Основные технологические подходы при обработке космических снимков в исследовании агроландшафтов

Размещено на http://www.allbest.ru/

Российский научно-исследовательский институт проблем мелиорации, Новочеркасск, Российская Федерация

Основные технологические подходы при обработке космических снимков в исследовании агроландшафтов

С.М. Васильев, Ю.Е. Домашенко, Л.А. Митяева

Аннотация

Целью исследования являлось выделение основных этапов и методов обработки космических снимков в исследовании агроландшафта и структуризация их в обобщенную технологическую схему, а также анализ и обобщение дешифровочных признаков основных показателей орошаемого почвенного покрова на космических снимках. Исследования проводились с учетом научных и практических разработок российских и зарубежных ученых в области исследований агроландшафтов с использованием данных дистанционного зондирования и основывались на экспериментальных и теоретических методах. Выделены основные технологические блоки: организационно-управленческий, исходных данных, предтематической обработки, тематического дешифрирования и создания ГИС. Отмечено, что в настоящее время разрабатываются методики применения космической съемки для оценки динамических свойств почвенного покрова (засоления, эрозии, дегумификации и др.) как на качественном, так и на количественном уровне. С целью создания регрессионных моделей для определения содержания гумуса часто используются каналы средней инфракрасной и видимой частей спектра. В результате анализа различных данных выявлено, что по космическим снимкам можно определять влажность почв с градациями 2-4 % (с относительной погрешностью около 12 %). Преобладают работы, в которых гранулометрический состав определяется наряду с другими показателями, чаще всего с содержанием гумуса. Для засоленных участков агроландшафта характерна комплексность почвенно-растительного покрова, обусловливающая пятнистое изображение на космических снимках. Формы овражной эрозии (водороины, овраги) изображаются только на снимках самого высокого разрешения (1-2 м) в виде узких, четко очерченных контуров зазубренной формы. Современное состояние космических методов исследования агроландшафтов характеризуется развитием средств цифрового анализа, интеграцией с ГИС-технологиями, формированием информационного поля открытых источников данных.

Ключевые слова: орошаемый агроландшафт, космическая съемка, методы обработки, спектральные свойства почв, автоматизированное дешифрирование.

Annotation

The purpose of the study was to identify the main stages and space images processing methods in agrolandscape study and to structure them into a generalized technological scheme, as well as to analyze and generalize the decoding features of main indices of irrigated soil cover on space photos. The studies were carried out by taking into account the scientific and practical developments of Russian and foreign scientists in the field of agrolandscape research using remote sensing data and were based on experimental and theoretical methods. The main technological blocks are singled out: organizational and managerial, initial data, pre-thematic processing, thematic decoding and creation of GIS. It is noted that at present the methods for applying space survey to assess the dynamic properties of soil cover (salinity, erosion, dehumification, etc.) both at the qualitative and quantitative levels are being developed. To create regression models for determining the humus content, the channels of the average infrared and visible spectrum portions are often used. As a result of the analysis of various data it was revealed that it is possible to determine the soil moisture content with 2-4 % gradations (with a relative error of about 12 %) by the space images. The studies where the granulometric texture is determined along other indicators most often with the humus content prevail. The complexity of the soil-and-vegetation cover which causes a spotted image on space images is typical for the alkalized agrolandscape plots. Forms of gully erosion (deep ruts, ravines) are depicted only in the highest resolution (1-2 m) images in the form of narrow, clearly outlined contours of the jagged form. The current state of space research methods for agrolandscapes is characterized by the development of digital analysis means, integration with GIS technologies, information field formation of open data sources.

Key words: irrigated agrolandscape, space survey, processing methods, spectral properties of soils, automated decoding.

