Главная страница  |  Описание сайта  |  Контакты
СПОСОБ ДИАГНОСТИКИ ПОЧВЕННОГО ПОКРОВА ПО ДАННЫМ ДИСТАНЦИОННОЙ ИНФОРМАЦИИ
СПОСОБ ДИАГНОСТИКИ ПОЧВЕННОГО ПОКРОВА ПО ДАННЫМ ДИСТАНЦИОННОЙ ИНФОРМАЦИИ

СПОСОБ ДИАГНОСТИКИ ПОЧВЕННОГО ПОКРОВА ПО ДАННЫМ ДИСТАНЦИОННОЙ ИНФОРМАЦИИ

Патент Российской Федерации
Суть изобретения: Использование: почвенное картографирование для нужд сельского хозяйства, в том числе для инвентаризации земель, и контроль за состоянием почвенного плодородия. Сущность изобретения: диагностика почвенного покрова проводится на основе анализа результатов цифровой обработки многозонального изображения методом кластеризации, представляемых в виде таблиц статистик и кластерной карты. Интерпретация выполняется графоаналитическим методом с использованием новых вегетационных индексов-разностей спектральной яркости в зеленом, красном и ближнем ИК диапазоне. Анализ распределения кластеров в этом пространстве позволяет интерпретировать почвенный покров в условиях открытой поверхности, провести генерализацию кластеров, различающихся только по видам и фазам развития культур, а также решить вопросы интерпретации картографических снимков к реальным условиям. 4 ил.
Поиск по сайту

1. С помощью поисковых систем

   С помощью Google:    

2. Экспресс-поиск по номеру патента


введите номер патента (7 цифр)

3. По номеру патента и году публикации

2000000 ... 2099999   (1994-1997 гг.)

2100000 ... 2199999   (1997-2003 гг.)
Номер патента: 2105974
Класс(ы) патента: G01N33/24, G01V8/00, G03B37/00
Номер заявки: 92015630/13
Дата подачи заявки: 30.12.1992
Дата публикации: 27.02.1998
Заявитель(и): Почвенный институт им.В.В.Докучаева
Автор(ы): Королюк Т.В.
Патентообладатель(и): Почвенный институт им.В.В.Докучаева
Описание изобретения: Изобретение относится к почвенному картографированию для нужд сельского хозяйства и может быть использовано в целях инвентаризации земель и контроля за состоянием почвенного покрова.
Наиболее распространенными методами анализа материалов дистанционных съемок в целях составления почвенных карт являются визуальные и визуально-инструментальные. С появлением новых технических средств съема и обработки информации и резким увеличением ее объема усиленное внимание уделяется разработке цифровых методов на базе ЭВМ и анализаторов изображений, что обеспечивает большую объективность и оперативность обработки. Интерпретация результатов цифровой обработки является ключевым вопросом ее использования в целях тематического картографирования.
В основе распознавания природных объектов по материалам многозональных съемок лежит анализ изменений их спектральной яркости в различных интервалах видимой и ближней ИК части спектра. С целью повышения объективности результативности интерпретации этих изменений используют вегетационные индексы, представляющие собой различного рода отношения и линейные комбинации каналов съемки. Среди них наиболее часто используют преобразование, предложенное Каутом и Томасом и известное как трансформация "шапочка с кисточкой" ("Tasseled Cap Transformation", kanth R.J. Thomas G.S. 1976). Метод разработан для целей оценки биологической продуктивности, а потому, как в работах этих авторов, так и в последующих (Riohardson A.J.Wiegand C/L. 1977; Haete A. R. Jactson R/D. 1985), почва рассматривается как помеха, маскирующий фактор.
Метод Каут-Томаса взят нами в качестве "прототипа". Отличие данного изобретения от него в более простом способе представления старых и выявлении новых закономерностей распределения природных объектов в пространстве, координатами которого являются новые вегетационные индексы разности спектральных яркостей.
Цель изобретения повышение результативности интерпретации почвенного покрова по данным цифровой обработки многозональной съемки в условиях открытой поверхности и развитого растительного покров.
Пример (конкретное выполнение способа).
