Геоинформационный анализ динамики и структуры классов земельного покрытия Новогрудской возвышенности

  • Дмитрий Андреевич Кислицын Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь
  • Николай Васильевич Клебанович Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь

Аннотация

С использованием авторской методики автоматизированного дешифрирования структуры классов земельного покрытия в программных комплексах ENVI (версия 5.3), ArcGIS (версия 10.7) для космических снимков «Landsat-5», «Landsat-7» и «Sentinel-2» рассчитаны площади классов земельного покрытия трех административ­ных районов Новогрудской возвышенности (Кореличского, Новогрудского и Дятловского районов Гродненской области). Проанализированы ключевые особенности структуры классов земельного покрытия за период с 1986 по 2019 г., которая заметно различается внутри исследуемого региона. Данный факт вызван природными условиями, спецификой рельефа, а также уровнем плодородия почв, что отразилось на степени сельскохозяйственной освоенности административных районов. Показана возможность применения сведений о рельефе и вегетационном индексе NDVI в геоинформационной системе ArcGIS (версия 10.7) для повышения общей точности результатов автоматизированного дешифрирования в векторном формате. С использованием морфометрических показателей рельефа (уклона и вертикального расчленения) и вегетационного индекса NDVI выявлены ареалы почв, подвержен­ных водной эрозии, и основные участки овражно-балочной сети на территории Новогрудской возвышенности на базе автоматизированного дешифрирования космического снимка «Sentinel-2» за 2019 г. Установлены особенности пространственного расположения пахотных земель на эродированных почвах, которые заметно чаще встречаются на восточных склонах Новогрудской возвышенности, чем на западных, что связано с различиями в значениях морфометрических показателей рельефа, спецификой генезиса почвообразующих пород и гранулометрического состава почв. Выполнена оценка точности итогового результата автоматизированного дешифрирования на основе матрицы ошибок, которая составила 80,4 %, при этом наибольшие значения пользовательской точности (более 90 %) характерны для водных объектов, а также для лесных земель и земель под древесно-кустарниковой рас­тительностью на автоморфных и полугидроморфных почвах.

Биографии авторов

Дмитрий Андреевич Кислицын, Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь

преподаватель-стажер кафедры почвоведения и геоинформационных систем факультета географии и геоинформатики

Николай Васильевич Клебанович, Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь

доктор сельскохозяйственных наук, профессор; профессор кафедры почвоведения и геоинформационных систем факультета географии и геоинформатики