В настоящее время данные дистанционного зондирования Земли (ДЗЗ) широко применяются в различных направлениях исследований. Не является исключением и применение ДЗЗ в исследовании орошаемых агроландшафтов, что связано с появлением качественных материалов космической съемки и совершенствованием программного обеспечения ГИС, которые позволяют обрабатывать снимки, создавать базы данных и получать более качественные карты [1]. Исследованием орошаемых агроландшафтов с использованием дистанционных источников информации с конца XX в. занимаются многие ученые в различных регионах земного шара [2-4].

Цель исследования - структурировать технологическую схему с основными этапами и методами обработки космических снимков в исследовании агроландшафта, а также проанализировать и обобщить дешифровочные признаки основных показателей орошаемого почвенного покрова на космических снимках.

Материалы и методы. Исследования проводились с учетом научных и практических разработок российских и зарубежных ученых в области исследований агроландшафтов с использованием ДЗЗ и основывались на экспериментальных и теоретических методах. Методология проведения исследования базировалась на системном подходе, методах анализа и синтеза, обобщения, описания, сравнения, анализе тематических карт и космоснимков различных территорий с применением литературных данных и данных интернет-источников.

Результаты и обсуждение. На основе анализа различных литературных источников по вопросам обработки данных дистанционного зондирования была составлена развернутая технологическая схема применения космических снимков в исследовании агроландшафтов (рисунок 1) [5-10].

Организационно-управленческий блок является связующим звеном между технологической цепочкой использования материалов многозональной космической съемки в исследовании агроландшафта и другими элементами исследования. На данном этапе проводится оценка целесообразности применения космических снимков в исследовании агроландшафта, определяются цели и задачи, а также целесообразность применения ДЗЗ (повышение объективности получаемых данных, экономия времени, снижение финансовых издержек и др.).

Блок исходных данных включает в себя исходные материалы, полученные с различных спутников, данные полевых исследований и архивные материалы. Ключевым его элементом выступают многозональные космические снимки, которые используются из различных источников: с наземных станций приема космических снимков, из общедоступных интернет-архивов, от поставщиков снимков и др. [11].

Основные методы, на которых базируется выделение различных признаков агроландшафта, - это RGB-синтез спектральных каналов (R - «red» с длиной волны 0,7 мкм; G - «green» (зеленый) с длиной волны 0,5461 мкм; B - «blue» (синий) с длиной волны 0,4358 мкм) (рисунок 2) [12].

Рисунок 1 Технологическая схема применения космических снимков в исследовании агроландшафта [5, 6, 8]

Рисунок 2. Фрагмент выделения участка орошаемых полей после применения различных спектральных каналов по космическому снимку со спутника Sentinel-2 одного из агроландшафтов Семикаракорского района Ростовской области от 22.07.2017 (источник: apps.sentinel-hub.com/sentinel-playground): а - в естественных цветах 4-3-2; б - в инфракрасном диапазоне; в - ложные цвета; г - индекс растительности

При спектральном анализе проводятся математические операции над значениями яркости пикселей изображения космического снимка. В результате создаются индексы, например VI, NDVI, PVI, SAVI и др., искусственные по своей сути, но отражающие различия в свойствах объектов. С применением данных полевых исследований создаются регрессионные уравнения, отражающие взаимосвязь между свойствами почвенного покрова и его спектральной яркостью.

Помимо материалов многозональной космической съемки, необходимым элементом являются данные, состоящие из результатов наземных наблюдений (визуальные наблюдения, отбор и анализ проб природных материалов, спектрофотометрические наблюдения, измерения на местности) и архивных данных (картографических, литературных, отчетных и др.). Они необходимы для верификации и калибровки материалов многозональной космической съемки.