Разработка методических приемов интерпретации результатов цифровой обработки изображения проводилась на территории степного и сухостепного Предкавказья. Общая площадь объекта 21 час. кв. км. Он представляет собой полосу шириной около 100 км, протянувшуюся с ЮЗ на СВ от длины p. Кубань в окрестностях пос. Кочубеевское до депрессии лимана Бурукшун. Исследования территория включает Ставропольскую возвышенность с ее крутыми юго-западными и пологими северными склонами, западную часть Янкульской котловины, уже упоминавшуюся лиманную депрессию, верховья долин Кубани и Егорлыка и долины из протоков. Среди почвообразующих пород преобладают лессовидные суглинки мощностью 10-25 м. В Янкульской котловине и на южных склонах Ставропольской возвышенности на поверхность выходит майкопские глины. Вершины Ставропольской возвышенности сложены с поверхности известняками и песчаниками, покрытыми лесной растительностью.
В почвенном покрове объекта наблюдается переход от черноземной зоны к каштановой. Почвы черноземного типа представлены подтипами обыкновенных и в меньшей степени южных черноземов. На майских глинах подтип обыкновенных черноземов представлен родом слитных. На севере объекта, в районе Букуршунской депрессии, распространены темно-каштановые почвы и почвы каштановых солонцовых комплексов. В речных долинах развиты луговые и аллювиально-луговые почвы, солончаки и солонцы. Последние характеры также и для лиманной депрессии. Наконец, нельзя не отметить присутствие вторично-гидроморфных и засоленных почв орошаемых и подтопляемых территорий.
Были использованы следующим материалы: 1) информация, полученная со спутника Космос-1939 аппаратурой высокого разрешения МСУЭ в сентябре и октябре 1988 г. 2) серия тематических карт (Государственная почвенная карта СССР М 1:1000000. Почвенная карта Ставропольского края М 1:300000, гипсометрические карты тех же масштабов, карта четвертичных отложений М 1:1500000); 3) данные наземных маршрутных исследований. Цифровая обработка включала кластерный анализ по методу K-средних, который учитывает тоновые и текстурные различия объектов. В работе использовался алгоритм, описанный в работах Асмуса с соавторами (1987, 1988). Идея метода состоит в том, что исходный массив данных на основе некоторого критерия неоднородности разбивается на однородные подмножества, каждое подмножество описывается вектором средних и производится кластеризация этих векторов методом K-средних. В алгоритме заложена возможность правильной кластеризации смешанных точек, а также выделения (N+1) класса. Высокая точность и достаточность результатов обеспечивается комплексным использованием яркостных и пространственных характеристик.
Цифровая обработка косметических данных проводилась на ЭВМ ЕС-1060, IBM PC AT. Просмотр и интерпретация исходных изображений и результатов цифровой обработки выполнялись на комплексе Периколор-2000 и IBM PC AT.
Интерпретация почвенного покрова по результатам цифровой обработки.
Результаты кластерного анализа изображений воспроизводятся в виде двух документов: кластерной карты и таблицы статистик /число измерений в кластере, вектор средних, вектор дисперсий/.
Визуальный анализ кластерной карты позволяет оценить особенности пространственного распределения кластеров, преобладающие формы их ареалов, наличие текстуры, наиболее часто встречающиеся сочетания и специфичность кластеров.
Форма отдельных выделов на кластерной карте говорит о происхождении почвенного покрова, природном или с участием антропогенного воздействия. Преобладание геометрических форм, прямолинейность и угловатость границ готовят о распространении пахотных угодий. Пятнистые и линейные формы характерны для почвенного покрова, формирующегося в естественных условиях или в условиях ограниченного антропогенного воздействия (луга, пастбищные угодья). При этом линейность, как правило, является индикатором приуроченности к речной или овражно-балочной сети.
Внутренняя текстура таких контуров может быть случайной. Тогда ее можно убрать, используя метод медианной фильтрации. При этом, однако, необходима осторожность, так как этот признак может указывать и на микро- и мезонеоднородность почвенного покрова, выраженную через различие состояния посевов.
Пространственные изменения в числе и составе кластеров на отдельных фрагментах изображения отражают изменения в числе и составе культур в севообороте и могут служить косвенным признаком изменений и структуре почвенного покрова на микроуровне (Королюк, 1989).
