РАЗРАБОТКА СИСТЕМЫ НА ОСНОВЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ ТИПА ПОЧВЫ ПО ИЗОБРАЖЕНИЮ Текст научной статьи по специальности «Компьютерные и информационные науки»
Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Антонова Е.В.
Описывается применение искусственных нейронных сетей для решения задачи распознавания типа почвы по изображению, выделены основные морфологические характеристики почв, описан алгоритм, в соответствии с которым осуществляется процесс распознавания, приведены результаты экспериментальных исследований.
i Надоели баннеры? Вы всегда можете отключить рекламу.
Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Антонова Е.В.
Применение методов выравнивания освещенности с целью повышения точности результатов распознавания типа почвы по изображению
Вычислительный интеллект в задаче распознавания образов
Гибридный алгоритм обучения конволюционной нейронной сети
Исследование эффективности нейросетевых моделей при решении задачи распознавания лиц по их изображению
Улучшение качества распознавания в сетях глубокого обучения с помощью метода имитации отжига
i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.
DEVELOPMENT OF THE SYSTEM BASED ON ARTIFICIAL NEURAL NETWORK FOR SOIL TYPE RECOGNITION ON IMAGE
The paper describes the implementation of artificial neural network for soil type recognition on image, highlights main morphological characteristics of soils, describes the algorithm in accordance with which the recognition process is carried out, presents the results of experimental research.
Текст научной работы на тему «РАЗРАБОТКА СИСТЕМЫ НА ОСНОВЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ ТИПА ПОЧВЫ ПО ИЗОБРАЖЕНИЮ»
«ПРОГРАММНЫЕ СРЕДСТВА И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ»
РАЗРАБОТКА СИСТЕМЫ НА ОСНОВЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ ТИПА ПОЧВЫ ПО ИЗОБРАЖЕНИЮ
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Описывается применение искусственных нейронных сетей для решения задачи распознавания типа почвы по изображению, выделены основные морфологические характеристики почв, описан алгоритм, в соответствии с которым осуществляется процесс распознавания, приведены результаты экспериментальных исследований.
Ключевые слова: искусственные нейронные сети, морфологический анализ почв, распознавание изображений.
DEVELOPMENT OF THE SYSTEM BASED ON ARTIFICIAL NEURAL NETWORK FOR SOIL TYPE RECOGNITION ON IMAGE
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: antonovagenia@mail.ru
The paper describes the implementation of artificial neural network for soil type recognition on image, highlights main morphological characteristics of soils, describes the algorithm in accordance with which the recognition process is carried out, presents the results of experimental research.
Keywords: artificial neural networks, morphological analysis of soils, image recognition.
Одной из наиболее важных предварительных стадий при проектировании горного предприятия, его строительстве и эксплуатации являются инженерно-геологические изыскания. Проводимые исследования включают инженерно-экологические изыскания. Согласно СП-102-97, инженерно-экологические изыскания выполняются для оценки современного состояния и прогноза возможных изменений окружающей природной среды под влиянием антропогенного воздействия с целью предотвращения, минимизации или ликвидации нежелательных экологических последствий [1].
Обязательным элементом инженерно-экологических изысканий, в соответствии с ГОСТ 17.4.2.03-86, являются почвенные исследования, одно из ключевых мест в которых занимает сбор сведений их типах и подтипах почв.
В основе диагностики и классификации почв лежит морфология почв, изучающая внешние признаки почв как отражение их внутренних генетических свойств, современных и прежних процессов и условий формирования [2].
Изучение характерных морфологических признаков различных почв является одним из важных методов познания почв [3]. К морфологическим признакам относятся окраска почвы,
Секция «Программные средства и информационные технологии»
гранулометрический состав, ее структура, сложение, новообразования, включения, распространение корневых систем растений, характер перехода одних горизонтов в другие. Определение окраски наиболее доступно исследователю при описании почвенного профиля, именно поэтому окраска является универсальной характеристикой почвы, используемой для проведения ее первоначальной классификации по основным типам [4].
Выделяется шесть основных наиболее часто встречающихся типов почв: черноземы, бурые почвы, желтоземы, каштановые почвы, подзолистые почвы, серые лесные почвы. Каждому основному типу почвы присуща своя характерная окраска, которая позволяет однозначно отнести почву к тому или иному типу.
Задача отнесения почвы к одному из типов представляет собой задачу классификации. В качестве объектов, классификацию которых необходимо проводить, в данном случае выступают изображения с почвами различных типов, поэтому одним из наиболее подходящих способов решения задачи является подход на основе искусственных нейронных сетей.
Разработанный программный продукт предназначен для распознавания типа почвы по изображению, а также для создания и обучения нейронных сетей, используемых для решения данной задачи.
Для реализации была выбрана многослойная нейронная сеть, в качестве активационной функции нейрона использовалась сигмоидальная функция, а в качестве метода обучения нейронной сети — метод обратного распространения ошибки. Для обучения нейронной сети была сформирована обучающая выборка из 120 обучающих пар, созданных на основе изображений с различными типами почв. Также была сформирована тестовая выборка из 30 тестовых пар. Для каждого из шести типов почвы было использовано двадцать эталонных изображений.