Одним из основных этапов обработки космических снимков является этап тематического дешифрирования. Визуальное дешифрирование применяется при повышенных требованиях к точности картографического материала и наличии четких границ объектов на снимке (река, пруд, мелиоративные каналы и др.). Оно сопровождается векторизацией объектов по растровой подложке, в качестве которой выступает космический снимок. При автоматизированном дешифрировании возможно полное (классификация без обучения) или частичное (классификация с обучением) исключение влияния человеческого фактора на получаемый результат. Такая ситуация часто возникает при дистанционном исследовании неоднородности почвы, и использование классификации без обучения снижает субъективность проведения границ. Наиболее часто применяется алгоритм классификации без обучения (неконтролируемая классификация) К-Means, а также алгоритм ISODATA. Данный алгоритм позволяет выделить контуры с неконтрастной по спектральной яркости структурой, например различные сельскохозяйственные культуры, почвы с различным содержанием гумуса, залежные участки и другие объекты. Среди классификации с обучением выделяются алгоритмы, основанные на методах параллелепипедов, способ минимального расстояния, способ максимального правдоподобия [13, 14].

Переход к автоматизированному дешифрированию стал возможен благодаря разработке соответствующего программного обеспечения. Оно подразделяется на четыре группы: программы обработки данных ДЗЗ и создание цифровых моделей рельефа (PHOTOMOD, ERDAS Imagine, ENVI, Matlab), ГИС-программы (ArcGIS, MapInfo, IL WIS, Surfer, TAPES-G, 3dMapper, Quantum GIS, «ГеоГраф ГИС», «Панорама»), статистические программы (SAS, SPLUS, Statistica).

Как отмечено в работах А. В. Кашницкого, С. Г. Мышлякова, В. Е. Гершензона и др. [15-17], в последние годы стали активно использоваться для анализа агроландшафтов (наблюдения за различными процессами и явлениями в пределах одного орошаемого хозяйства или отдельно расположенного поля и контроля этих процессов) уже созданные и развивающиеся в рамках специализированных систем мониторинга информационные продукты и услуги.

Из многочисленных экспериментальных работ [6-9, 18] известно, что изучение спектральной отражательной способности почвы позволяет разработать и ввести систему автоматизированного количественного контроля многих показателей почвенного плодородия. Остановимся кратко на рассмотрении показателей и процессов, наиболее актуальных для исследования динамики почвенного покрова орошаемого агроландшафта, которые изучают по космическим снимкам не только на качественном, но и на количественном уровне.

В ряде работ [19-22] используются различные формулы, предназначенные для количественного определения содержания гумуса по космическим снимкам. Например, для создания регрессионных моделей часто используются каналы средней инфракрасной и видимой частей спектра [19]. На рисунке 3 представлены данные о содержании гумуса в виде карт, созданных по различным методикам, для территории Аркадакского района Саратовской области (а) и научно-исследовательского стационара Днепропетровского государственного аграрного университета в г. Орджоникидзе (б).

Как отмечает В. И. Кравцова [8], хорошая нелинейная корреляция существует между гумусом и его спектральной яркостью в видимой и ближней инфракрасной частях спектра (0,4-1,2 мкм). С увеличением количества гумуса в почве уменьшаются коэффициенты спектральной яркости. Наибольшие оптические различия между почвами, богатыми гумусом, и безгумусными породами наблюдаются в дальней красной части спектра (0,68-0,70 мкм). агроландшафт орошаемый почвенный покров

Рисунок 3. Фрагмент карты, отражающей содержание гумуса, созданной по космическим снимкам, с наложенными данными агрохимического обследования (а) [19] и пространственное распределение гумуса, % (б) [23]

Для проведения исследований влажности почвенных покровов используются многочисленные космические оптические и ИК-системы низкого (AVHRR ИСЗ NOAA, MODIS EOS/Terra и др.) и среднего разрешения (ASTER и TM/ETM) [24]. В видимом и ближнем инфракрасном диапазонах с увеличением влажности почв до определенного предела наблюдается снижение спектральной яркости, но при достижении некоторого порога зависимость меняется на обратную. Количественное описание этой нелинейной связи очень сложно, так как она зависит от многих факторов, например фазового состояния влаги, гранулометрического состава почвы, состава почвообразующих пород. Для каждого генетического типа почв можно получить свои уравнения для оценки влажности при определенных названных условиях (рисунок 4) [23].