Оценка специфичности кластеров имеет важное значение для интерпретаций почвенного покрова. Один и тот же кластер может соответствовать почвенному покрову, формирующемуся в разных геоморфологических позициях и разных условиях увлажнения. Это связано с тем, что дистанционные методы регистрируют спектральную яркость системы, состоящей из почвы и растительности. Влияние последней вносит в нее существенные коррективы, иногда стирая различия, обусловленные почвой. Поэтому для повышения результативности интерпретации почвенного покрова необходимо предварительное совмещение снимка с картой геоморфологического районирования или с топокартой с выделенными на ней водосборами, речными долинами, склонами крутизны и другими элементами геоморфологии.
Визуальный анализ спектральных кривых, построенных по средним спектральным яркостям кластеров, показывает, что природные объекты степного и сухостепного Предкавказья делятся на 4 группы (фиг. 1). Первая соответствует водным объектам, для которых характерно постепенное падение кривой от зеленой и ближней ИК зоне. Наблюдаемый иногда прогиб в красной зоне может быть связан с зарастанием водоемов.
Вторая группа объединяет спектральные кривые почв, полученные в условиях открытой поверхности или при незначительном покрытии ее растительностью (например, всходы или посевы на ранней стадии развития). Кривые этой группы максимально приближаются к спектральному образу почв (Кринов, 1974). В этой группе наиболее ярко проявляется влияние почвенных свойств (гумусности, карбонатности, засоленности) на спектральную яркость системы почва-растительность, что сказывается в положении над осью абсцисс графита.
Третья и четвертая группы соответствуют классу растительных образований, для которого характерен прогиб в красной зоне и подъем в ближней ИК. Уменьшение отражения в первой связано с поглощением света в результате абсорбции хлорофиллом. Увеличение отклика во второй с внутренней структурой листа (Kniphling, 1970). Таким образом, соответствующие отклонения спектральной кривой в названных диапазонах связаны с присутствием зеленой биомассы. Выраженность этих изменений отражает объем биомассы, определяемый плотностью и состоянием растительности, а, следовательно, и степенью влияния спектральных свойств растительности на спектральные характеристики системы почва-растительность. Таким образом, 3-я и 4-я группы спектральных кривых отличаются по плотности и состоянию растительного покрова.
Из сказанного очевидно, что характер спектральных кривых объектов содержит существенную информацию о компонентах системы. Однако, визуальная интерпретация их сложена и субъективна.
Графический анализ спектральных параметров объектов, сгруппированных в кластеры, в координатах r(0,5-0,6) и r(0,6-0,7); r(0,6-0,7) и r(0,8-0,9) позволил выявить некоторые закономерности их распределения в этих пространствах, которых могут быть полезны при интерпретации почвенного покрова.
На графике, построенном в первой проекции, между средней яркостью спектральных классов в каналах (0,5-0,6) и (0,6-0,7) наблюдается линейная зависимость (фиг.2). В распределении кластеров в этих координатах намечаются следующие тенденции. Все разнообразие кластеров может быть разделено на 4 группы. Первую, с характерным для растительных образований спектральным образом, создают кластеры, соответствующие залесенным территориям. Вторая группа отражает орошение земли (после полива), а также зарастающие водоемы. И четвертая, самая представительная, образована кластерами системы почва-растительность. Внутри этой группы намечается разделение на автоморфные, полу- и гидроморфные почвы. Среди автоморфных почв в свою очередь можно выделить области концентрации кластеров, соответствующих: черноземам среднегумусным, черноземам малогусмусным, черноземам южным и каштановым солонцовым комплексам с участием солонцов до 10% каштановым солонцовым комплексам с участием солонцов от 10 до 25% и солонцам степным, а также полугидроморфным и гидроморфным солончаковым. Однако значительный разброс кластеров позволяет говорить лишь о намечающихся тенденциях такого разделения.
Второй вариант графического анализа убедительно продемонстрировал высокую информативность съемки в каналах 0,6-0,7 и 0,8-0,9 мкм. Распределение кластеров в этой плоскости образует облако треугольной формы с наиболее влажными, заросшими густой растительностью почвами в вершине треугольника /B/ и открытыми почвами в его основании. По основании треугольника кластеры располагаются в порядке возрастания из средней спектральной яркости, обусловленной почвенными свойствами. Это позволяет назвать ее вслед за Каут и Томасом "линией почв".
Указанные закономерности хорошо известны и еще раз подтверждаются в наших исследованиях картографической и наземной информацией. Однако, достаточно хаотическое распределение кластеров внутри треугольника не позволяет выявить закономерностей, которые можно было бы использовать для выработки единых принципов интерпретации почвенного покрова.