Процесс распознавания, реализованный в программе, состоит из нескольких шагов:
1. Загрузка в программу входного изображения.
2. Приведение изображения к размеру 64×64 пикселов.
3. Перевод изображения в вектор 32-х разрядных значений цвета пикселов и нормализация данного вектора.
4. Подача вектора на вход нейронной сети.
5. Получение значения выхода нейронной сети и определение типа почвы на изображении.
В результате работы программы отображается выходной вектор сети и выделяется тип почвы, к которому было отнесено данное изображение (см. рисунок).
Результат распознавания нейронной сетью типа почвы по изображению
Актуальные проблемы авиации и космонавтики — 2018. Том 2
Для исследования точности получаемых в процессе распознавания результатов было создано три нейронных сети с различным количеством скрытых слоев и нейронов на них:
— первая сеть — один скрытый слой со ста пятьюдесятью нейронами;
— вторая сеть — два скрытых слоя с двумястами и ста нейронами;
— третья сеть — три слоя со ста, семьюдесятью и ста пятьюдесятью нейронами.
Тестирование показало, что процент верного распознавания первой нейронной сети составил 53,3 %, второй сети — 43,3 %, третьей сети — 56,6 %. В среднем каждая сеть распознала верно половину тестовых изображений. Можно сделать вывод, что для решения подобных задач важно подобрать оптимальную структуру сети, которая бы позволила достичь максимальной точности.
Данная система может быть усовершенствована путем учета дополнительных морфологических характеристик почв, которые позволят повысить точность распознавания, и добавления функции предварительной обработки изображений с целью улучшения их качества. Также может быть использована иная, в большей степени подходящая для работы с изображениями, структура нейронной сети.
1. Фисенко Л. Г., Кагермазова С. В., Пустовойтова Т. К. Методическое пособие по изучению инженерно-геологических условий угольных месторождений, подлежащих разработке открытым способом. Л. : Недра, 1986. 133 с.
2. Бондарик Г. К. Методика инженерно-геологических исследований : учебник для вузов. М. : Недра, 1986. 333 с.
3. Розанов Б. Г., Морфология почв. М. : Изд-во Моск. ун-та, 1983. 320 с.
4. Баклашов И. В. Геомеханика : учебник для вузов. В 2 т. Т. 1. Основы геомеханики. М. : Изд-во Моск. гос. горного ун-та, 2004. 208 с.
Почвы
Российская Федерация характеризуется большим разнообразием биоклиматических условий, которым обусловлено многообразие почв на её территории. Помимо различий в специфике климата и современных экосистем, разнообразие почв России определяется сложностью геологического строения и истории верхнего чехла отложений на земной поверхности. Как правило, каждому типу естественных биогеоценозов соответствует определённый тип или группа типов почв. В совокупности с климатическими параметрами почвы обусловливают характер использования земель в сельском хозяйстве. Географическое распространение почв регулируется законами географии почв, прежде всего широтной зональности и вертикальной поясности. Ниже приводится характеристика почв основных природных зон России.
Галерея индексов
Индексы изображений — это изображения, вычисленные из многоканальных изображений. Изображения помогают выявить определенный существующий феномен, при этом смягчая другие факторы, которые ухудшают эти эффекты в изображении. Например, индекс растительности покажет здоровую растительность ярким цветом в индексном изображении, при этом больная растительность имеет значения ниже, и пустынные территории выглядят темными. Поскольку тени от форм рельефа местности (холмов и долин) влияют на интенсивность изображений, индексы создаются таким образом, чтобы сильнее выделялся цвет объекта, а не интенсивность или яркость объекта. Значение индекса растительности для здоровых сосновых деревьев, затененных в долине, будет почти совпадать с индексом для сосновых деревьев, находящихся на прямом солнечном свету. Эти индексы часто создаются путем комбинирования, добавления и удаления каналов, поэтому представляют собой различные пропорции каналов. Они привязаны к определенным каналам, которые находятся в определенных частях электромагнитного спектра. Как результат, они могут быть корректными для некоторых сенсоров или классов сенсоров, поэтому очень важно, чтобы в этих вычислениях использовались нужные каналы.
Одним из основных способов использования этих индексов является сравнение одного и того же объекта на множестве изображений за период времени. Например, существует несколько снимков сельскохозяйственного поля, которые выполнялись каждую неделю с момента засеивания поля и в течение всего вегетационного сезона. Индекс растительности будет вычислен для каждого изображения. Когда вы анализируете эти еженедельные индексы растительности, вы ожидаете увидеть повышение яркости в течении вегетационного сезона. Затем, когда осенью начинается старение растительности, вы ожидаете уменьшение индекса, пока урожай не будет собран, или листья не опадут в конце сезона. Усредненный эффект индексов делает это сравнение резонным. Сравнивая различные поля в области, вы можете определить процветающие поля или поля, которые подвергаются стрессу. Этот тип анализа также может быть использован для определения полей, которые пострадали от урагана.
