Оценка и пространственное распределение содержания органического углерода в почвах сельскохозяйственных угодий с использованием гиперспектральной дистанционной съемки БПЛА

Почему углерод в почве важен

Почва — это не просто грязь под ногами. Она хранит огромные запасы углерода, питает наши культуры и помогает смягчать климатические изменения, поглощая углекислый газ из воздуха. Но содержание органического углерода в почве может быстро меняться даже в пределах одного поля, а традиционные лабораторные анализы медленные и дорогие. В этом исследовании изучается более быстрый, высокотехнологичный способ «увидеть» органический углерод в почве сверху с помощью небольших дронов, оснащенных гиперспектральными камерами, предлагая фермерам и ученым мощный новый инструмент для управления землей и климатом.

Камеры в полете над полями

Исследователи работали в трех сельскохозяйственных участках бассейна реки Хуаншуй в провинции Цинхай, Китай — регионе с различными типами почв, культурами и агротехникой. Они использовали многороторный беспилотник с гиперспектральной камерой, регистрирующей свет в 150 узких полосах спектра от видимого до ближнего инфракрасного диапазона. При полете на высоте около 150 метров в ясные спокойные дни дрон собирал очень детализированные изображения, где каждый пиксель соответствовал менее чем пяти сантиметрам на земле. Эти изображения фиксируют тонкие различия в отражательной способности почвы, связанные с содержанием органического углерода.

Отбор проб, анализы и сопоставление с натурой

Чтобы проверить, что видит дрон, команда собрала 296 образцов почвы с трех полей по сетке с тщательным контролем глубины (0–20 сантиметров, где углерод меняется наиболее заметно). В лаборатории они удаляли камни и растительные остатки, тонко измельчали почву и использовали элементный анализатор для точного измерения содержания органического углерода. Также они измеряли спектры почвы в помещениях с помощью точного спектрометра и затем приводили эти спектры к диапазону длин волн и разрешению сенсора дрона. Это позволило связать точные лабораторные измерения углерода с соответствующими спектральными подписью как наземных приборов, так и воздушных изображений.

Очистка сигнала и обучение модели

Сырые спектральные данные могут быть шумными, потому что помимо углерода на отражение света влияют влажность почвы, шероховатость поверхности и размер частиц. Для решения этой проблемы исследователи протестировали семь различных математических преобразований спектров. Лучшим оказался подход, сочетающий мультипликативную коррекцию рассеяния, которая уменьшает искажения яркости, с операцией первого производного, выделяющей тонкие впадины и пики на кривых. Это сочетание дало наиболее сильную связь между спектральными признаками и содержанием углерода. Затем они сравнили пять методов моделирования — от простых линейных уравнений до продвинутых методов машинного обучения. Модель случайного леса, строящая множество деревьев решений и усредняющая их результаты, показала наилучшие результаты, объясняя примерно 90% вариации содержания органического углерода и обеспечивая высокое качество предсказаний.

Преобразование света в детальные карты почв

Используя лучшее спектральное предобработка и модель случайного леса, команда применила подход к полным воздушным изображениям, чтобы создать детализированные карты содержания органического углерода по каждому полю. Модель выделила конкретные полосы спектра как наиболее важные, особенно в видимом диапазоне (где более темная почва часто означает больше углерода) и в ближнем инфракрасном (где органическое вещество влияет на поглощение света). Полученные карты показали четкие закономерности: одно поле было преимущественно с высоким содержанием углерода, другое — со средним, а третье — в основном с более низким содержанием. Сравнение оценок, полученных с дрона в точках отбора проб, с лабораторными измерениями дало хорошее совпадение, подтверждая надежность карт.

Что это значит для сельского хозяйства и климата

Проще говоря, исследование показывает, что дрон с умной камерой и хорошо обученной моделью может быстро создавать точные, высокоточные карты органического углерода в почве, вместо того чтобы полагаться только на трудоемкий отбор проб и лабораторные работы. Фермеры и землепользователи могли бы использовать такие карты для целевого внесения удобрений и управления растительными остатками, защиты участков, подверженных потере углерода, и мониторинга изменений состояния почв с течением времени. Хотя у метода есть ограничения — чувствительность к влажности почвы, остаткам на поверхности и изменению освещения — он указывает на будущее, в котором мониторинг углеродного богатства под нашими полями станет быстрее, дешевле и значительно детальнее, что поможет как производству продовольствия, так и климатическим целям.

Цитирование: Song, Q., Zhang, W. Estimation and spatial distribution of soil organic carbon content in farmland using unmanned aerial vehicle hyperspectral remote sensing technology. Sci Rep 16, 5480 (2026). https://doi.org/10.1038/s41598-026-35096-2

Ключевые слова: органический углерод почвы, гиперспектр на БПЛА, точное земледелие, картирование почв, дистанционное зондирование