ОЦЕНОЧНЫЕ ПРИЗНАКИ ВИНОГРАДОПРИГОДНЫХ ЗЕМЕЛЬ ПО СПЕКТРАЛЬНЫМ ПАТТЕРНАМ
DOI 10.12737/2073-0462-2023-29-37 УДК 634.8:631.4
Ключевые слова:
виноградник, виноградарство, вегетационные спектральные индексы, структура почвы, терруар, паттерн, сила роста куста.Аннотация
Исследования проводили с целью определения необходимой совокупности оценочных признаков виноградопригодных земель со свойствами терруара на основе обобщения литературных источников и постановки полевого опыта по применению вегетационных спектральных индексов в виноградных насаждениях. Использование спектральных данных о состоянии почвы, растений и окружающей среды позволяет оценивать силу роста кустов и урожайность виноградников по разностным нормализованным индексам. Спектральный анализ виноградников по космоснимкам позволяет с периодичность в 2…7 дней получать данные о вегетативной и влажностной изменчивости виноградных насаждений. Правильная интерпретация спектральных космоснимков возможна при их проверке в результате наземных исследований показателей почвы, вегетации кустов по фенофазам, влажности почвы, воздуха и листа. В перспективе верификация спутниковых и наземных данных позволит снизить объемы маршрутно-полевых обследований и лабораторных анализов. Для решения этой задачи спектральные данные с общедоступных спутниковых платформ Sentinel-2 и Landsat-8 должны быть откалиброваны по наземным образцам с пробных участков виноградопригодных земель с терруарными свойствами, которые определяются как спектральные паттерны (образцы) виноградников. Наличие зависимости между влажностью почвы, площадью листовой поверхности и урожайностью позволяет на основе нормализованных индексов вегетации (NDVI) и влажности почвы (NDMI) определять микроучастки виноградного насаждения с различной продуктивностью и качеством урожая. Микрозонирование местности по таким параметрам как физико-химический состав, влажность почвы, морфометрия, экспозиция и уклоны склонов позволяет выделять виноградопригодные участки со свойствами терруаров. Выделение границ и площадей виноградного насаждения с терруарными свойствами по спектральным растровым космоснимкам с векторизацией разностных почвенных слоев в геоинформационной системе позволяет оперативно оценивать виноградопригодные земли, продуктивность различных участков виноградного насаждения и оптимизировать агроработы в соответствии с прецизионным подходом в виноградарстве.
Литература
1. О виноградарстве и виноделии в Российской Федерации: Федеральный закон от 27.12.2019 N 468-ФЗ (ред. от 02.07.2021) URL: http://publication.pravo.gov.ru/Document/View/0001201912280016 (дата обращения: 17.08.2022).
2. Орлов В.А., Лукьянов А.А. Элементы цифровизации виноградных насаждений на основе геоинформационной системы // Плодоводство и виноградарство Юга России. 2022. № 73 (1) С. 14–27. doi: 10.30679/2219-5335-2022-1-73-14-27.
3. Организация работы с данными наземных и дистанционных наблюдений для решения задач дистанционного мониторинга виноградников / Е.А. Рыбалко, Н.В. Баранова, Е.А. Лупян и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13 (1). С. 79–92. doi: 10.21046/2070-7401-2016-13-1-79-92.
4. A soil quality index using Vis-NIR and pXRF spectra of a soil profile / G. Gozukara, M. Acar, E. Ozlu, et al. // Catena. 2022 Vol. 211. 105954. URL: https://www.sciencedirect.com/science/article/abs/pii/S0341816221008122 (дата обращения: 01.07.2022). doi: 10.1016/j.catena.2021.105954.
5. Soil classification of multihorizontal profiles using support vector machines and vis-NIR spectroscopy / S. Chen, W. Ma, D. Xu, et al. // Pedometrics: Wageningen 2017. P. 56. URL: https://hal.science/hal-01606621 (дата обращения: 10.07.2022).
6. Minařík R., Žížala D., Juřicová A. Creation of detailed soil properties maps of the Czech Republic based on national legacy data and digital soil mapping // EGU General Assembly 2020. EGU2020-18480. doi: 10.5194/egusphere-egu2020-18480. URL: https://meetingorganizer.copernicus.org/EGU2020/EGU2020-18480.html (дата обращения: 12.07.2022). doi: 10.5194/egusphere-egu2020-18480.
7. Digital Soil Mapping - An Introductory Perspective / P. Lagacherie A.B. McBratney, M. Voltz, et al. // The European Journal of Soil Science (EJSS). 2007. Vol. 58. No. 5. P.1217–1218. doi: 10.1111/j.13652389.2007.00943_6.x.