Выберите индекс в соответствии с явлением, который хотите проанализировать. Убедитесь, что входное изображение получено с сенсора, который имеет необходимые каналы (длины волн и диапазон) для поддержки выбранного индекса. Индексы считывают метаданные из изображения, чтобы проверить имена каналов. Когда они найдут совпадение, автоматически будет применен индекс. ArcGIS Pro обычно использует названия каналов из Landsat 8, но имена каналов других сенсоров могут отличаться. В таком случае вы можете заменить в функции индекса необходимый канал на канал используемого вами сенсора. Например, растровый продукт Landsat 5 TM содержит средне инфракрасный канал (7) под именем MIR, который сопоставим с аналогичным коротковолновым инфракрасным каналом Landsat 8 (7) с именем SWIR2. В этом случае индекс, который вы хотите применить, не сможет найти в метаданных изображения необходимую информацию об имени канала, и откроется диалоговое окно, в котором вам предложат ввести правильный номер канала для индекса.
Примечание:
При выборе индекса, применяемого к вашему снимку, убедитесь, что исходное изображение содержит необходимые для этого индекса каналы. Например, Стандартизованный индекс различий снежного покрова (NDSI) требует наличия коротковолнового инфракрасного канала (SWIR) и не будет работать должным образом при его отсутствии.
Индексы растительности и почвы
MSAVI
Метод Модифицированный индекс растительности с коррекцией по почве (Modified Soil Adjusted Vegetation Index, MSAVI2) минимизирует влияние обнаженной почвы на индекс SAVI.
MSAVI2 = (1/2)*(2(NIR+1)-sqrt((2*NIR+1)2-8(NIR-Red)))- NIR = значения пикселов из ближнего инфракрасного канала
- Red = значения пикселов из красного канала
Литература: Qi, J. et al., 1994, «A modified soil vegetation adjusted index,» Remote Sensing of Environment, Vol. 48, No. 2, 119–126.
NDVI
Метод Стандартизованный индекс различия растительного покрова (Normalized Difference Vegetation Index (NDVI)) – стандартизированный индекс, позволяющий генерировать изображение, отображающее зелень (относительную биомассу). Этот индекс использует контраст характеристик двух каналов из набора мультиспектральных растровых данных: поглощения пигментом хлорофилла в красном канале и высокой отражательной способности растительного сырья в инфракрасном канале (NIR).
Документированное уравнение NDVI, используемое по умолчанию:
NDVI = ((NIR - Red)/(NIR + Red))- NIR = значения пикселов из ближнего инфракрасного канала
- Red = значения пикселов из красного канала
Этот индекс выводит значения между -1,0 и 1,0.
PVI
Метод Перпендикулярный индекс растительности (Perpendicular Vegetation Index (PVI)) подобен разностному индексу растительности; однако он чувствителен к атмосферным отклонениям. При использовании этого метода для сравнения изображений его следует применять только к изображениям, скорректированным по атмосфере.
PVI = (NIR - a*Red - b) / (sqrt(1 + a2))- NIR = значения пикселов из ближнего инфракрасного канала
- Red = значения пикселов из красного канала
- a = уклон линии почвы
- b = градиент линии почвы
Этот индекс выводит значения между -1,0 и 1,0.
SAVI
Метод Индекс растительности с коррекцией по почве (Soil-Adjusted Vegetation Index (SAVI)) – это индекс растительности, который пытается минимизировать влияние яркости почвы с помощью коэффициента коррекции яркости почвы. Он часто используется в пустынных областях, где растительное покрытие незначительно, а результатами будут значения от -1.0 и 1.0.
SAVI = ((NIR - Red) / (NIR + Red + L)) x (1 + L)- NIR = значения пикселов из ближнего инфракрасного канала
- Red = значения пикселов из ближнего красного канала
- L = значение покрытия зеленой растительности
С помощью списка, разделенного пробелами, определяются ближний инфракрасный (NIR) и красный (red) каналы, а также значение L в следующем порядке: NIR Red L. Например, 4 3 0.5 .
Литература: Huete, A. R., 1988, «A soil-adjusted vegetation index (SAVI),» Remote Sensing of Environment, Vol 25, 295–309.
TSAVI
Метод Преобразованный индекс растительности с коррекцией по почве (Transformed Soil Adjusted Vegetation Index (TSAVI)) – это индекс растительности, который пытается минимизировать влияние яркости почвы путем предположения, что линия почвы имеет произвольный уклон и пересечение.
TSAVI = (s * (NIR - s * Red - a)) / (a * NIR + Red - a * s + X * (1 + s2))- NIR = значения пикселов из ближнего инфракрасного канала
- Red = значения пикселов из красного канала
- s = уклон линии почвы
- a = пересечение линии почвы
- X = коэффициент коррекции, установленный для минимизации искажений из-за почвы
Литература: Baret, F. и G. Guyot, 1991, «Potentials and limits of vegetation indices for LAI and APAR assessment,» Remote Sensing of Environment, Vol. 35, 161–173.
