«Космический мониторинг и ГИС для количественной оценки засоленности почв и деградации сельскохозяйственных угодий Юга Казахстана» (BR 10965172)
Цель: «Создание веб-геоинформационного сервиса оперативного мониторинга количественной оценки степени засоления почв и деградации сельскохозяйственных угодий Юга Казахстана на основе данных дистанционного зондирования Земли».
По техническому заданию Заказчика в данной программе объектом и предметом исследования являются засоленные сельскохозяйственные угодий Южного Казахстана, у которых пахотный слой почвы на уровне (0-30 см). Масштаб требуемых карт засоления М 1:300000. Связь масштаба карты с информационной насыщенностью определяется минимальным объектом, который подлежит картированию (нормативная документация: ГОСТ Р 51608).
Методы исследования: Экспертное дешифрирование, стандартные статистические методы корреляционного анализа дистанционно-регистрируемых параметров (NDVI, LST и др.) и наземной информации. Методы кластеризации и классификации спутниковых данных.
Область применения и внедрение результатов: Засоление поливной пашни и деградация сельскохозяйственных земель Юга Казахстана.
Текущие результаты:
Методическая схема исследования
- Методическая схема исследования включает следующие основные элементы (рисунок):
- Модель A. Оценка засоленности на основе спектральных индексов. В результате работы данной модели, основанной на экспертном оценивании, формируется карта с пятью уровнями засоленности, которые затем преобразуются в бинарные значения (есть засоленность и нет засоленности).
- Модель B. Модель классификации, где входными данными являются радарные снимки, а целевыми значениями бинарные оценки засоленности, сформированные моделью A.
Результаты модели A
В процессе построения дерева применены индексы, выполненные по двум спутниковым сценам года наблюдения. Весенний снимок (после схода снега и просыхания почвы, до появления устойчивого растительного покрова) используется для расчета индексов засоления и водной поверхности. Летний снимок (конец июня-начало июля, т.е. с максимальной биомассой на орошаемых с\х полях) используется для расчета NDVI и водного индекса. Последовательность распознавания основных классов: а) первый узел (весенний водный индекс) отделяет естественные водоемы и разливы; б) второй узел (летний NDVI) отделяет здоровый, плотный растительный покров; в) третий узел (летний водный индекс) отделяет рисовые чеки, которые в это время затоплены и не имеют засоления; г) остальные узлы классифицируют поверхность, не отнесенную ни к одному из ранее выделенных классов, на пять классов засоления и не засоленные обнаженные почвы. Результатом работы модели является растровый или векторный слой распределения основных классов, представленный на рисунке
Модель B и полученные результаты
Блок-схема обучения и применения модели B.
Случайно размеченные 102 точки на выбранной территории
Полученный результат свидетельствуют о том, что модель В на основе алгоритма GPC показывает хорошие результаты: recall 0,92 по классу 0 (отсутствует засоление) и recall 0,86 по классу 1 (имеется засоление).
Рассмотренный процесс классификации засоления может повысить эффективность решения задач по автоматизации оцифровки засоления больших площадей. Результаты модели А могут быть заменены полевыми данными или иными объективными оценками засоления, которые позволят настраивать модель B с использованием актуальных данных и более точно оценивать засоление почвы в различные периоды времени. В силу большой территории, в том числе, возделываемых земель, способ определения засоленности почвы с помощь модели В является весьма актуальным, поскольку значительно снижает объем трудоемких наземных исследований и обеспечивает высокую скорость анализа.
Вместе с тем описанный способ оценки засоленности почвы требует дальнейших исследований в силу высокой вариативности параметров, влияющих на засоление почвы (рельеф местности, погодные условия, способы ирригации, уровень грунтовых вод и т.п.). Наконец -то, а то все время создавалось впечатление необходимости их совместного использования
Маршруты сбора образцов почвы
Публикации
1 Terekhov A., Abayev N. About disappearance of a large Lake Ebi-Nur, Xinjiang, CHINA // E3S Web of Conference. — China 2021, -Vol.333. -P.1-5. https://doi.org/10.1051/
2 Терехов А.Г., Абаев Н.Н., Лагутин Е.И. О режимах снежности Центральной Азии в период 2001-2021 гг. // Sustainable Development of Mountain Territories. -2021. -№.4. -P.497-504. https://doi.org/10.21177/1998-
3 Абаев Н.Н. О связи между водностью трансграничной реки Или и режимами работы водохранилищ в верхней части бассейна // Современные проблемы дистанционного зондирования Земли из космоса. -2022. —Vol.19. -Р. 217-225. https://doi.org/10.21046/2070-
4 Терехов А.Г., Сагатдинова Г.Н., Мурзабаев Б.А. Принципы региональной оценки многолетней засоленности пашни в Казахстанском секторе долины реки Сырдарья по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. -2022. —Vol.19, -№2. -Р.169-179. https://doi.org/10.21046/2070-
5 Абаев Н.Н., Сагатдинова Г.Н., Маглинец Ю.А., Терехов А.Г. Спутниковые оценки процессов заиливания Шардаринского водохранилища в период 1999-2021 (река Сырдарья, Казахстан) // Современные проблемы дистанционного зондирования Земли из космоса. -2022. —Vol.19. -Р.1-18. (под рецензией) (SCOPUS, Q3, процентиль 45).
