Агроекологічне моделювання вологи на парових полях із застосуванням даних дистанційного зондування
Анотація
Глобальне потепління загострило екологічну проблему дефіциту вологи в сільському господарстві, що робить динамічний моніторинг водних ресурсів необхідним для сталого рослинництва. Традиційні наземні дослідження є дорогими та трудомісткими, що підкреслює потребу в економічно ефективних рішеннях на базі даних дистанційного зондування.
Мета. Це дослідження мало на меті визначити придатність індексів дистанційного зондування – нормалізованого диференційного водного індексу (NDWI) та індексу вологості ґрунту (SMI) – для динамічного контролю накопичення вологи (MA) на парових полях у напівпосушливій кліматичній зоні.
Методи. Дослідження проводили у 2025 році в дослідному господарстві «Восток» Херсонської області. Ґрунт дослідних полів був представлений типовим темно-каштановим слабозасоленим ґрунтом. У кліматичному відношенні район проведення досліджень відноситься до зони напівпосушливого Степу. Супутникові знімки платформи OneSoil забезпечували необхідні показники з відповідною рівномірною просторовою роздільною здатністю 10 м із супутника Sentinel-2, а метеорологічний манометр вимірював МА на досліджуваних полях. Регресійний аналіз проводився для 500 пар даних (250 для «NDWI-MA» і 250 для «SMI-MA») і 103 комплексних пар даних («NDWI-SMI-MA») за звичайним алгоритмом найменших квадратів (OLS). Ефективність регресії оцінювали за допомогою коефіцієнта кореляції Пірсона (r), коефіцієнта детермінації (R²), середньої квадратичної помилки (MSE) і середньої абсолютної процентної помилки (MAPE). Крім того, кластеризація була виконана за алгоритмом K-means.
Результати. Результати демонструють, що NDWI має значно сильнішу кореляцію (0,9160 проти 0,6884) і тісніший регресійний зв’язок з MA, ніж SMI. Отже, NDWI є кращим для динамічного моніторингу в цих середовищах. Комбінована модель «NDWI-SMI-MA» забезпечила найкращу загальну продуктивність для оцінки MA з найменшим MAPE 26,02%. Кластерний аналіз успішно розрізнив три основні групи вологості, виявивши, що більшість перелогових полів належали до «сухого кластера», що вказує на серйозний дефіцит вмісту вологи в ґрунті.
Висновки. Виходячи з результатів, NDWI є кращим просторовим індексом для оцінки накопичення вологи в ґрунті. Показник SMI, демонструючи позитивний зв’язок із вологістю ґрунту, менше підходить для точного кількісного моделювання. Найкраща точність досягається за допомогою комбінованої моделі NDWI-SMI для прогнозування вологості ґрунту. Незважаючи на переконливість, необхідно підкреслити, що ці моделі слід використовувати обережно на практиці, оскільки їм все ще не вистачає надійності, побудованої на тривалості спостережень і аналізу більшої кількості даних. Подальші дослідження будуть спрямовані на розширення набору даних, включаючи більше граничних випадків у даних, збираючи дані за кілька років, щоб можна було розробити більш надійні та надійні моделі накопичення вологи в ґрунті.
Посилання
2. Ingrao C., Strippoli R., Lagioia G., Huisingh D. Water scarcity in agriculture: An overview of causes, impacts and approaches for reducing the risks. Heliyon. 2023. Vol. 9 (8). P. e18507. DOI: 10.1016/j.heliyon.2023.e18507
3. Sehler R., Li J., Reager J., Ye H. Investigating relationship between soil moisture and precipitation globally using remote sensing observations. Journal of Contemporary Water Research & Education. 2019. Vol. 168. P. 106–118. DOI: 10.1111/j.1936-704X.2019.03324.x
4. Gaona J., Quintana-Seguí P., Escorihuela M., Boone A., Llasat M. Interactions between precipitation, evapotranspiration and soil-moisture-based indices to characterize drought with high-resolution remote sensing and land-surface model data. Natural Hazards and Earth System Sciences. 2022. Vol. 22. P. 3461–3478. DOI: 10.5194/nhess-22-3461-2022
5. Chiaravalloti F., Brocca L., Procopio A., Massari C., Gabriele S. Assessment of GPM and SM2RAIN-ASCAT rainfall products over complex terrain in southern Italy. Atmospheric Research. 2018. Vol. 205. P. 151–162. DOI: 10.1016/J.ATMOSRES.2018.02.019
6. Akbar R., Gianotti D., Salvucci G., Entekhabi D. Mapped hydroclimatology of evapotranspiration and drainage runoff using SMAP brightness temperature observations and precipitation information. Water Resources Research. 2019. Vol. 55. P. 3391–3413. DOI: 10.1029/2018WR024459
7. Iamampai S., Talaluxmana Y., Kanasut J., Rangsiwanichpong P. Enhancing rainfall–runoff model accuracy with machine learning models by using soil water index to reflect runoff characteristics. Water Science and Technology. 2024. Vol. 89 (2). P. 368–381. DOI: 10.2166/wst.2023.424