VARI
Индекс устойчивости к видимой атмосфере (VARI) разработан для выделения растительности в видимой части спектра, при ослаблении влияния разницы освещения и атмосферных явлений. Он идеально подходит для RGB или цветных изображений; использует все три цветовых канала.
VARI = (Green - Red)/(Green + Red - Blue)- Green = значения пикселов из зеленого канала
- Red = значения пикселов из красного канала
- Blue = значения пикселов из синего канала
Литература: Gitelson, A., et al. «Vegetation and Soil Lines in Visible Spectral Space: A Concept and Technique for Remote Estimation of Vegetation Fraction.» International Journal of Remote Sensing 23 (2002): 2537−2562.
Индексы воды
NDSI
- Wilson, E.H. and Sader, S.A., 2002, «Detection of forest harvest type using multiple dates of Landsat TM imagery.» Remote Sensing of Environment, 80 , pp. 385-396.
- Skakun, R.S., Wulder, M.A. and Franklin, .S.E. (2003). «Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage.»Remote Sensing of Environment, Vol. 86, Pp. 433-443.
NDSI = (Green - SWIR) / (Green + SWIR)- Green = значения пикселов из зеленого канала
- SWIR = значения пикселов из коротковолнового инфракрасного канала
Литература: Riggs, G., D. Hall, and V. Salomonson. «A Snow Index for the Landsat Thematic Mapper and Moderate Resolution Imaging Spectrometer.» Geoscience and Remote Sensing Symposium, IGARSS ’94, Volume 4: Surface and Atmospheric Remote Sensing: Technologies, Data Analysis, and Interpretation (1994), pp. 1942-1944.
MNDWI
Модифицированный стандартизованный индекс различий воды (MNDWI) использует зеленый канал и канал SWIR для улучшения отображения объектов открытых водных пространств. Он также снижает значения областей застройки, которые часто коррелированы с открытыми водными пространствами в других индексах.
MNDWI = (Green - SWIR) / (Green + SWIR)- Green = значения пикселов из зеленого канала
- SWIR = значения пикселов из коротковолнового инфракрасного канала
Справочная информация: Xu, H. «Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery.» International Journal of Remote Sensing 27, No. 14 (2006): 3025-3033.
NDMI
Стандартизованный индекс различий увлажненности (NDMI) чувствителен к уровню влажности в растительности. Используется для отслеживания засух, а также указывает уровень горючих материалов в пожароопасных зонах. Использует каналы NIR и SWIR для создания коэффициента, предназначенного для приглушения освещения и атмосферных эффектов.
NDMI = (NIR - SWIR1)/(NIR + SWIR1)- NIR = значения пикселов из ближнего инфракрасного канала
- SWIR1 = значения пикселов из коротковолнового инфракрасного канала 1
- Wilson, E.H. and Sader, S.A., 2002, «Detection of forest harvest type using multiple dates of Landsat TM imagery.» Remote Sensing of Environment, 80 , pp. 385-396.
- Skakun, R.S., Wulder, M.A. and Franklin, .S.E. (2003). «Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage.»Remote Sensing of Environment, Vol. 86, Pp. 433-443.
Геологические индексы
Глинистые минералы
Коэффициент глиносодержащих минералов — это соотношение каналов SWIR1 и SWIR2. Этот коэффициент использует тот факт, что водосодержащие минералы, такие как глина и квасцовый камень, поглощают излучение в части спектра 2,0-2,3 микрон. Этот индекс снижает изменения в освещении, относящиеся к рельефу, поскольку он является коэффициентом.
Clay Minerals Ratio (коэффициент глиносодержащих минералов) = SWIR1 / SWIR2- SWIR1 = значения пикселов из коротковолнового инфракрасного канала 1
- SWIR2 = значения пикселов из коротковолнового инфракрасного канала 2
Литература: Dogan, H., 2009. «Mineral composite assessment of Kelkit River Basin in Turkey by means of remote sensing,» Journal of Earth System Science, Vol. 118, 701-710.
Железистые минералы
Коэффициент железистых минералов выделяет все железосодержащие материалы. Он использует соотношение между каналом SWIR и каналом NIR.
Ferrous Minerals Ratio (коэффициент железистых минералов) = SWIR / NIR- SWIR = значения пикселов из коротковолнового инфракрасного канала
- NIR = значения пикселов из ближнего инфракрасного канала
Справочная информация: Segal, D. «Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data.» Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.
Оксид железа
Коэффициент оксида железа — это соотношение красной и синей длин волн. Наличие биотитов простирания лимонита и изменения окислов озерных руд приводит к поглощению в синем канале и отражению в красном канале. Это приводит к тому, что области с сильным изменением железа выглядят ярче. Природа данного соотношения позволяет этому индексу приглушать разницу в освещении, вызванную затененностью поверхности.
Iron Oxide Ratio (коэффициент оксидов железа) = Red / Blue- Red = значения пикселов из красного канала
- Blue = значения пикселов из синего канала
Справочная информация: Segal, D. «Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data.» Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.