8. Organic Matter Modeling at the Landscape Scale Based on Multitemporal Soil Pattern Analysis Using RapidEye Data / G. Blasch, D. Spengler, S. Itzerott, et al. // Remote Sensing. 2015. № 7 (9). P. 11125–11150. doi: 10.3390/rs70911125.
9. Regional mapping of soil organic matter content using multitemporal synthetic Landsat 8 images in Google Earth Engine / C. Luo, X. Zhang, X. Meng, et al. // CATENA. 2022. Vol. 209, P. 1. 105842. URL: https://www.sciencedirect.com/science/article/abs/pii/S0341816221007001?via%3Dihub (дата обращения: 15.08.2022). doi: 10.1016/j.catena.2021.105842.
10. Reynolds A., Willwerth J. Spatial variability in Ontario Riesling vineyards: I. Soil, vine water status and vine performance // OENO One. 2020. № 54. P. 311–333. doi: 10.20870/oeno-one.2020.54.2.2401.
11. Bamberger U. Wasserdefizit im Boden – Folgen für den Wein? // Deutsches Weinbaujahrbuch. 2008. Verlag Ulmer, Stuttgart, S. 130–133.
12. The use of proximal soil sensor data fusion and digital soil mapping for precision agriculture / W. Ji, V. Adamchuk, S. Chen, et al. // Pedometrics. 2017. HAL Id: hal-01601278. URL: https://hal.science/hal-01601278 (дата обращения: 17.02.2022)
13. Устойчивость сортов винограда к засухе / Н.И. Ненько, И.А. Ильина, В.С. Петров и др. // Вестник Российской сельскохозяйственной науки. 2019. № 5. С.40–45. doi: 10.30850/vrsn/2019/5/40-45.
14. Remote sensing, yield, physical characteristics, and fruit composition variability in Cabernet Sauvignon vineyards / B. Sams, R.G.V. Bramley, L. Sanchez, et al. // American Society for Enology and Viticulture. 2022. №73(2). P. 93-105. doi: 10.5344/ajev.2021.21038.
15. Шукилович А.Ю., Федотова Е.В., Маглинец Ю.А. Применение сенсора MODIS для оперативного мониторинга земель сельскохозяйственного назначения // Журнал Сибирского федерального университета. Cерия: техника и технологии. 2016. С. 1035–1044. doi: 10.17516/1999-494X-2016-9-7-1035-1044.
16. Влияние факторов среды ампелоценоза на формирование качественных показателей вина / А.А. Лукьянов, М.В. Антоненко, Ю.В. Гапоненко и др. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2015. № 112. С. 1224–1235.
17. Майбородин С.В. Изменение показателей продуктивности и плодоносности виноградных насаждений в зависимости от применения различных агротехнических приемов // Вестник НГАУ (Новосибирский государственный аграрный университет). 2022. № 2 (63). С. 33–38. doi: 10.31677/2072-6724-2022-63-2-33-38.
18. Mathematical Models of Leaf Area Index and Yield for Grapevines Grown in the Turpan Area Xinjiang, China / L. Su, W. Tao, Y. Sun, et al. // Agronomy. 2022. 12(5):988. URL: https://www.mdpi.com/20734395/12/5/988 (дата обращения: 04.09.2022). doi: 10.3390/agronomy12050988.
1. On viticulture and winemaking in the Russian Federation: Federal Law of December 27, 2019 N 468-FZ (as amended on July 2, 2021). [cited 2022, August 17]. Available from: http://publication.pravo.gov.ru/Document/View/0001201912280016.
2. Orlov VA, Luk'yanov AA. [Elements of digitalization of vine plantations based on a geographic information system]. Plodovodstvo i vinogradarstvo Yuga Rossii. 2022; 73 (1) 14-27 p. doi: 10.30679/2219-5335-2022-1-73-14-27.
3. Rybalko EA, Baranova NV, Lupyan EA. [Organization of work with data from ground and remote observations for solving problems of remote monitoring of vineyards]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2016; Vol.13 (1). 79-92 p. doi: 10.21046/2070-7401-2016-13-1-79-92.
4. Gozukara G, Acar M, Ozlu E. A soil quality index using Vis-NIR and pXRF spectra of a soil profile. [Internet]. Catena. 2022; Vol.211. 105954 p. [cited 2022, July 1]. Available from: https://www.sciencedirect.com/science/article/abs/pii/S0341816221008122. doi: 10.1016/j.catena.2021.105954.