В поисках таких закономерностей мы обратились вновь к анализу спектральных кривых почв и растительности. Их сопоставление показывает, что для разделения этих объектов наиболее информативен канал 0,6-0,7. Спектральная кривая почв здесь сохраняет тенденцию постепенного подъема от зеленой к ближней ИК части спектра, а растительность дает резко выраженный прогиб. Разность отражения r(0,5-0,6) r(0,6-0,7) показывает интенсивность развития растительности и ее состояние. Если она развита слабо (всходы) или малосочная (сено, растительность на менее влагообеспеченных почвах), эта величина будет отрицательной или близкой к нулю. Если растительность густая и сочная (посевы на более влагообеспеченных почвах, а также в полугидроморфных и гидроморфных условиях), эта величина будет положительной.
Разность в каналах ближний ИК минус красный показывает интенсивность подъема спектральной кривой в ближнем ИК диапазоне, который может быть связан с густым и сочным растительным покровом /тогда большим значениям r(0,8-0,9) r(0,6-0,7) будут соответствовать большие положительные значения r(0,5-0,6) - (0,6-0,7) /или с яркостью самой почвы/ тогда r(0,5-0,6) r(0,6-0,7) ≅ 0 /.
График, построенный в координатах r(0,5-0,6) r(0,6-0,7) и r(0,8-0,9) - r(0,6-0,7) показал следующее.
Распределение кластеров в этом пространстве также имеет форму треугольника, основанием которого является линия открытых почв AC, а перпендикулярно к ней направлена линия растительности с максимумом растительного покрова в вершине B. Форма и положение треугольника в пространстве определяется зональностью. Ее влияние проявляется в изменении угла, образованного линией почв с осью ординат, а также в положении треугольника относительно оси абсцисс. При переходе от каштановых солонцовых комплексов к обыкновенным черноземам угол между линией почв и осью Y (фиг.3) увеличивается, что может быть объяснено большим развитием растительности в условиях более влажной зоны. Положение треугольника относительно оси X связано с состоянием растительности, ее сочностью. В более влажной черноземной зоне сочная растительность определяет хорошую выраженность прогиба спектральной кривой в диапазоне 0,6-0,7 мкм. Разность r(0,5-0,6) r(0,6-0,7) имеет здесь в основном положительные значения и большая часть треугольника распределения кластеров располагается выше оси X (фиг. 3a). В более засушливой зоне, с менее сочной растительностью, вклад последней в спектральную яркость системы почва-растительность менее значителен. На южных черноземах, темно-каштановых почвах и почвах каштановых солонцовых комплексов величина r(0,5-0,6) - r(0,6-0,7) приобретает отрицательные значения, поэтому значительная часть площади треугольника, отражающей пахотные угодья, смещается ниже оси X (фиг.3в).
Положение кластеров на линии почв, то есть в условиях относительно открытой поверхности, определяется яркостью верхнего горизонта, которая в свою очередь зависит от его свойств: влажности, гумусности, засоленности, карбонатности и др. В направлении от A к C кластеры располагаются в порядке возрастания их средней яркости, в данном пространстве признаков в порядке увеличения отрицательного значения разности r(0,5-0,6) r(0,6-0,7) от гидроморфных почв к черноземам, каштановым, степным солонцам и солончакам с солевой коркой.
Внутри треугольника прослеживается явная тенденция размещения кластеров вдоль линий, соединяющих кластеры линии почвы с вершиной треугольника B. При этом от линии почв к вершине почвенный покров меняется от автоморфного к гидроморфному. В условиях пашни, а это, как правило, автоморфные почвы, кластеры вдоль этих линий отличаются лишь видом культур и плотностью посевов (последнее проявляется в удаленности от линии почвы), что позволяет объединить их при интерпретации почвенного покрова и тем самым провести генерализацию почвенной схемы при переводе ее в почвенную. В исследовавшийся сезон съемки максимальная плотность растительного покрова на автоморфных пахотных угодьях не превышала 40%
Кластеры с полугидроморфным и гидроморфным почвенным покровом целинных и залежных земель с проективным покрытием более 40% размещаются в верхней части треугольника соответственно дальше или ближе к его вершине. При этом поле их рассеивания смещается к левому плечу треугольника. Их пространственная связь с определенными типами автоморфного почвенного покрова проявляется в тенденции размещения на соответствующих линиях, соединяющих основание треугольника с его вершиной.
