недостаточно для корректной дифференциации несмытых и слабосмытых почв, что подтверждает известное ограничение мультиспектральных данных среднего разрешения при регистрации начальных стадий эрозии, когда изменения мощности гумусового горизонта не приводят к существенному изменению спектральных характеристик поверхности пахотного слоя. Выявлено 15% эродированных почв на склонах крутизной менее 3°. Это отражает естественную короткопрофильность некоторых почв региона или указывает на недооценку эрозионных процессов на пологих участках. Учет типологии почв через категориальные предикторы и групповую калибровку существенно повысил качество картографирования эродированности пахотных земель.

1. Буряк Ж.А., Гафуров А.М. Оценка спектрально-отражательных свойств эродированных агропочв Республики Татарстан // Региональные геосистемы. 2025. Т. 49. № 3. (В печати).

2. Егоров В.В., Иванова Е.Н., Фридланд В.М. Классификация и диагностика почв СССР. М.: Колос, 1977. 225 с.

3. Ермолаев О.П., Игонин М.Е., Бубнов А.Ю., Павлова С.В. Ландшафты Республики Татарстан. Региональный ландшафтно-экологический анализ. Казань: “Слово”, 2007. 411 с.

4. Жидкин А.П., Комиссаров М.А., Шамшурина Е.Н., Мищенко А.В. Эрозия почв на Среднерусской возвышенности (обзор) // Почвоведение. 2023. № 2. C. 259–272. https://doi.org/10.31857/S0032180X22600901

5. Иванов А.Л., Савин И.Ю., Столбовой В.С., Аветян С.А., Шишконакова Е.А., Каштанов А.Н. Карта агрогенной эродированности почв России // ДАН. Науки о Земле. 2020. T. 493. C. 99–102. https://doi.org/10.31857/s2686739720080095

6. Иванов М.А., Гафуров А.М. Анализ изменений землепользования в Среднем Поволжье по данным Landsat для оценки потенциала возврата заброшенных пахотных земель в сельскохозяйственный оборот // Современные проблемы дистанционного зондирования земли из космоса. 2025. Т. 22. № 2. С. 186–201. https://doi.org/10.21046/2070-7401-2025-22-2-186-201

7. Общесоюзная инструкция по почвенным обследованиям и составлению крупномасштабных почвенных карт землепользований / под ред. Т.А. Ищенко. М.: Колос, 1973. 73 с.

8. Рухович Д.И., Королева П.В., Калинина Н.В., Вильчевская Е.В., Сулейман Г.А., Черноусенко Г.И. Детектирование деградированных участков пашни на основе анализа больших спутниковых данных // Почвоведение. 2021. № 2. С. 151–167. https://doi.org/10.31857/S0032180X21020131

9. Bezak N., Borrelli P., Mikoš M., Jemec Auflič M., Panagos P. Towards multi-model soil erosion modelling: An evaluation of the erosion potential method (EPM) for global soil erosion assessments // CATENA. 2024. Vol. 234. Art. 107596. https://doi.org/10.1016/j.catena.2023.107596

10. Chabrillat S., Ben-Dor E., Cierniewski J., Gomez C., Schmid T., van Wesemael B. Imaging Spectroscopy for Soil Mapping and Monitoring // Surv. Geophys. 2019. Vol. 40. № 3. P. 361–399. https://doi.org/10.1007/s10712-019-09524-0

11. Chander G., Markham B.L., Helder D.L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors // Remote Sens. Environ. 2009. Vol. 113. № 5. P. 893–903. https://doi.org/10.1016/j.rse.2009.01.007

12. Doxani G., Vermote E.F., Roger J.C., et al. Atmospheric Correction Inter-comparison eXercise, ACIX-II Land: An assessment of atmospheric correction processors for Landsat 8 and Sentinel-2 over land // Remote Sens. Environ. 2023. Vol. 285. Art. 113412. https://doi.org/10.1016/j.rse.2022.113412

13. Dvorakova K., Heiden U., Pepers K., Staats G., Van Os G., Van Wesemael B. Improving soil organic carbon predictions from a Sentinel–2 soil composite by assessing surface conditions and uncertainties // Geoderma. 2023. Vol. 429. Art. 116128. https://doi.org/10.1016/j.geoderma.2022.116128

14. Gholami H., Darvishi E., Moradi N., Mohammadifar A., Song Y., Li Y., Niu B., Kaskaoutis D., Pradhan B. An interpretable (explainable) model based on machine learning and SHAP interpretation technique for mapping wind erosion hazard // Environ. Sci. Pollut. Res. Int. 2024. Vol. 31. № 56. P. 64628–64643. https://doi.org/10.1007/s11356-024-35521-x

15. Golosov V.N., Paramonova T., Kust G., Litvin L., Andreeva O. Identification of Soil Resources Problems in European Russia // Global Degradation of Soil and Water Resources. Regional Assessment and Strategies. Singapore: Springer, 2022. P. 449–473. https://doi.org/10.1007/978-981-16-7916-2_29

16. Hawker L., Uhe P., Paulo L., Sosa J., Savage J., Sampson C., Neal J. A 30 m global map of elevation with forests and buildings removed (FABDEM) // Environ. Res. Let. 2022. Vol. 17. Art. 024016. https://doi.org/10.1088/1748-9326/ac4d4f

17. Lackoóvá L., Lieskovský J., Nikseresht F., Halabuk A., Hilbert H., Halászová K., Bahreini F. Unlocking the Potential of Remote Sensing in Wind Erosion Studies: A Review and Outlook for Future Directions // Remote Sens. 2023. Vol. 15. № 13. Art. 3316. https://doi.org/10.3390/rs15133316