5. Chen S, Ma W, Xu D. Soil classification of multihorizontal profiles using support vector machines and vis-NIR spectroscopy. [Internet]. Pedometrics: Wageningen 2017; 56 p. [cited 2022, July 10]. Available from: https://hal.science/hal-01606621.
6. Minařík R, Žížala D, Juřicová A. Creation of detailed soil properties maps of the Czech Republic based on national legacy data and digital soil mapping. [Internet]. EGU General Assembly 2020; EGU2020-18480. doi: 10.5194/egusphere-egu2020-18480. [cited 2022, July 17]. Available from: https://meetingorganizer.copernicus.org/EGU2020/EGU2020-18480.html. doi: 10.5194/egusphere-egu2020-18480.
7. Lagacherie P, McBratney AB, Voltz M. Digital Soil Mapping - An Introductory Perspective. [Internet]. The European Journal of Soil Science (EJSS). 2007; Vol.58. 5. 1217-1218 p. doi: 10.1111/j.1365-2389.2007.00943_6.x.
8. Blasch G, Spengler D, Itzerott S. Organic matter modeling at the landscape scale based on multitemporal soil pattern analysis using rapideye data. Remote sensing. 2015; 7 (9). 11125-11150 p. doi: 10.3390/rs70911125.
9. Luo C, Zhang X, Meng X. Regional mapping of soil organic matter content using multitemporal synthetic Landsat 8 images in Google Earth Engine. [Internet]. CATENA. 2022; Vol.209. 1. 105842 p. [cited 2022, August 15]. Available from: https://www.sciencedirect.com/science/article/abs/pii/S0341816221007001?via%3Dihub. doi: 10.1016/j.catena.2021.105842.
10. Reynolds A, Willwerth J. Spatial variability in Ontario Riesling vineyards: I. Soil, vine water status and vine performance. OENO One. 2020; 54. 311-333 p. doi: 10.20870/oeno-one.2020.54.2.2401.
11. Bamberger U. Wasserdefizit im Boden – Folgen für den Wein? Deutsches Weinbaujahrbuch. 2008; Verlag Ulmer. Stuttgart. 130-133 p.
12. Ji W, Adamchuk V, Chen S. The use of proximal soil sensor data fusion and digital soil mapping for precision agriculture. [Internet]. Pedometrics. 2017; HAL Id: hal-01601278. [cited 2022, February 17]. Available from: https://hal.science/hal-01601278.
13. Nen'ko NI, Il'ina IA, Petrov VS. [Resistance of grape varieties to drought]. Vestnik Rossiiskoi sel'skokhozyaistvennoi nauki. 2019; 5. 40-45 p. doi: 10.30850/vrsn/2019/5/40-45.
14. Sams B, Bramley RGV, Sanchez L. Remote sensing, yield, physical characteristics, and fruit composition variability in Cabernet Sauvignon vineyards. American Society for Enology and Viticulture. 2022; 73(2). 93-105 p. doi: 10.5344/ajev.2021.21038.
15. Shukilovich AYu, Fedotova EV, Maglinets YuA. [Application of the MODIS sensor for operational monitoring of agricultural land]. Zhurnal Sibirskogo federal'nogo universiteta. Ceriya: tekhnika i tekhnologii. 2016; 1035-1044 p. doi: 10.17516/1999-494X-2016-9-7-1035-1044.
16. Luk'yanov AA, Antonenko MV, Gaponenko YuV. [Influence of environmental factors of ampelocenosis on the formation of quality indicators of wine]. Politematicheskii setevoi elektronnyi nauchnyi zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta. 2015; 112. 1224-1235 p.
17. Mayborodin SV. [Changes in indicators of productivity and fruitfulness of vineyards depending on the use of various agricultural practices]. Vestnik NGAU (Novosibirskii gosudarstvennyi agrarnyi universitet). 2022; 2(63). 33-38 p. doi: 10.31677/2072-6724-2022-63-2-33-38.
18. Su L, Tao W, Sun Y. Mathematical models of leaf area index and yield for grapevines grown in Turpan area Xinjiang, China. [Internet]. Agronomy. 2022; 12(5):988. [cited 2022, September 4]. Available from: https://www.mdpi.com/2073-4395/12/5/988. doi: 10.3390/agronomy12050988.
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 ВЕСТНИК Казанского государственного аграрного университета
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Метаданные научных статей, включая название, аннотацию, сведения об авторах, список литературы, идентификаторы и иные элементы библиографического описания для дальнейшего неограниченного использования, передаются в редакцию с правом их неограниченного использования на условиях открытой лицензии Creative Commons Attribution (CC BY).