8. Latif S., Hazrin N., Koo C., Ng J., Chaplot B., Huang Y., El-Shafie A., Ahmed A. Assessing rainfall prediction models: Exploring the advantages of machine learning and remote sensing approaches. Alexandria Engineering Journal. 2023. Vol. 85. P. 387–400. DOI: 10.1016/j.aej.2023.09.060
9. Peng J., Loew A., Merlin O., Verhoest N. A review of spatial downscaling of satellite remotely sensed soil moisture. Reviews of Geophysics. 2017. Vol. 55. P. 341–366. DOI: 10.1002/2016RG000543
10. Lykhovyd P. V. The use of spatial normalized difference vegetation index for determination of humus content in the soils of southern Ukraine. Ecological Engineering & Environmental Technology. 2023. Vol. 24 (4). P. 223–228. DOI: 10.12912/27197050/162698
11. Yang X., Zhao S., Qin X., Zhao N., Liang L. Mapping of urban surface water bodies from Sentinel-2 MSI imagery at 10 m resolution via NDWI-based image sharpening. Remote Sensing. 2017. Vol. 9 (6). P. 596. DOI: 10.3390/rs9060596
12. Saha A., Patil M., Goyal V. C., Rathore D. S. Assessment and impact of soil moisture index in agricultural drought estimation using remote sensing and GIS techniques. Proceedings. 2019. Vol. 7 (1). P. 2. DOI: 10.3390/ECWS-3-05802
13. Burton A. L. OLS (linear) regression. In: The Encyclopedia of Research Methods in Criminology and Criminal Justice. Wiley-Blackwell, 2021. P. 509–514. DOI: 10.1002/9781119111931.ch104
14. Tatachar A. V. Comparative assessment of regression models based on model evaluation metrics. International Research Journal of Engineering and Technology. 2021. Vol. 8 (9). P. 853–860.
15. Sinaga K. P., Yang M. S. Unsupervised K-means clustering algorithm. IEEE Access. 2020. Vol. 8. P. 80716–80727. DOI: 10.1109/ACCESS.2020.2988796
16. Moreno J. J. M., Pol A. P., Abad A. S., Blasco B. C. Using the R-MAPE index as a resistant measure of forecast accuracy. Psicothema. 2013. Vol. 25 (4). P. 500–506. DOI: 10.7334/psicothema2013.23
17. McFeeters S. K. Using the normalized difference water index (NDWI) within a geographic information system to detect swimming pools for mosquito abatement: A practical approach. Remote Sensing. 2013. Vol. 5 (7). P. 3544–3561. DOI: 10.3390/rs5073544
18. Lykhovyd P. V. Irrigation needs in Ukraine according to current aridity level. Journal of Ecological Engineering. 2021. Vol. 22 (8). P. 11–18. DOI: 10.12911/22998993/140478
19. Ainiwaer M., Ding J., Kasim N., Wang J., Wang J. Regional scale soil moisture content estimation based on multi-source remote sensing parameters. International Journal of Remote Sensing. 2020. Vol. 41. P. 3346–3367. DOI: 10.1080/01431161.2019.1701723
20. Koohikeradeh E., Gumiere S. J., Bonakdari H. NDMI-derived field-scale soil moisture prediction using ERA5 and LSTM for precision agriculture. Sustainability. 2025. Vol. 17 (6). P. 2399. DOI: 10.3390/su17062399
21. Adab H., Morbidelli R., Saltalippi C., Moradian M., Ghalhari G. A. F. Machine learning to estimate surface soil moisture from remote sensing data. Water. 2020. Vol. 12 (11). P. 3223. DOI: 10.3390/w12113223
22. Das B., Rathore P., Roy D., Chakraborty D., Jatav R. S., Sethi D., Kumar P. Comparison of bagging, boosting and stacking algorithms for surface soil moisture mapping using optical–thermal–microwave remote sensing synergies. CATENA. 2022. Vol. 217. P. 106485. DOI: 10.1016/j.catena.2022.106485
23. John J., Jaganathan R., Shylesh D. D. Mapping of soil moisture index using optical and thermal remote sensing. In: International Conference on Structural Engineering and Construction Management. Springer International Publishing, 2021. P. 759–767. DOI: 10.1007/978-3-030-80312-4_65
24. Liu Z., Xia Z., Chen F., Hu Y., Wen Y., Liu J., Liu H., Liu L. Soil moisture index model for retrieving soil moisture in semiarid regions of China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2020. Vol. 13. P. 5929–5937. DOI: 10.1109/JSTARS.2020.3025596
25. Babaeian E., Sadeghi M., Jones S., Montzka C., Vereecken H., Tuller M. Ground, proximal, and satellite remote sensing of soil moisture. Reviews of Geophysics. 2019. Vol. 57. P. 530–616. DOI: 10.1029/2018RG000618
26. Celik M., Isik M., Yuzugullu O., Fajraoui N., Erten E. Soil moisture prediction from remote sensing images coupled with climate, soil texture and topography via deep learning. Remote Sensing. 2022. Vol. 14. P. 5584. DOI: 10.3390/rs14215584
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
