МОНІТОРИНГ ДИНАМІКИ ВМІСТУ ГУМУСУ В ҐРУНТАХ АГРОЦЕНОЗІВ ЗА ДАНИМИ СУПУТНИКОВОГО СПОСТЕРЕЖЕННЯ
DOI:
https://doi.org/10.31861/biosystems2026.02.358Ключові слова:
гумус ґрунту, гумусний стан, агроекосистеми, дистанційне зондування Землі, Sentinel-2, Landsat, оголений ґрунт, виділення меж полів, Google Earth Engine, спектральні індекси, перехресна перевіркаАнотація
Гумус утворюється внаслідок мікробної трансформації рослинних решток, є основним депо органічного вуглецю в агроекосистемах, трофічним та енергетичним базисом функціонування ґрунтової біоти. Вміст гумусу – консервативний показник гумусного стану ґрунтів, багаторічна динаміка якого відображає баланс процесів біогенного надходження та мікробної мінералізації органічної речовини, а пошук способів її дистанційної оцінки є актуальним завданням моніторингу ґрунтів. Мета дослідження – прослідкувати динаміку вмісту гумусу в ґрунтах агроекосистем колишнього Глибоцького району Чернівецької області за 2002–2017 рр. і перевірити можливість визначення вмісту гумусу в ґрунтах окремих полів з використанням спектральних ознак «оголеного» ґрунту за даними знімків Landsat і Sentinel-2. Використано результати агрохімічного обстеження ґрунтового покриву 232 полів, обстежених в чотирьох турах (2002, 2007, 2012, 2017 рр.), кожне з яких представлене однією опорною точкою. Межі полів виділено в середовищі Google Earth Engine за трисезонними композитами Sentinel-2 2017 р. (рік XI туру) шляхом SLIC-сегментації та нарощування області від опорної точки з вибором межі в діапазоні ±15 % облікової площі поля; параметри підбирали на 164 калібрувальних полях і перевіряли на 68 контрольних, геометричну точність оцінено за вручну оцифрованими еталонними контурами 40 контрольних полів того самого року. Для кожної з 8 комбінацій «сенсор-тур» побудовано медіанні композити «оголеного» ґрунту за даними Landsat 5/7/8 і Sentinel-2 у вікні ±1 рік навколо базового року туру обстеження з відбором пікселів за NDVI і NBR2 (протокол GEOS3) та сезонним обмеженням; моделі Ridge (з підбором коефіцієнта регуляризації у вкладеній перехресній перевірці) і Random Forest на дев’яти спектральних ознаках (шість каналів, зокрема SWIR2, та індекси NDVI, BSI, NBR2), розрахованих у полігонах, звужених на 20 м), оцінено випадковою та просторовою 5-кратною перехресною перевіркою. Медіанний індекс Intersection over Union (IoU) фінальних полігонів становив 0,44 (95 % ДІ 0,34–0,59; IoU ≥ 0,7 – у 7 з 40 полів), вільного нарощування – 0,33, базової сегментації SNIC – 0,22, тобто полігони придатні лише як наближені контури полів.
Середній вміст гумусу в ґрунтах досліджуваної території знизився з 2,13 % у 2002 р. до 2,00 % у 2017 р. (різниця −0,131 %, 95 % ДІ −0,150…−0,112 %; тест Фрідмана p < 0,001) за вузького діапазону значень (1,4–2,9 %, стандартне відхилення 0,20–0,22 %, коефіцієнт варіації 9,5–11,0 %), характерного для фонових у районі дерново-підзолистих і сірих лісових ґрунтів; міжпольова мінливість вмісту гумусу за величиною близька до допустимої похибки його лабораторного визначення. Коефіцієнт детермінації за перехресної перевірки не перевищував 0,055 (за випадкової перевірки Ridge – від −0,067 до 0,016, Random Forest – від −0,107 до 0,055), а зниження RMSE порівняно з прогнозом середнім значенням не перевищувало 0,010 %, тобто було в кілька разів меншим за похибку лабораторного методу. За наведеними показниками прогностична здатність спектральних ознак на рівні поля не підтверджується. Збіг середніх прогнозованих і лабораторних значень вмісту гумусу за турами обстеження тривіальний: його так само відтворює наївна модель, а зміни на рівні окремих полів дані моделі не відтворюють. Результати апробації дистанційної оцінки вмісту гумусу дозволили виявити обмеження індексного підходу за використаних даних і діапазону вмісту гумусу, які зумовлені вузькою міжпольовою варіацією його вмісту, сумірною з похибкою лабораторного методу. Для моніторингу гумусного стану ґрунтів дистанційні дані в такій постановці можуть мати лише допоміжне значення, а лабораторні визначення залишаються незамінними.