Ландшафтные индексы
BAI
Индекс выгоревших областей (BAI) использует значения отражения в красной и ближней инфракрасной области спектра для идентификации областей поверхности, подвергшихся огню.
BAI = 1/((0.1 -RED)^2 + (0.06 - NIR)^2)- Red = значения пикселов из красного канала
- NIR = значения пикселов из ближнего инфракрасного канала
Литература: Chuvieco, E., M. Pilar Martin, and A. Palacios. «Assessment of Different Spectral Indices in the Red-Near-Infrared Spectral Domain for Burned Land Discrimination.» Remote Sensing of Environment 112 (2002): 2381-2396.
NBR
Нормализованный индекс гарей (NBRI) использует каналы NIR и SWIR для выделения выжженных областей, одновременно приглушая разницу в освещении и атмосферных явлений. Перед использованием этого индекса ваши изображения должны быть скорректированы до значений отражательной способности; более подробно см. функцию Видимое отражение.
NBR = (NIR - SWIR) / (NIR+ SWIR)- NIR = значения пикселов из ближнего инфракрасного канала
- SWIR = значения пикселов из коротковолнового инфракрасного канала
Литература: Key, C. and N. Benson, N. «Landscape Assessment: Remote Sensing of Severity, the Normalized Burn Ratio; and Ground Measure of Severity, the Composite Burn Index.» FIREMON: Fire Effects Monitoring and Inventory System, RMRS-GTR, Ogden, UT: USDA Forest Service, Rocky Mountain Research Station (2005).
NDBI
Стандартизованный индекс различий застройки (NDBI) использует каналы NIR и SWIR (ближний инфракрасный и коротковолновый инфракрасный) для выделения областей застройки. Этот коэффициент позволяет приглушать разницу в освещении поверхности, а также атмосферные эффекты.
NDBI = (SWIR - NIR) / (SWIR + NIR)- SWIR = значения пикселов из коротковолнового инфракрасного канала
- NIR = значения пикселов из ближнего инфракрасного канала
Литература: Zha, Y., J. Gao, and S. Ni. «Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery.» International Journal of Remote Sensing 24, no. 3 (2003): 583-594.
Связанные разделы
- Группа инструментов на вкладке Изображения
- Экспорт или конвертация наборов растровых данных
Типы Почв И Их Влияние На Урожайность Полей
Чтобы получить обильный урожай, аграрий должен сеять определенное растение в нужное время и в нужном месте. Нужное место определяет не только географическое положение и климат, но и тип почвы. У каждого типа есть преимущества и недостатки, и разные типы почв подходят для выращивания разных культур в отношении: содержания питательных веществ (достаточно ли их в конкретном типе почвы для растений); характеристики типов почв по обработке (насколько легко обрабатывается земля); орошения (как быстро вода поступает и отводится). Управляя данными ключевыми факторами, вы можете извлечь максимальную пользу из ситуации. Но для этого нужно знать, с каким типом почвы вы имеете дело.
Какие Существуют Виды Почвы – Основные Характеристики, Которые Имеют Значение
Что касается классификации видов почв (грунта), то единого мнения нет. В зависимости от основного отличительного признака существует несколько подходов. Однако чаще всего парадигма основана на композиции. Также следует отметить, что в разных отраслях есть свои классификации видов почв и их характеристики.
Определения типа грунта обычно объясняют элементы, из которых состоит вещество: песок, глина и ил. Таким образом, существует три основных материала для создания различных видов почв с их сильными и слабыми сторонами. Пытаясь понять, в чем разница, следует обратить внимание на размер частиц. Самые маленькие характерны для глины. Чем мельче частицы, тем меньше воздуха остаётся между ними и тем ближе они прилипают друг к другу.
Глинистая Почва
Глинистая почва. Определить глинистый вид грунта достаточно легко: после перекопки она имеет крупнокомковатую плотную структуру, в дожди жирно липнет к ногам, плохо впитывает воду, легко слипается. Растениям на глинистых грунтах приходится не легко. К характеристикам данного вида почвы относится: плохая прогреваемость корней, недостаток кислорода, застой влаги, образование почвенной корки работают не на пользу урожая. Но все же деревья и кустарники, имея достаточно мощную корневую систему, данный вид грунта переносят хорошо. Среди агротехнических приемов, особенное внимание на глинистых почвах необходимо уделять рыхлению и мульчированию.
Песчаная Почва
Песчаная почва относится к легким видам грунтов. Узнать ее также не составит труда: она рыхлая, сыпучая, легко пропускает воду. Все качества, присущие песчаным грунтам, являются и их плюсом, и их минусом. Такой вид грунта быстро прогреваются, хорошо аэрируется, легко обрабатывается, но вместе с тем быстро охлаждается, скоро пересыхает, слабо удерживает в зоне корней минеральные вещества (питательные элементы вымываются водой в глубинные слои грунта). В результате этого грунты бедны на наличие полезной микрофлоры и плохо пригодны для выращивания каких-либо культур.