Кластеры, отражающие наиболее влажные луговые, лугово-болотные и орошаемые почвы, располагаются вдоль левого плеча треугольника. Их приближение к вершине треугольника означает улучшение условий произрастания растений, например, с уменьшением засоления в верхнем слое почвы.
Кластеры, характеризующие водные поверхности (озера, лиманы, водохранилища) или переувлажненные объекты (прилиманные заболоченные полосы с тростниковой растительностью, приканальные зоны, орошаемые земли после полива), выпадают за пределы треугольника. И те, и другие располагаются выше его. В зависимости от минерализации водных объектов соответствующие им кластеры располагаются левее (пресные) или правее (минерализованные) оси Y.
В условиях однородного антропогенного ландшафта в распределении кластеров внутри треугольника наблюдается также тенденция расположения их вдоль линий, направленных под углом к линии почв, с постепенным возрастанием этого угла к вершине треугольника B (фиг.4). В таких случаях, принимая за 100% плотность растительного покрова в вершине треугольника, можно ориентировочно оценить ее в кластерах на линиях I-I, II-II, III-III.
Распознавание почвенного покрова выполняется путем анализа кластерной карты и особенностей спектральных кривых природных объектов кластеров с привлечением наземных данных и тематических карт.
Анализ распределения кластеров в пространстве разностей спектральной яркости позволяет: 1) выполнить распознавание почв в условиях открытой поверхности на основе связей их спектральной яркости со свойствами верхнего слоя почв гумусностью, карбонатностью, влажностью, засолением; 2) сгруппировать кластеры, выделенные в связи с различиями по виду и состоянию сельскохозяйственных культур, но не различающиеся по почвенному покрову; 3) выполнить распознавание автоморфного, полугидроморфного и гидроморфного почвенного покрова; разделить наиболее влажные (луговые, лугово-болотные) почвы в соответствии с изменением условий произрастания растений (например, с засолением).
На протяженных объектах, где происходит зональная смена почвенного покрова, графический анализ в координатах r(0,5-0,6) и r(0,6-0,7) позволяет определить размах разнообразия почвенного покрова в пределах анализируемых фрагментов.
Результаты интерпретации представляют в виде таблицы, где указываются номера основного и сопутствующего кластеров, их геоморфологическая позиция, форма выделов, характер границ, почвы и их комбинации, вид освоения и проективное покрытие. Эта таблица служит ключом к трансформации кластерной карты в почвенную.
Кластерная карта, генерализованная в соответствии с графиком на фиг. 3a, с обозначениями, представленными в виде почвенных категорий, является вторым результатом интерпретации и представляет собой схематический эскиз будущей почвенной карты. Для получения последней требуется ряд дополнительных проработок, таких как геометрическая коррекция, приведение к соответствующему масштабу, корректировка границ с цветом топографии, возможно некоторые другие.
Подписки к фиг. 1-4.
Фиг. 1. Основные типы спектральных кривых природных объектов степного и сухостепного Предкавказья.
I Водные поверхности (1, 2),
II Почвы (открытая поверхность): 3-черноземы обыкновенные среднегумусные, 4 черноземы обыкновенные малогумусные, 5-темно-каштановые, 6-солонцы степные глубокие.
III Почвы под посевами (7, 8).
IV Почвы под густым покровом растительности: 9-луга, 10-леса, 11-орошаемые земли.
Фиг. 2. Распределение кластеров в пространстве координат r(0,5-0,6) и r(0,6-0,7 (условные единицы).
Группы природных объектов:
I Леса. II Водные поверхности и пойменные луга на аллювиальных почвах. III Водные поверхности (зарастающие) и орошаемые земли. IV Почвы (почвенный покров): А гидроморфные; Б полугидроморфные; В автоморфные; а) черноземы обыкновенные среднегумусные, б) черноземы обыкновенные малогумусные, в) черноземы южные и каштановые солонцовые комплексы с участием солонцов до 25% г) солонцы степные и лугово-черноземные солончаковые почвы.
Фиг. 3. Распределение кластеров в пространстве координат разностей спектральных яркостей: r0,5-0,6 r0,6-0,7 и r0,8-0,9 r0,6-0,7.