Рисунок 4. Картографическое отображение пространственной изменчивости влажности (%) по результатам дистанционных и наземных исследований [23]

Определение влажности почв по космическим снимкам показывает, что, используя такие уравнения, можно количественно оценивать влажность почв с градациями 2-4 % (с относительной погрешностью около 12 %). При этом наиболее информативна для определения вариации влажности почв средняя инфракрасная область (2,08-2,35 мкм).

Для изучения влажности почв целесообразно использовать ранневесенние снимки, сразу после схода снежного покрова. По тепловым инфракрасным снимкам в это время возможна оценка весеннего просыхания почв и их готовности к обработке. В период осенней распашки под озимые целесообразно использовать тепловую съемку с целью оценки влагозапасов для развития озимых культур [8].

Исследования, посвященные определению по космическим снимкам исключительно гранулометрического состава, проводятся редко. Преобладают работы, в которых гранулометрический состав определяется наряду с другими показателями, чаще всего с содержанием гумуса.

Уравнения для расчета содержания физического песка и физической глины по данным Landsat предложены для почв Бразилии и США [25, 26], России [5, 27, 28]. Пример представления гранулометрического состава для агроландшафта Белгородской области приведен на рисунке 5.

Рисунок 5. Сопоставление результатов применения автоматического дешифрирования по космическим снимкам Landsat с результатами наземных обследований и расчета для агроландшафта Белгородской области [5]

Изучение засоленных почв по материалам космической съемки рассматривается в работах Э. А. Мамедова, В. И. Кравцовой, Е. И. Панковой и др. [29-32]. Авторы используют многозональные снимки в диапазонах 0,5-0,6 и 0,6-0,7 мкм, а также синтезированные цветные снимки.

Отчетливо выделяются на снимках засоленные участки: солонцы и солончаки обычно имеют светлый тон, причем оптическая плотность их изображения зависит от степени засоления, для изучения которого целесообразно использовать многозональную съемку (засоление хорошо отображается на снимках в голубой зоне) [33, 34].

Засоление относится к числу наиболее динамичных параметров почвы и требует, особенно в условиях орошения, частого (через 3-5 лет) проведения повторных солевых съемок, что связано с огромными затратами труда. Довольно высокой информативностью при определении засоленных участков отличается традиционная съемка в видимом и ближнем инфракрасном диапазоне. Определение засоленных земель по космическим снимкам возможно как по прямым (выцветы солей или образование солевых корок, которые на снимках изображаются почти белым тоном), так и по косвенным признакам (разреженный растительный покров на участках с повышенным содержанием солей). Для засоленных участков агроландшафта характерна комплексность почвенно-растительного покрова, обусловливающая пятнистое изображение на космических снимках (рисунок 6) [35, 36].

На космических снимках орошаемого агроландшафта дешифрируются линейные формы эрозии. Формы овражной эрозии (водороины, овраги) изображаются только на снимках самого высокого разрешения (1-2 м) в виде узких, четко очерченных контуров зазубренной формы. На снимках с разрешением более 10 м овраги, как правило, не отображаются, но отчетливо выделяется сеть балок, имеющих вытянутую извилистую древовидную форму. Плоскостной смыв, образующийся в результате действия поливной техники, дает на снимках чередование светлых пятен смытых почв на выпуклых участках склонов и темных пятен намытых почв в понижениях [8]. На рисунке 7 представлено изображение овражно-балочной сети Волгодонского района Ростовской области по снимкам Sentinel-2. Снимок сделан в апреле, вскоре после схода снежного покрова. Черным тоном показаны распаханные сельскохозяйственные поля с черноземными почвами. Характерную особенность снимка составляет древовидный рисунок, обусловленный интенсивным развитием в этом районе эрозионных процессов (а) и формированием густой овражно-балочной сети (б, в) (рисунок 7).