Супесчаная Почва
Супесчаная почва — еще один вариант легких по механическому составу грунтов. По своим качествам она схожа с песчаным грунтом, но содержит несколько больший процент глинистых включений, а значит обладает лучшей удерживающей способностью к минеральным и органическим веществам, не только быстро прогревается, но и долго удерживает тепло, меньше пропускает влагу и медленнее пересыхает, хорошо аэрируется и легко поддается обработке.
Суглинистая Почва
Суглинистая почва — самый подходящий вид почвы для выращивания садово-огородных культур. Выращивать на суглинистых грунтах, можно все. Легко обрабатывается, содержит большой процент питательных веществ, имеет высокие показатели воздухо- и водопроводимости, способна не только сохранять влагу, но и равномерно распределять ее по толще горизонта, хорошо удерживает тепло. Благодаря совокупности имеющихся свойств, суглинистую почву не нужно улучшать, а необходимо только поддерживать ее плодородие: мульчировать, вносить под осеннюю перекопку навоз (3-4 кг на 1 м кв.) и, по мере надобности, подкармливать высаженные на ней культуры минеральными удобрениями.
Известковая Почва
Известковая почва принадлежит к бедным грунтам, обычно имеет светло-коричневый цвет и содержит известь или карбонат кальция. Они очень щелочные и не подходят для выращивания растений, которым нужны кислые грунты. У выращиваемых культур на таких грунтах желтеет листва и наблюдается неудовлетворительный рост. Чтобы улучшить структуру и повысить плодородие известковых грунтов необходимо регулярно вносить органические удобрения, причем не только под основную обработку, но и в виде мульчи, применять калийные удобрения высевать сидераты. Выращивать на данном виде почвы, можно все, но при условии частого рыхления междурядий полей, своевременных поливов и продуманного применения минеральных и органических удобрений.
Торфяная Почва
Торфяные почвы вряд ли можно назвать хорошими для выращивания сельскохозяйственных культур: содержащиеся в них питательные вещества недоступны для растений, они быстро впитывают воду, но так же быстро отдают, плохо прогреваются и часто обладают повышенной кислотностью. С другой стороны, такие грунты хорошо удерживают минеральные удобрения и их легко обрабатывать. Для повышения плодородия заболоченных земель необходимо пропитать грунт песком (для этого требуется глубокая перекопка для подъема песка из нижних слоев) или глиняной мукой, в особенно кислом варианте – произвести обильное известкование, позаботиться о повышении содержания полезных микроорганизмов в грунте (вносить навоз, взвесь, компост, не игнорировать микробиологические добавки), не забывать о калийно-фосфорных удобрениях.
Сравнение Основных Компонентов Почвы
Давайте сравним преимущества и недостатки каждого компонента в основных видах почв.
| Песок (размер частиц 0,05-2 мм) | Глина (размер частиц | Ил (размер частиц 0,002 – 0,05 мм) |
|---|---|---|
| Легко возделывать | Трудно возделывать | Легко возделывать |
| Бедный питательными веществами | Богат питательными веществами | Содержит достаточно питательных веществ |
| Быстро сохнет | Сохнет медленно, но при высыхании трескается | Сохнет не слишком быстро, но при высыхании трескается и требует вспашки для лучшей циркуляции воздуха |
| Быстро прогревается после зимы | Медленно прогревается после зимы | Быстро прогревается после зимы |
| Плохо удерживает воду | Слишком долго задерживает воду | Хорошо дренирует, но сохраняет достаточно влаги |
| Скорость всасывания* (0,6 дюйма / час) | Скорость всасывания* (0,1 дюйма / час) | Скорость всасывания* (0,3 дюйма / час) |
| Емкость поля** (0,1%) | Емкость поля** (0,357%) | Емкость поля** (0,255%) |
* Скорость всасывания – это время, необходимое грунту для поглощения количества воды.
** Емкость поля – это процент влаги в грунте после того, как больше не осталось воды.
Кажется, что ил является оптимальным составом для нужд сельского хозяйства, так как имеет наиболее «мудрое» сочетание всех параметров. «Исходные данные» много значат, но не являются решающими. При повышенных температурах и отсутствии воды вы можете столкнуться с ошибками. Однако, если вы смешаете песчаный грунт с илом или торфом, у вас есть все шансы добиться наилучших результатов. В случае с глиной хорошо бы смешать ее с песком. Ил пока кажется лучшим вариантом, но, судя по всему, это не обязательно.
Основные Типы Почв России
Тундровые Глеевые Почвы
Тундровые глеевые почвы образуются в зоне многолетней мерзлоты на равнинах Крайнего Севера. В теплое время года породы освобождаются от мерзлоты лишь на небольшое количество сантиметров. Тундровые глеевые грунты перенасыщены водой, поскольку находящийся ниже мерзлый грунт не пропускает её. Под верхним торфянистым горизонтом Ат в тундровых глеевых грунтах – расположен глеевый горизонт В (глей). Глеевый горизонт В имеет голубовато-серую (сизую) окраску иногда с ржавыми разводами. При избыточном увлажнении грунта и нехватке в ней кислорода происходит формирование глея. Многолетняя мерзлота находится под глеевым горизонтом.