6 T. Merembayev, Ye. Amirgaliyev, M. Kunelbayev, D. Yedilkhan Thermal Loss Analysis of a Flat Plate Solar Collector Using Numerical Simulation // Computers,Materials & Continua, -2022. -Vol.73. -P.4627-4640. DOI: 10.32604/cmc.2022.027180. (SCOPUS, процентиль 79)
7 Терехов А.Г., Абаев Н.Н. О взаимосвязи между количеством снега и объемом весеннего половодья в Казахстане // Современные проблемы дистанционного зондирования Земли из космоса. -2022. —Vol.19. -Р.148-149. (SCOPUS, Q3, процентиль 45).
8 Терехов А.Г., Абаев Н.Н., Амиргалиев Е.Н. Спутниковое обследование емкости Шардаринского водохранилища (Казахстан) на реке Сырдарья по данным Landsat-8 и Sentinel-2A за 2020-2021 гг. // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса» — Москва, ИКИ РАН, 2021. — Р.114. https://doi.org/10.21046/19DZZ
9 Терехов А.Г., Амиргалиев Е.Н., Абаев Н.Н., Маглинец Ю.А. Сравнительный анализ водообеспечен ности оазисов бассейна р. Амударья в период 2003-2021 гг. по данным LST FEWS NET // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». -Москва, ИКИ РАН, 2021. – С.115. https://doi.org/10.21046/19DZ
10 Терехов А.Г., Абаев Н.Н., Амиргалиев Е.Н. Спутниковый мониторинг гидрометаллургической активности на дне высохшего озера Манас, расположенного на крупном нефтегазовом месторождении Карамай (СУАР КНР) // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». -Москва, ИКИ РАН, 2021. -С.330. https://doi.org/10.21046/19DZ
11 Mukhamediev R., Kuchin Yan, Amirgaliyev Y., Yunicheva N., Muhamedijeva E. Estimation of Filtration Properties of Host Rocks in Sandstone-Type Uranium Deposits Using Machine Learning Methods // IEEE Access, Открытый доступ. —2022. —Т.10. -С.8855-8872. Q1 WoS. Процентиль по Скопусу 90.
12 Amirgaliyev Y., Kunelbayev M., Sundetov T. Calculation of the Energy of a Two-Circuit Solar System with Thermosiphon Circulation Based on the Internet of Things. Book Chapter. Green Energy and Technology. —2022. —Р. 321-333. Процентиль по Скопусу 35.
13 Meshcheryakov R., Iskhakov A., Mamchenko M., Romanova M., Uvaysov S., Amirgaliyev Y., Gromaszek K. A Probabilistic Approach to Estimating Allowed SNR Values for Automotive LiDARs in “Smart Cities” under Various External Influences // Sensors. -2022. -Vol.22. -Р.609-615. (Q1 WoS. Scopus percentile 91).
14 Amirgaliyev Y., Kunelbayev M., Ormanov T., Sundetov T., Daulbayev S. Comparative analysis of a flat solar collector and flat solar collector with chemical coating // Thermal science, -2022. -№26(1). -Р. 147-156. Процентиль по Скопусу 39
15 Mukhamediev R., Symagulov A., Kuchin Y., Zaitseva E, Bekbotayeva A., Yakunin K., Assanov I., Levashenko V., Popova Y., Akzhalova A, Bastaubayeva Sh. and Tabynbaeva L.. Review of Some Applications of Unmanned Aerial Vehicles Technology in the Resource-Rich Country //Applied Sciences. — 2021. — T. 11. — No. 21. – P. 10171. ( (SCOPUS, Q2, процентиль 71, Web of Science Impact Factor=2.679)
16 Mukhamediev, R. I., Popova, Y., Kuchin, Y., Zaitseva, E., Kalimoldayev, A., Levashenko V., Symagulov, A., Abdoldina F., Gopejenko V., Yakunin K., Muhamedijeva E., Yelis, M. Review of Artificial Intelligence and Machine Learning Technologies: Classification, Restrictions, Opportunities and Challenges // Mathematics. — 2022. — T. 10. — No. 15. – P. 2552. https://doi.org/10.3390/
17 Kuchin Y., Rabcan J., Symagulov A., Mukhamediev R., Abdygalym B., Yunicheva N. and Mukhamedieva E. Calculation filtration coefficient using regression models//The 20th International scientific conference information technologies and management -University of Applied Science, Riga, Latvia, 2022. – C.27-28.
18 Symagulov A, Kuchin Y., Rabcan J., Kulakova Ye., Assanov I., Mukhamediev R. Pretrained Deep Neural Network Models for Image Change Detection//The 20th International scientific conference information technologies and management ISMA 2022. -University of Applied Science, Riga, Latvia, 2022. – C.20-21.
19 Symagulov A., Assanov I., Kuchin Y., Rabcan J., Kulakova Ye., Abdygalym B. Video pre-processing for computer vision tasks using UAVs // The 20th International scientific conference information technologies and management ISMA 2022. -University of Applied Science, Riga, Latvia, 2022. – C.25-26.
20 T. Merembayev, Ye, Amirgaliyev, S. Saurov, W. Wójcik Soil Salinity Classification Using Machine Learning Algorithms and Radar Data in the Case from the South of Kazakhstan // J. Ecol. Eng. -2022. -№23(10). -P.61–67. DOI:https://doi.org/10.12911/