Литература

  1. Feranec J, Jaffrain G, Soukup T, Hazeu G. Determining changes and flows in European landscapes 1990–2000 using CORINE Land Cover data. Applied Geography. 2010;30(1):19–35. DOI: 10.1016/j.apgeog.2009.07.003.
  2. Homer C, Dewitz JA, Limin Yang L, Danielson P, Xian G, Coulston JW, et al. Completion of the 2011 National Land Cover Database for the conterminous United States – representing a decade of land cover change information. Photogrammetric Engineering and Remote Sensing. 2015;81(5):345–354. DOI: 10.14358/PERS.81.5.345.
  3. Polykretis C, Alexakis DD, Grillakis MG, Manoudakis S. Assessment of intra-annual and inter-annual variabilities of soil erosion in Crete Island (Greece) by incorporating the dynamic «Nature» of R- and C-factors in RUSLE modeling. Remote Sensing. 2020;12(15):2439. DOI: 10.3390/rs12152439.
  4. Sujatha ER, Sridhar V. Spatial prediction of erosion risk of a small mountainous watershed using RUSLE: a case-study of the Palar sub-watershed in Kodaikanal, South India. Water. 2018;10(11):1608. DOI: 10.3390/w10111608.
  5. Phiri D, Simwanda M, Salekin S, Nyirenda VR, Murayama Y, Ranagalage M. Sentinel-2 data for land cover/use mapping: a review. Remote Sensing. 2020;12(14):2291. DOI: 10.3390/rs12142291.
  6. Rujoiu-Mare M-R, Olariu B, Mihai B-A, Nistor C, Savulescu I. Land cover classification in Romanian Carpathians and Subcarpathians using multi-date Sentinel-2 remote sensing imagery. European Journal of Remote Sensing. 2017;50(1):496–508. DOI: 10.1080/22797254.2017.1365570.
  7. Hongrui Zheng, Peijun Du, Jike Chen, Junshi Xia, Erzhu Li, Zhigang Xu, et al. Performance evaluation of downscaling Sentinel-2 imagery for land use and land cover classification by spectral-spatial features. Remote Sensing. 2017;9(12):1274. DOI: 10.3390/rs9121274.
  8. Phan Thanh Noi, Kappas M. Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery. Sensors. 2018;18(1):18. DOI: 10.3390/s18010018.
  9. Phiri D, Morgenroth J. Developments in Landsat land cover classification methods: a review. Remote Sensing. 2017;9(9):967. DOI: 10.3390/rs9090967.
  10. Hansen MC, Loveland TR. A review of large area monitoring of land cover change using Landsat data. Remote Sensing of Environment. 2012;122:66–74. DOI: 10.1016/j.rse.2011.08.024.
  11. Yanovskiy AA. The remote separation of drained peat and the degraded peat soils of Polesia by spectral reflectance thresholding. Prirodopol’zovanie. 2017;31:105–112. Russian.
  12. Nichiporovich ZA, Rakovich VA, Kazhdan EN. Remote diagnostics of a condition and dynamics of rebogged cutover peat deposits. Prirodopol’zovanie. 2013;23:94–99. Russian.
  13. Myshliakov SG. Mapping of crops using satellite images for land management and designer’s supervision. Zemlya Belarusi. 2012;1:52–56. Belarusian. EDN: WCBUDV.
  14. Skachkova AS, Kurlovich DM. Natural-anthropogenic landscapes of Belarusian elevated province: classification, spatial structure, zoning. Journal of Belarusian State University. Geography. Geology. 2017;1:3–13. Russian. EDN: XYPAGD.
  15. Olshevsky AV. GIS model of the automated classification of multispectral satellite images. Zemlya Belarusi. 2013;1:36–39. Russian. EDN: TRKVHP.
  16. Gorbacheva EN. RUSLE model implementation for estimation intensity of water erosion processes on Belarusian soil cover. Soil Science and Agrochemistry. 2011;2:42–51. Russian. EDN: XYMPBB.
  17. Phillips LB, Hansen AJ, Flather CH. Evaluating the species energy relationship with the newest measures of ecosystem energy: NDVI versus MODIS primary production. Remote Sensing of Environment. 2008;112(12):4381–4392. DOI: 10.1016/j.rse.2008.08.001.
  18. Yengoh GT, Dent D, Olsson L, Tengberg AE, Tucker III CJ. Use of the normalized difference vegetation index (NDVI) to assess land degradation at multiple scales: current status, future trends, and practical considerations. Cham: Springer; 2015. 80 p. (Springer briefs in environmental science series). DOI: 10.1007/978-3-319-24112-8.
  19. Maroz VA. Valuation of the effectiveness of land use based on the analysis of vegetation indices (on the example of Brest Polesye’s model polygons). Natural Resources. 2018;2:5–13. Russian.
  20. Gusev AP. NDVI changes as an indicator of the dynamics of the ecological state of landscapes (on the example of the Eastern Part of the Polessie Province). Proceedings of Voronezh State University. Series: Geography. Geoecology. 2020;1:101–107. Russian. DOI: 10.17308/geo.2020.1/2667.
  21. Kislitsyn DA. [Features of generalization of results of automated interpretation in ArcGIS and ENVI ]. In: Domas’ AS, Shkuratova NV, Levkovskaya MV, editors. Monitoring i okhrana okruzhayushchei sredy. Materialy Respublikanskoi nauchno-prakticheskoi konferentsii studentov, magistrantov, aspirantov; 22 marta 2023 g.; Brest, Belarus’ [Monitoring and environmental protection. Proceedings of the Republican scientific and practical conference of students, undergraduates, postgraduate students; 2023 March 22; Brest, Belarus]. Brest: Brest State A. S. Pushkin University; 2023. p. 78–80. Russian.
  22. Kurlovich DM. Morphometric GIS-analysis of landforms of Belarus. Zemlya Belarusi. 2013;4:42–48. Russian. EDN: WCBUNV.
  23. Klebanovich NV, Kislitsyn DA. Analysis of soil and vegetation cover features on the remote sensing data (by the example of the Brest Polesye’s key districts). Vesnik of Brest University. Series 5, Biology. Sciences about Earth. 2022;1:59–66. Russian.
Опубликован
2024-06-24
Ключевые слова: автоматизированное дешифрирование, рельеф, вегетационный индекс, NDVI, земельное покрытие, эрозия почв, Новогрудская возвышенность
Как цитировать
Кислицын, Д. А., & Клебанович, Н. В. (2024). Геоинформационный анализ динамики и структуры классов земельного покрытия Новогрудской возвышенности. Журнал Белорусского государственного университета. География. Геология, 1, 126-140. Доступно по https://journals.bsu.by/index.php/geography/article/view/5764
Выпуск
№ 1 (2024): Журнал Белорусского государственного университета. География. Геология
Раздел
География

Copyright (c) 2024 Журнал Белорусского государственного университета. География. Геология

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).