а) Южный склон Ставропольской возвышенности.
б) Полоса перехода обыкновенных черноземов к темно-каштановым почвам.
в) Каштановые солонцовые комплексы в окрестностях лиманной депрессии.
1 чернозем обыкновенный среднегумусный мощный; 2 чернозем обыкновенный среднегумусный среднемощный, в том числе солонцеватый; 3 - чернозем обыкновенный среднегумусный маломощный, в том числе солонцеватый; 4 - чернозем сильно смытый; 5 чернозем обыкновенный малогумусный мощный; 6 - чернозем обыкновенный малогумусный среднемощный; 7 чернозем южный; 8 - каштановая почва; 9 каштановые солонцевые комплексы, солонцов до 10% 10 - каштановые солонцовые комплексы, солонцов 10-25% 10a каштановые солонцевые комплексы, солонцов 25-50% 11 солонцы степные; 12 солонцы лугово-степные; 13 солонцы луговые; 14 солончаки луговые; 15 лугово-степные; слитые; 16 слитые луговые (солончаковые); 17 луговые (в том числе солончаковые); 18 - черноземно-луговые; 19 лугово-черноземные; 20 луговые и лугово-черноземные солончаковые; 21 лугово-черноземные слитые; 22 вторично-луговые (солончаковые); 23 аллювиальные; 24 орошаемые земли (после полива); 25 - почвы под лесом; 26 водные поверхности.
Фиг. 4. Фрагмент с относительно однородным агрогенным ландшафтом. Влияние проективного покрытия посевом проявляется в тенденции размещения кластеров вдоль линий I-I, II-II, III-III (подписи к фиг.4 те же, что и к фиг.3).
Литература.
АСМУС В.В. КАРАСЕВ А.Б. Обоснование и описание структуры базовой методике обработки космических данных для получения тематической информации В сб. Труды ГосНИЦИПР, вып. 29. Гидрометеоиздат. Л. 1987, с.6-12.
АСМУС В. В. ВАДАС В. КАРАСЕВ А.Б. Программный комплекс кластеризации многозональных данных. Исследование Земли из космоса, 1988, N3, с.86-94.
КОРОЛЮК Т.В. Диагностика почв степной и сухостепной зон Предкавказья по материалам аэрокосмической съемки. Почвоведение, 1989, N4, с. 124-132.
КРИНОВ Е. Л. Спектральная отражательная способность природных образований. М, Л. АН СССР, 1947, 271 с.
HUETE F. R. JACKSON R.D. The tasseled cap: size, shape and orientation changes due to soil backgraund. In. Mach. Process. Rem. Sens. Data Quantif. Glod Process: Models, Sens. Syst. and Anal. Meth. 11th Int. Symp. W.Lafayette, ind. 1985, p. 329-337.
KAUTH R. J. THOMAS G.S. The tasseled cap a graphic description of the spektral temporal of agricultural crops development as seen by Landsat. in. Proc. Symp. Mash. Process. Rem. Sens. Data. W.Lafayette, 1976, p.41-51.
KNIPLING E. B. Physical and physiological basis for the reflectance of visible and infrared radiation from vegetation.-Remote Sensing of Environment. 1970, 1, p. 155-160.
RICHARDSON A. I. WEIGAND C. D. Distinguishing vegetation from soil background information. Photogramm. Eng. and Rem. Sensing, 1977, N 43, p. 1541-1552.
Формула изобретения: Способ диагностики почвенного покрова по данным дистанционной информации, включающий проведение космической съемки, сбор тематических картографических материалов и проведение выборочных наземных исследований, отличающийся тем, что, с целью повышения результативности дешифрирования проводят многозональную съемку в трех каналах видимой и ближней инфракрасной части спектра, полученные результаты обрабатывают методом кластерного анализа, на основании которого составляют карту спектральных классов и таблицу их статистик, средние яркости кластеров представляют в координатах разностей спектральных яркостей r (0,5 - 0,6) мкм-r (0,6 0,7) мкм и r(0,8 0,9) мкм-r (0,6 0,7) мкм и координатах r (0,5 0,6) мкм и r(0,6 0,7) мкм, по положению кластеров в указанных координатах выполняют интерпретацию почвенного покрова, используя тематические карты и данные наземных исследований.