Рисунок 6. Пример цифровой почвенной карты солонцового комплекса, созданной на основе автоматической обработки снимка Quickbird [36]

Рисунок 7. Эрозионное расчленение территории орошаемого агроландшафта в Волгодонском районе по Sentinel-2 (28.04.2017) (источник: apps.sentinel-hub.com/sentinel-playground)

Эффективность применения материалов космической съемки для изучения почвенного покрова агроландшафтов в значительной степени зависит от времени проведения съемки. Весенний период после схода снежного покрова и просыхания почв, период наибольшей открытости почв, - лучшее время получения снимков для непосредственного дешифрирования почв по прямым признакам. Осенний период распашки полей под озимые культуры также оптимален, так как характеризуется большими площадями открытых почв. К тому же в это время на снимках отображаются осенние влагозапасы.

Выводы

1. Современное состояние космических методов исследования агроландшафтов характеризуется развитием средств цифрового анализа, интеграцией с ГИС-технологиями, формированием информационного поля открытых источников данных. Все это позволяет проводить комплексирование информации с выработкой новых критериев и признаков, характеризующих состояние почвенного покрова.

2. Применение автоматизированных методов обработки космических снимков для классификации показателей почвенного покрова орошаемого агроландшафта по спектральным и временным признакам, реализуемых современными программными средствами, эффективно только при понимании существа происходящих изменений.

3. На сегодняшний день опыт анализа и интерпретации многозональных космических снимков, представленный в различных публикациях, показывает, что их успешно можно использовать для мониторинга различных процессов (засоления, эрозии, дегумификации и др.) на землях сельскохозяйственного использования, приводящих к изменению плодородия почв.

4. Применение космических снимков открывает новые возможности для изучения, анализа и прогнозирования почвенного покрова агроландшафтов на больших площадях и в короткое время, а также позволяет принимать действенные меры в виде проведения необходимых мероприятий по устранению негативных процессов в почвенном покрове.

Список использованных источников

1 Прокопьева, К. О. Картографирование орошаемых почв Светлоярской оросительной системы с использованием данных дистанционного зондирования Земли / К. О. Прокопьева, И. Н. Горохова // VII Молодежный экологический конгресс «Северная Пальмира»: сб. науч. тр. молодых ученых, аспирантов, студентов и преподавателей, г. Санкт-Петербург, 22-24 нояб. 2016 г. - СПб.: НИЦЭБ РАН, 2016. - С. 33-36.

2 Щедрин, В. Н. Перспективы использования возможностей дистанционного зондирования Земли для управления технологией прецизионного орошаемого земледелия / В. Н. Щедрин // Актуальные проблемы ракетно-космической техники: материалы V Всерос. науч.-техн. конф. (V Козловские чтения), г. Самара, 11-15 сент. 2017 г. / СамНЦ РАН. - Самара, 2017. - Т. 1. - С. 275-280.

3 Южаков, А. И. Система экспертной оценки сравнительной продуктивности почв с использованием ГИС-технологий / А. И. Южаков, Н. И. Добротворская // Информационные технологии, информационные измерительные системы и приборы в исследовании сельскохозяйственных процессов: материалы Междунар. науч.-практ. конф. «АГРОИНФО-2003», г. Новосибирск, 22-23 окт. 2003 г. - Новосибирск: СибФТИ РАСХН, 2003. - Ч. 2. - С. 107-110.

4 EOS Data Products Handbook. Vol. 1. TRMM. Terra. Data Assimilation System / edited by M. D. King, J. Closs, S. Spangler, R. Greenstone, S. Wharton, M. Myers. - Greenbelt, Maryland: NASA Goddard Space Flight Center, 2003. - 258 p.

5 Украинский, П. А. Оценка земель сельскохозяйственного назначения по показателям плодородия для дистанционного мониторинга (на примере Белгородской области): автореф. дис. … канд. геогр. наук: 25.00.26 / Украинский Павел Александрович. - Белгород, 2011. - 23 с.

6 Книжников, Ю. Ф. Аэрокосмические методы географических исследований: учеб. для студентов высш. учеб. заведений / Ю. Ф. Книжников, В. И. Кравцова, О. В. Тутубалина. - М.: Академия, 2004. - 336 с.