Подзолистые Почвы
Подзолистые почвы образуются под хвойными лесами на Западно-Сибирской и Восточно-Европейской равнинах, где число атмосферных осадков превосходит испарение. Это порождает сильное промывание грунта и формирование осветленного горизонта вымывания А2: минеральные и органические соединения из этого горизонта выносятся в грунтовые воды. Часть соединений остается в ниже расположенном горизонте вымывания В, имеющем уплотнённый и ржавый тон. В гумусовом горизонте А1 массивность грунтов и запас перегноя возрастает постепенно, с севера на юг.
Дерново-Подзолистые Почвы
Дерново-подзолистые типы почвы возникают под смешанными широколиственными и хвойными лесами. В смешанных лесах сильно развит травяной покров, здесь выше летние температуры и больше растительных остатков, попадающих в грунт. Название типа грунта — дерново-подзолистый из-за многочисленных корней трав в верхней части гумусового горизонта А1 сформировавших дернину. Они имеют больше гумуса и минеральных соединений, и вымывание в этих грунтах не столь активно, как в подзолистых.
Мерзлотно-Таежные Почвы
Мерзлотно-таежные типы почвы образуются под лесами в условиях многолетней мерзлоты и резко-континентального климата и заменяют подзолистые грунты к востоку от реки Енисей. Такие земли имеют небольшую мощность (до 1 м) и характерное строение – в них присутствует гумусовый горизонт А1, но нет горизонта вымывания А (многолетняя мерзлота препятствует вымыванию). Гумус проявляется не только в горизонте А1, но и в нижних частях профиля (на глубине 0,5 м его значение 5%, на глубине 1 м – 2-3%). Соединения железа придают грунту бурую окраску.
Серые Лесные Почвы
Серые лесные почвы не формируют сплошной зоны, хотя их прерывистая полоса протягивается от Забайкалья на востоке до границ с Беларусью на западе. Серые лесные грунты образовываются под лиственными лесами со щедрым травяным покровом. В отличие от хвойных и смешанных – в лиственных лесах в грунт падает более внушительное количество растительных остатков. Мощность грунта 120-140 см. В горизонте А1 содержание гумуса от 3 до 8%. Горизонт вымывания А2 – нечеткий в связи с тем, что сквозное промывание грунта осуществляется лишь в весенний период. Серые лесные грунты в большей степени плодородны, нежели подзолистые и дерново-подзолистые.
Черноземы
Черноземы — самые богатые перегноем типы почвы, они возникают под травянистой растительностью степей и лесостепей. Гумусовый горизонт большой массивности (0,4-0,8 м) черного цвета отличается в строении черноземов. Степной войлок, состоящий из следов травянистой растительности, расположен сверху этого горизонта. Переходной горизонт В пребывает под гумусовым горизонтом и имеет неравномерную, черновато-бурую расцветку. Горизонт В плавно переходит в грунтообразующую породу (С). Испарение с поверхности здесь равно годовому количеству осадков. Однако с севера на юг увлажнение ослабевает, и в условиях недостаточного напитывания грунты не промываются.
Каштановые Почвы
Каштановые типы почвы образуются под травянистой растительностью сухих степей. В степях приходится значительно меньше атмосферных осадков, чем может испариться с тверди. Верхний горизонт А серовато-каштанового цвета, толщиной 0,15-0,25 м, имеет в составе 3-4% гумуса. Переходный горизонт В буро-коричневого цвета, уплотненный, толщиной 0,2-0,3 м. Из-за сильного испарения грунтовые растворы извлекаются на поверхность. С ними выкидываются соли, которые при испарении влаги идут в осадок и вследствие этого происходит засоление каштановых грунтов. По причине сухости климата растительный покров разреженный и в результате этого в грунт попадает меньше растительных остатков и аккумулируется меньше гумуса, чем в черноземах.
Бурые Почвы
Бурые типы почвы формируются в условиях резкой нехватки атмосферной влаги под сильно разреженной растительностью. Соленость свойственна для грунтов. Гумусовый горизонт бурый и толщиной 0,1-0,15 м, содержание гумуса составляет лишь 2%. Горизонт В бурый с коричневым оттенком, плотный.
Как Определить Вид Почвы: Простые, Но Надежные Приемы
Есть несколько основных и быстрых тестов, чтобы понять типы структуры грунта. Для большей точности нужно отделить от него крупные и тяжелые частицы, например, камни и гравий, и предварительно перемешать пробы с разных участков поля.
- Мяч. Сделайте шар из влажного (но не насквозь мокрого) вещества и бросьте его примерно на полметра в высоту. Ловите. Если он развалится, значит, он слишком песчаный. Если он еще слипается – значит, в нем много глины. Другой вариант – просто отжать. Если сломается, то вид почвы песчаный. Если он прилипает к рукам, значит, он сделан в основном из глины.