Посилання
Byndych, T. Yu. (2019). The assessment of soil cover differentiation by space imagery [Otsiniuvannia dyferentsiatsii gruntovoho pokryvu za dopomohoiu kosmichnykh zobrazhen]. Taurian Scientific Herald, 109 (2), 162–170. https://doi.org/10.32851/2226-0099.2019.109-2.26 [in Ukrainian].
2. Hunchak, M. V., Pasichniak, V. I., Hryshchenko, O. M., Kolesnyk, T. M. (2025). The state of soil fertility in the forest-steppe zone of Chernivtsi region [Stan rodiuchosti gruntiv lisostepovoi zony Chernivetskoi oblasti]. Bulletin of the National University of Water and Environmental Engineering, 2 (110), 80–93. https://doi.org/10.31713/vs220256 [in Ukrainian].
3. Dehtiarov, V. V., Shcherbakov, O. Yu. (2023). Humus content in chernozems typical of the Left-Bank Forest-Steppe of Ukraine in connection with global climate change [Umist humusu v chornozemakh typovykh Livoberezhnoho Lisostepu Ukrainy u zviazku z hlobalnymy zminamy klimatu]. Agrochemistry and Soil Science, 95, 60–68. https://doi.org/10.31073/acss95-06 [in Ukrainian].
4. Shatokhin, A. V., Achasov, A. B., Lyndin, M. O. (1999). Technology of aerospace monitoring of soil humus status [Tekhnolohiia aerokosmichnoho kontroliu za humusnym stanom gruntiv]. In Developments for production: Collection of scientific papers [Rozrobky – vyrobnytstvu: zbirnyk naukovykh prats] (pp. 107–108). Kyiv: Ahrarna nauka. [in Ukrainian].
5. Shatokhin, A. V., Chichotkina, O. A., Nikolenko, I. B. (1996). Spectral characteristics of soils of the Forest-Steppe and Steppe of Ukraine and their numerical taxonomy [Spektralni kharakterystyky gruntiv Lisostepu i Stepu Ukrainy ta yikh chyslova taksonomiia]. Agrochemistry and Soil Science, 58, 45–52. [in Ukrainian].
6. Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S. (2012). SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34 (11), 2274–2282. https://doi.org/10.1109/TPAMI.2012.120
7. Achanta, R., Süsstrunk, S. (2017). Superpixels and polygons using simple non-iterative clustering. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4895–4904). https://doi.org/10.1109/CVPR.2017.520
8. Angelopoulou, T., Tziolas, N., Balafoutis, A., Zalidis, G., Bochtis, D. (2019). Remote sensing techniques for soil organic carbon estimation: A review. Remote Sensing, 11 (6), 676. https://doi.org/10.3390/rs11060676
9. Castaldi, F., Hueni, A., Chabrillat, S., Ward, K., Buttafuoco, G., Bomans, B., Vreys, K., Brell, M., van Wesemael, B. (2019). Evaluating the capability of the Sentinel 2 data for soil organic carbon prediction in croplands. ISPRS Journal of Photogrammetry and Remote Sensing, 147, 267–282. https://doi.org/10.1016/j.isprsjprs.2018.11.026
10. Demattê, J. A. M., Fongaro, C. T., Rizzo, R., Safanelli, J. L. (2018). Geospatial Soil Sensing System (GEOS3): A powerful data mining procedure to retrieve soil spectral reflectance from satellite images. Remote Sensing of Environment, 212, 161–175. https://doi.org/10.1016/j.rse.2018.04.047
11. Diek, S., Fornallaz, F., Schaepman, M. E., de Jong, R. (2017). Barest pixel composite for agricultural areas using Landsat time series. Remote Sensing, 9 (12), 1245. https://doi.org/10.3390/rs9121245
12. Gayibov, A. (2025). Agricultural field boundary detection through integration of Simple Non-Iterative Clustering (SNIC) super pixels and Canny edge detection method [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2502.04529
13. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031
14. Lehmann, J., Bossio, D. A., Kögel-Knabner, I., Rillig, M. C. (2020). The concept and future prospects of soil health. Nature Reviews Earth & Environment, 1 (10), 544–553. https://doi.org/10.1038/s43017-020-0080-8
15. Lehmann, J., Kleber, M. (2015). The contentious nature of soil organic matter. Nature, 528 (7580), 60–68. https://doi.org/10.1038/nature16069
16. Liang, C., Schimel, J. P., Jastrow, J. D. (2017). The importance of anabolism in microbial control over soil carbon storage. Nature Microbiology, 2 (8), 17105. https://doi.org/10.1038/nmicrobiol.2017.105