7 Лурье, И. К. Геоинформационное картографирование. Методы геоинформатики и цифровой обработки космических снимков: учебник / И. К. Лурье. - М.: КДУ, 2008. - 424 с.

8 Кравцова, В. И. Космические методы исследования почв: учеб. пособие для студентов вузов / В. И. Кравцова. - М.: Аспект Пресс, 2005. - 190 с.

9 Лабутина, И. А. Дешифрирование аэрокосмических снимков: учеб. пособие для студентов вузов / И. А. Лабутина. - М.: Аспект Пресс, 2004. - 184 с.

10 Трифонова, Т. А. Геоинформационные системы и дистанционное зондирование в экологических исследованиях: учеб. пособие для вузов / Т. А. Трифонова, Н. В. Мищенко, А. Н. Краснощеков. - М.: Академ. проект, 2005. - 352 с.

11 Дворкин, Б. А. Новейшие и перспективные спутники дистанционного зондирования Земли / Б. А. Дворкин, С. А. Дудкин // Геоматика. - 2013. - № 2. - С. 16-36.

12 Жиленев, М. Ю. Обзор применения мультиспектральных данных ДЗЗ и их комбинаций при цифровой обработке / М. Ю. Желенев // Геоматика. - 2009. - № 3. - С. 56-65.

13 Зубков, И. А. Применение алгоритмов неконтролируемой классификации при обработке данных ДЗЗ / И. А. Зубков, В. О. Скрипачев // Современные проблемы дистанционного зондирования Земли из космоса. - 2007. - Т. 4, № 1. - С. 57-62.

14 Савин, И. Ю. Автоматизированная инвентаризация почв на основе материалов дистанционных съемок: возможности и перспективы / И. Ю. Савин // Региональные проблемы экологии, географии и картографии почв: сб. - М.: Изд-во МГУ, 1998. - С. 91-101.

15 Создание инструментов для удаленной обработки спутниковых данных в современных информационных системах / А. В. Кашницкий, И. В. Балашов, Е. А. Лупян, В. А. Толпин, И. А. Уваров // Современные проблемы дистанционного зондирования Земли из космоса [Электронный ресурс]. - 2015. - Т. 12, № 1. - С. 156-170. - Режим доступа: http:jr.rse.cosmos.ru/default.aspx?id=55.

16 Мышляков, С. Г. «Геоаналитика.Агро» - инновационное решение для сельскохозяйственного мониторинга / С. Г. Мышляков, А. А. Глотов // Геоматика. - 2015. - № 2. - С. 58-62.

17 Гершензон, В. Е. Глобальные технологии и информационная реальность / В. Е. Гершензон // Информационное общество. - 2011. - № 4. - С. 60-64.

18 Орлов, Д. С. Спектральная отражательная способность почв и их компонентов / Д. С. Орлов, Н. И. Суханова, М. С. Розанова. - М.: Изд-во МГУ, 2001. - 176 с.

19 Украинский, П. А. К вопросу о возможности моделирования связи содержания гумуса и спектральной отражательной способности почвы на основе данных традиционных агрохимических обследований и многозональных космических снимков Landsat 8 OLI / П. А. Украинский, А. Г. Нарожняя, И. С. Гагина // Аграрный научный журнал. - 2015. - № 12. - С. 29-32.

20 Симакова, М. С. Использование материалов аэро- и космической съемки в картографировании почв: пути развития, состояние, задачи / М. С. Симакова, И. Ю. Савин // Почвоведение. - 1998. - № 11. - С. 1339-1347.

21 Estimating soil organic carbon from soil reflectance: a review / M. Ladoni, H. A. Bahrami, S. K. Alavipanah, A. A. Norouzi // Precision Agriculture. - 2010. - Vol. 11, № 1. - P. 82-99.

