Цель: создать повторяемую систему картографирования и мониторинга деградации почв (эрозия, опустынивание, потеря органики, засоление) в Северо-Восточном Китае (NEC) сочетанием дистанционного зондирования и полевых данных.
Рекомендованная стратегия (шаги):
1. Обоснование и целевые индикаторы
- Основные индикаторы: степень эрозии, изменение доли растительного покрова (FVC), содержание органического вещества (SOC), влажность почвы, солёность (ECe), структурные изменения (глубина, уплотнение).
- Пороговые значения для раннего предупреждения задать по каждому индикатору на основе исторических данных и экспертных оценок.
2. Набор данных и частоты наблюдений
- Оптические спутники: Sentinel-2 (спatial $10\text{–}20\text{m}$), Landsat-8/9 ($30\text{m}$), для исторических временных рядов.
- SAR: Sentinel-1 (C‑band) для влажности и размывов (работает в облачную погоду); при доступности L‑band (ALOS‑2) — для глубинной влажности и структуры.
- Термальные: Landsat TIRS для поверхностной температуры и индексов сухости.
- Метео/скиды: ERA5, CMFD для расчёта компонентов эрозии (осадки, энергия дождя).
- ЦМР/DEM: SRTM/TanDEM-X для расчёта LS‑фактора.
- UAV/беспилотники для валидации и локальных карт с разрешением $<1\text{m}$.
- Частота: базовая карта — ежегодно; динамичные индикаторы (вегетация, влажность) — сезонно / поквартально; оперативный мониторинг — каждые $1\text{–}3$ месяца при необходимости.
3. Предобработка данных
- Атмосферная коррекция (e.g., Sen2Cor для Sentinel-2), облако/шенк-маскирование, геометрическая регистрация, топографическая коррекция для склонов, фильтрация шумов SAR, радиометрическая нормализация временных рядов.
4. Индексы и извлекаемые признаки (с пояснениями)
- Вегетация: NDVI $=\frac{NIR-Red}{NIR+Red}$; SAVI для редкой растительности.
- Покров и голая почва: BSI (Bare Soil Index), Fractional Vegetation Cover (линейный спектральный разложение).
- Влажность: индексы с SAR (σ0) и индексы сухости (e.g., NDBSI), сочетание радиометрии и SAR.
- Температурно‑влаговые индексы: Tasseled Cap Wetness, Land Surface Temperature (LST).
- Солёность: косвенно через изменённую растительность, спектры отражения и термальные аномалии; при наличии спектрометров — специфические полосы отражения соли.
- Эрозия: карты склонов/стримов из DEM, индекс нарушений структуры поверхности (microtopography) из UAV/Stereo.
5. Модели картографирования
- Подход: гибридный — физические алгоритмы + машинное обучение.
- Физические: RUSLE для оценки водной эрозии: $$A=R\cdot K\cdot LS\cdot C\cdot P$$ где компоненты рассчитываются так: $R$ из метео‑данных, $K$ из текстуры/органики (поле/картографические данные), $LS$ из DEM, $C$ из NDVI/FVC, $P$ по практике землепользования/террасированию.
- ML: Random Forest / XGBoost / CNN (для пространственных паттернов на высоком разрешении) для прогнозов SOC, влажности, классов деградации.
- Признаковая матрица: спектральные индексы, текстурные характеристики, топо‑параметры, климатические переменные, исторические тренды.
- Обучение: стратифицированная выборка по ландшафтным типам и степеням деградации.
6. Полевая кампания (дизайн и переменные)
- Стратегия выборки: стратифицированная случайная или кластерная по экорайонам/ландкартам; усиленная выборка в переходных зонах и горячих точках.
- Переменные на точке/участке: SOC (%), глубина плодородного слоя, текстура (% песок/суглинок/глина), bulk density, pH, ECe (солёность), органическое вещество, агрономические практики, визуальная оценка эрозии/корки, покров (%) и видовой состав.
- Размер выборки: расчет по формуле (для доли с точностью $d$ и довер. уровень $Z$): $$n=\frac{Z^{2}p(1-p)}{d^2}$$ (при неизвестном $p$ взять $p=0.5$). Для $95\%$ доверия $Z=1.96$.
- Постоянные площадки (LTER‑стайл) для мониторинга трендов.
7. Валидация, неопределённости и метрики
- Разделение на обучающую/тестовую/независимую валидацию; K‑fold кросс‑валидация для ML.
- Метрики регрессии: RMSE, MAE, $R^2$ — все в KaTeX: $\text{RMSE},\text{MAE},R^2$.
- Метрики классификации: точность, полнота, F1, κ.
- Оценка пространной неопределённости: ансамбли моделей, bootstrap, карты доверия.
8. Мониторинг трендов и оповещение
- Временные ряды (зондирование частотное): детекция трендов (Mann–Kendall) и аномалий (CUSUM, Breaks For Additive Season and Trend — BFAST).
- Критерии ухудшения: пороги изменения индикаторов (например, снижение FVC более $X\%$ за $Y$ лет), или увеличение ожидаемой эрозии $\Delta A>$ порог.
- Автоматизированный конвейер: загрузка данных → предобработка → вычисление индексов → применение моделей → обновление карт/отчётов → отправка тревог.
9. Интеграция и продукты
- Карты: годовая карта деградации классов, карты трендов (рост/падение SOC, деградация покрова), карты риска эрозии по RUSLE, hotspot‑карты.
- Приложения: дашборд для управляющих, слои GIS, мобильное приложение для полевых бригад.
- Рекомендации по мерам восстановления: агроландшафтные практики, контурное земледелие, мульчирование, террасирование, восстановление пашен.
10. Операционная реализация и устойчивость
- Автоматизация рабочих процессов (оркестрация — e.g., Google Earth Engine + локальные вычисления для высокой точности).
- Передача технологии местным институтам, обучение персонала, стандартизованные протоколы сбора данных.
- Построение базы данных и регулярное обновление (архивировать спутниковые слои и полевые данные).
Краткие практические рекомендации для NEC
- Разрешение: использовать $10\text{–}30\text{m}$ для картирования деградации; UAV для локальной валидации.
- SAR обязательна зимой/весной при облачности/снеговых условиях.
- Источники для R‑фактора — локальные метеостанции + реанализ для длительных рядов.
- Фокус на периоды вегетации и после дождевого сезона для выявления эрозионных событий.
Если нужно, могу предложить примерный список входных слоёв GIS, шаблон полевого протокола и пример pipeline в GEE или Python.