- Гороховое зерно. Возьмите небольшое количество земли и потрите пальцами. Если вещество как бы маслянистое на ощупь, прилипает к пальцам и плавно растекается – это глина. Если он песчаный и с трудом растекается, это песчаный грунт.
- Палка. Сделайте палку из влажной земли, перекатывая ее между руками. Положите ее. Если возвести без дробления – глины в данном типе грунта достаточно. Если нет, то в основном она состоит из песка.
- Баночка (бутылка). Этот вариант предполагает немного математики и физики. Насыпьте горсть грунта в бутылку и залейте водой. Как следует встряхните. В результате эксперимента будут получены разные слои в зависимости от их веса. Измерьте их и рассчитайте соотношение. Учтите, что глина может падать несколько дней. Последовательность элементов зависит от их веса. Самый тяжелый – песок, он будет на дне. Ил будет посередине. Самая легкая – глина – она будет сверху.
EOSDA Crop Monitoring
Получите доступ к спутниковым снимкам с высоким разрешением – управляйте полями эффективно!
Программное Обеспечение Для Сельского Хозяйства И Карты Типов Почвы Как Самый Точный Метод Определения Типа Почвы
Эти тесты являются приблизительными и могут дать вам лишь общее представление. Их легко проводить и они подходят в качестве школьных экспериментов в науке. Если вы хотите знать наверняка и обратиться за профессиональной консультацией, вы можете положиться на спутники. Они могут предоставить вам карту типов грунтов с оценкой радиации земной поверхности.
Различные типы грунтов излучают разные сигналы (также называемые температурой), которые распознаются и регистрируются спутниками. Специальное программное обеспечение, доступное на сельскохозяйственных платформах, интерпретирует сигнал и выдает готовые высокоточные результаты.
Типы И Виды Почв В EOSDA Crop Monitoring
В зависимости от типа грунта, фермер принимает обоснованное решение о том, какую культуру посеять. EOSDA Crop Monitoring предоставляет рекомендации относительно того, сколько удобрения можно использовать для поддержания и/или повышения продуктивности грунта.
Еще одна полезная функция в EOSDA Crop Monitoring – это возможность для фермеров видеть историю развития растительности на любом конкретном поле за последние 5 лет. Эта функция используется для сравнения состояния полей в предыдущие годы и определения факторов, влияющих на развитие того или иного вида сельскохозяйственных культур. Таким образом, они могут выбирать удобрения, температуру и уровень влажности, а также другие требования для удовлетворения потребностей конкретного типа почвы.
Тип Почвы Для Земледелия: Как Сделать Правильный Выбор?
Когда дело доходит до правильного типа почвы для растений, не существует единого рецепта, однако суглинистые грунты кажутся идеальными.
Даже если трава за забором кажется более зеленой, у вашего соседа, скорее всего, такой же грунт, как и у вас. Редко бывает, что в одном районе встречаются разные типы почв. Наиболее точный ответ может дать онлайн-программное обеспечение для управления фермой – спутники могут контролировать площадь, обрабатывать данные и давать точный ответ с помощью диаграммы типа почвы вашего поля.
Также следует отметить, что «чистые» типы встречаются редко – скорее всего, приходится иметь дело с такими смесями, как песчаная глина, илистая глина, суглинистая глина, илистый суглинок, супеси и т. д.
Кроме того, следует учитывать и типы загрязнения грунта. Наряду с естественными «включениями», такими как навоз и экскременты, производимые животными и людьми, существуют радиоактивные загрязнители, городские и промышленные отходы, влияющие на состав и общее качество грунта.
Итак, главный способ добиться успеха в сельском хозяйстве здесь – это знать свой конкретный тип почвы и его характеристику и выращивать растения, наиболее подходящие для данного случая.
Об авторе:
Василий Черлинка Научный сотрудник EOSDA
Василий Черлинка имеет более чем 30-летний опыт работы в области агрономии и педологии (почвоведения). Он является доктором биологических наук со специализацией в области почвоведения.
Доктор Черлинка учился в машиностроительном техникуме в Украине (1989-1993), затем углублял свои знания в области агрохимии и агрономии в Черновицком национальном университете по специальности «Агрохимия и почвоведение».
В 2001 году успешно защитил диссертацию «Обоснование агроэкологического соответствия моделей плодородия почвы и его факторов требованиям полевых культур» и получил степень кандидата биологических наук с уклоном в почвоведение в ННЦ «Научно-исследовательский институт почвоведения и агрохимии имени О.Н. Соколовского».
В 2019 году доктор Черлинка успешно защитил диссертацию «Цифровые модели рельефа в почвоведении: Теоретико-методологические основы и практическое использование» и получил степень доктора биологических наук со специализацией в области почвоведения.
Василий женат, у него двое детей (сын и дочь). На протяжении всей жизни увлекается спортом (является кандидатом в мастера спорта Украины по пауэрлифтингу и даже принимал участие в соревнованиях стронгменов).
С 2018 года доктор Черлинка консультирует EOSDA по проблемам почвоведения, агрономии и агрохимии.