22 Mapping soil organic carbon concentration for multiple fields with image similarity analysis / F. Chen, D. E. Kissel, L. T. West, W. Adkins, D. Rickman, J. C. Luvall // Soil Science Society of America Journal. - 2008. - Vol. 72. - P. 186-193.

23 Пространственная агроэкология и рекультивация земель: монография / А. А. Демидов [и др.]. - Днепропетровск: Свидлер А. Л., 2013. - 560 с.

24 Определение проявлений переувлажнения почв при радиолокационно-радиотепловом авиационном мониторинге / В. К. Иванов, А. Я. Матвеев, В. Н. Цымбал, С. Е. Яцевич // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. - Т. 9, № 4. - С. 235-242.

25 Nanni, M. R. Spectral Reflectance Methodology in Comparison to Traditional Soil Analysis / M. R. Nanni, J. A. M. Dematte // Soil Sci. Soc. Am. J. - 2006. - Vol. 70, № 2. - P. 393-407.

26 Sullivan, D. G. IKONOS Imagery to Estimate Surface Soil Property Variability in Two Alabama Physiographies / D. G. Sullivan, J. N. Shaw, D. Rickman // Soil Sci. Soc. Am. J. - 2005. - Vol. 69, № 6. - P. 1789-1798.

27 Украинский, П. А. Изучение гранулометрического состава почв Поосколья по данным дешифрирования космических снимков / П. А. Украинский, О. А. Чепелев // Известия Самарского научного центра Российской академии наук. - 2011. - Т. 13, № 1-5. - С. 1225-1229.

28 Шатохин, А. В. Сопряженное изучение черноземов Донбасса наземными и дистанционными методами / А. В. Шатохин, М. А. Лындин // Почвоведение. - 2001. - № 9. - С. 1037-1044.

29 Мамедов, Э. А. Изучение засоленных земель и солончаков с помощью космических методов / Э. А. Мамедов // Исследование Земли из космоса. - 1985. - № 1. - С. 60-61.

30 Антонова, С. Ю. Опыт использования космических многозональных снимков для изучения засоления территорий / С. Ю. Антонова, В. И. Кравцова // Исследование природной среды космическими средствами. - М.: ВИНИТИ, 1976. - С. 131-139.

31 Опыт составления карты орошаемых территорий Средней Азии с использованием материалов космической съемки - как нового метода изучения мелиоративного состояния почв / В. Л. Андроников [и др.] // Современные методы исследования состояния почв. - М.: Изд-во МГУ, 1983. - 123 с.

32 Организация мониторинга засоления почв орошаемых территорий Центральной Азии с использованием данных дистанционного зондирования / Е. И. Панкова, Д. А. Соловьев, Д. И. Рухович, И. Ю. Савин // Земельные ресурсы и продовольственная безопасность Центральной Азии и Закавказья. - Рим, 2016. - С. 309-369.

33 Кравцова, В. И. Космические методы картографирования / В. И. Кравцова; под ред. Ю. Ф. Книжникова. - М.: Изд-во МГУ, 1995. - 240 с.

34 Myers, V. T. Remote sensing for estimating soil salinity / V. T. Myers, D. L. Carter, W. G. Rippent // J. of the Irrigation and Drainage Division. - 1966. - Vol. 92, № 4. - P. 27-31.

35 Козлечков, Г. А. Краткие методические указания по использованию аэрофотоматериалов и фотоиндикации для оценки мелиоративного состояния орошаемых земель (на примере Азовской оросительной системы) / Г. А. Козлечков, Г. И. Андреев, Л. М. Родионова. - Новочеркасск: ЮжНИИГиМ, 1973. - 47 с.

36 Панкова, Е. И. О проблеме оценки засоленности почв и методике крупномасштабного цифрового картографирования засоленных почв / Е. И. Панкова, М. В. Конюшкова, И. Н. Горохова // Экосистемы: экология и динамика. - 2017. - Т. 1, № 1. - С. 26-54.

Размещено на Allbest.ru