17. Pasquarella, V. J., Brown, C. F., Czerwinski, W., Rucklidge, W. J. (2023). Comprehensive quality assessment of optical satellite imagery using weakly supervised video learning. In 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (pp. 2125–2135). https://doi.org/10.1109/CVPRW59228.2023.00206
18. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830. https://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf
19. Persello, C., Tolpekin, V. A., Bergado, J. R., de By, R. A. (2019). Delineation of agricultural fields in smallholder farms from satellite images using fully convolutional networks and combinatorial grouping. Remote Sensing of Environment, 231, 111253. https://doi.org/10.1016/j.rse.2019.111253
20. Ploton, P., Mortier, F., Réjou-Méchain, M., Barbier, N., Picard, N., Rossi, V., Dormann, C., Cornu, G., Viennois, G., Bayol, N., Lyapustin, A., Gourlet-Fleury, S., Pélissier, R. (2020). Spatial validation reveals poor predictive performance of large-scale ecological mapping models. Nature Communications, 11 (1), 4540. https://doi.org/10.1038/s41467-020-18321-y
21. Poggio, L., de Sousa, L. M., Batjes, N. H., Heuvelink, G. B. M., Kempen, B., Ribeiro, E., Rossiter, D. (2021). SoilGrids 2.0: Producing soil information for the globe with quantified spatial uncertainty. SOIL, 7 (1), 217–240. https://doi.org/10.5194/soil-7-217-2021
22. Pribyl, D. W. (2010). A critical review of the conventional SOC to SOM conversion factor. Geoderma, 156 (3–4), 75–83. https://doi.org/10.1016/j.geoderma.2010.02.003
23. Rikimaru, A., Roy, P. S., Miyatake, S. (2002). Tropical forest cover density mapping. Tropical Ecology, 43 (1), 39–47.
24. Roberts, D. R., Bahn, V., Ciuti, S., Boyce, M. S., Elith, J., Guillera-Arroita, G., Hauenstein, S., Lahoz-Monfort, J. J., Schröder, B., Thuiller, W., Warton, D. I., Wintle, B. A., Hartig, F., Dormann, C. F. (2017). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40 (8), 913–929. https://doi.org/10.1111/ecog.02881
25. Runfola, D., Anderson, A., Baier, H., Crittenden, M., Dowker, E., Fuhrig, S., Goodman, S., Grimsley, G., Layko, R., Melville, G., Mulder, M., Oberman, R., Panganiban, J., Peck, A., Seitz, L., Shea, S., Slevin, H., Youngerman, R., Hobbs, L. (2020). geoBoundaries: A global database of political administrative boundaries. PLOS ONE, 15 (4), e0231866. https://doi.org/10.1371/journal.pone.0231866
26. Safanelli, J. L., Chabrillat, S., Ben-Dor, E., Demattê, J. A. M. (2020). Multispectral models from bare soil composites for mapping topsoil properties over Europe. Remote Sensing, 12 (9), 1369. https://doi.org/10.3390/rs12091369
27. Stenberg, B., Viscarra Rossel, R. A., Mouazen, A. M., Wetterlind, J. (2010). Visible and near infrared spectroscopy in soil science. Advances in Agronomy, 107, 163–215. https://doi.org/10.1016/S0065-2113(10)07005-7
28. Vaudour, E., Gomez, C., Fouad, Y., Lagacherie, P. (2019). Sentinel-2 image capacities to predict common topsoil properties of temperate and Mediterranean agroecosystems. Remote Sensing of Environment, 223, 21–33. https://doi.org/10.1016/j.rse.2019.01.006
29. Waldner, F., Diakogiannis, F. I. (2020). Deep learning on edge: Extracting field boundaries from satellite images with a convolutional neural network. Remote Sensing of Environment, 245, 111741. https://doi.org/10.1016/j.rse.2020.111741
30. Wiesmeier, M., Urbanski, L., Hobley, E., Lang, B., von Lützow, M., Marin-Spiotta, E., van Wesemael, B., Rabot, E., Ließ, M., Garcia-Franco, N., Wollschläger, U., Vogel, H.-J., Kögel-Knabner, I. (2019). Soil organic carbon storage as a key function of soils – A review of drivers and indicators at various scales. Geoderma, 333, 149–162. https://doi.org/10.1016/j.geoderma.2018.07.026
31. Yakovenko, V., Gorban, V., Kotovych, O., Didur, O., Poleva, J. (2025). Humus forms, earthworm bioturbation and soil organic carbon storage in Chernozems of the low-intensity land use of steppe zone of Ukraine. Geoderma Regional, 42, e00988. https://doi.org/10.1016/j.geodrs.2025.e00988