18. Laonamsai J., Julphunthong P., Saprathet T., Kimmany B., Ganchanasuragit T., Chomcheawchan P., Tomun N. Utilizing NDWI, MNDWI, SAVI, WRI, and AWEI for Estimating Erosion and Deposition in Ping River in Thailand // Hydrology. 2023. Vol. 10. № 3. Art. 70. https://doi.org/10.3390/hydrology10030070

19. Liu Y., Meng Q., Zhang L., Wu C. NDBSI: A normalized difference bare soil index for remote sensing to improve bare soil mapping accuracy in urban and rural areas // CATENA. 2022. Vol. 214. Art. 106265. https://doi.org/10.1016/j.catena.2022.106265

20. Manić M., Đorđević M., Đokić M., Dragović R., Kićović D., Đorđević D., Jović M., Smičiklas I., Dragović S. Remote Sensing and Nuclear Techniques for Soil Erosion Research in Forest Areas: Case Study of the Crveni Potok Catchment // Front. Environ. Sci. 2022. Vol. 10. https://doi.org/10.3389/fenvs.2022.897248

21. Metternicht G.I., Zinck J.A. Evaluating the information content of JERS-1 SAR and Landsat TM data for discrimination of soil erosion features // J. Photogram. Remote Sens. 1998. Vol. 53. № 3. P. 143–153. https://doi.org/10.1016/S0924-2716(98)00004-5

22. Milewski R., Schmid T., Chabrillat S., Jiménez M., Escribano P., Pelayo M., Ben-Dor E. Analyses of the Impact of Soil Conditions and Soil Degradation on Vegetation Vitality and Crop Productivity Based on Airborne Hyperspectral VNIR–SWIR–TIR Data in a Semi-Arid Rainfed Agricultural Area (Camarena, Central Spain) // Remote Sens. 2022. Vol. 14. № 20. Art. 5131. https://doi.org/10.3390/rs14205131

23. Moore I.D., Grayson R.B., Ladson A.R. Digital terrain modelling: A review of hydrological, geomorphological, and biological applications // Hydrol. Process. 1991. Vol. 5 (1). P. 3–30. https://doi.org/10.1002/hyp.3360050103

24. Mubonderi N., Manyevere A., Mashamaite C.V., Abd Elbasit M.A.M. Optical remote sensing for monitoring soil erosion in sub-Saharan grassland biomes: a systematic review // Environ. Monitor. Assess. 2025. Vol. 197. № 8. Art. 976. https://doi.org/10.1007/s10661-025-14426-3

25. Mzid N., Pignatti S., Huang W., Casa R. An Analysis of Bare Soil Occurrence in Arable Croplands for Remote Sensing Topsoil Applications // Remote Sens. 2021. Vol. 13 (3). Art. 474. https://doi.org/10.3390/rs13030474

26. Nguyen C.T., Chidthaisong A., Kieu Diem P., Huo L.Z. A Modified Bare Soil Index to Identify Bare Land Features during Agricultural Fallow-Period in Southeast Asia Using Landsat 8 // Land. 2021. Vol. 10 (3). Art. 231. https://doi.org/10.3390/land10030231

27. Notesco G., Weksler S., Ben-Dor E. Mineral Classification of Soils Using Hyperspectral Longwave Infrared (LWIR) Ground-Based Data // Remote Sens. 2019. Vol. 11. № 12. Art. 1429. https://doi.org/10.3390/rs11121429

28. Pichler V., Gömöryová E., Leuschner C., Homolák M., Abrudan I.V., Pichlerová M., Střelcová K., Di Filippo A., Sitko R. Parent Material Effect on Soil Organic Carbon Concentration under Primeval European Beech Forests at a Regional Scale // Forests. 2021. Vol. 12. № 4. Art. 405. https://doi.org/10.3390/f12040405

29. Polovina S., Radić B., Ristić R., Milčanović V. Application of Remote Sensing for Identifying Soil Erosion Processes on a Regional Scale: An Innovative Approach to Enhance the Erosion Potential Model // Remote Sens. 2024. Vol. 16. № 13. Art. 2390. https://doi.org/10.3390/rs16132390

30. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features // arXiv. Jun 28, 2017. https://arxiv.org/abs/1706.09516

31. Romanovskaya A.Y., Savin I.Y. Modern techniques for monitoring wind soil erosion // Dokuchaev Soil Bul. 2020. № 104. P. 110–157. https://doi.org/10.19047/0136-1694-2020-104-110-157

32. Wang J., Yang J., Li Z., Ke L., Li Q., Fan J., Wang X. Research on Soil Erosion Based on Remote Sensing Technology: A Review // Agriculture. 2024. Vol. 15. № 1. Art. 18. https://doi.org/10.3390/agriculture15010018

33. Wang J., Zhen J., Hu W., Chen S., Lizaga I., Zeraatpisheh M., Yang X. Remote sensing of soil degradation: Progress and perspective // Int. Soil Water Conserv. Res. 2023. Vol. 11. № 3. P. 429–454. https://doi.org/10.1016/j.iswcr.2023.03.002

34. Zadrozny B., Elkan C. Transforming classifier scores into accurate multiclass probability estimates // KDD. 2002. P. 694–699. https://doi.org/10.1145/775047.775151

35. Zhao J., Du D., Chen L., Liang X., Chen H., Jin Y. HANet for Bare Soil Extraction Using Optical Remote Sensing Images // Remote Sens. 2024. Vol. 16. № 16. Art. 3088. https://doi.org/10.3390/rs16163088