Индексный алгоритм детекции признаков водной эрозии почв по мультиспектральным данным Sentinel-2 и его верификация на натурных данных территорий Ростовской области и Краснодарского края

Введение. Работа посвящена разработке и валидации индексного алгоритма выявления признаков водной эрозии почв по данным дистанционного зондирования Земли (ДЗЗ) Sentinel-2, рассматриваемого как первый практический этап построения гибридной физико-математической модели переноса массы с нейросетевой параметрической идентификацией. Материалы и методы. Алгоритм основан на совместном анализе временных рядов вегетационного индекса NDVI и индекса оголенности почвы BSI с последующей детекцией пространственных изменений (ΔBSI) с пороговой фильтрацией по 90-му процентилю. Работоспособность алгоритма проверена на модельных (синтетических) данных, после чего проведена верификация на натурных данных — реальных снимках Sentinel-2 для двух тестовых территорий — Каменского района Ростовской области и окрестностей с. Молдаванское Крымского района Краснодарского края — с временным охватом 10 дат за 2024 год. Результаты исследования. Авторами установлено, что алгоритм устойчиво выделяет пространственнолокализованные зоны роста оголенности почвы. Обсуждение. Определено ограничение метода, связанное с неразличимостью эрозионного и агротехнического происхождения оголения, а также намечены пути его устранения (привязка к цифровой модели рельефа, многолетний анализ). Заключение. Разработан и валидирован индексный алгоритм детекции признаков водной эрозии почв по временным рядам мультиспектральных снимков Sentinel-2, основанный на совместном анализе индексов NDVI и BSI с пространственной детекцией изменений. Алгоритм верифицирован на модельных данных и применен к реальным снимкам для двух тестовых территорий юга России, что подтвердило его работоспособность при одновременном выявлении принципиального ограничения — неразличимости эрозионного и агротехнического происхождения оголения почвы в пределах одного сезона наблюдений.

1. Сухинов А.И., Чистяков А.Е., Проценко Е.А. Математическое моделирование транспорта наносов в прибрежной зоне мелководных водоемов. Математическое моделирование. 2013;25(12):65–82. https://doi.org/10.1134/S2070048214040097 Sukhinov A.I., Chistyakov A.E., Protsenko E.A. Mathematical modeling of sediment transport in the coastal zone of shallow reservoirs. Mathematical Modelling. 2013;25(12):65–82. (In Russ.) https://doi.org/10.1134/S2070048214040097

2. Сухинов А.И., Чистяков А.Е., Проценко Е.А., Сидорякина В.В., Проценко С.В. Комплекс объединенных моделей транспорта наносов и взвесей с учетом трехмерных гидродинамических процессов в прибрежной зоне. Математическое моделирование. 2020;32(2):3–23. https://doi.org/10.20948/mm-2020-02-01 Sukhinov A.I., Chistyakov A.E., Protsenko E.A., Sidoryakina V.V., Protsenko S.V. A complex of combined models for sediment and suspension transport considering three-dimensional hydrodynamic processes in the coastal zone. Mathematical Modelling. 2020;32(2):3–23. (In Russ.) https://doi.org/10.20948/mm-2020-02-01

3. Сухинов А.И., Чистяков А.Е. Адаптивный модифицированный попеременно-треугольный итерационный метод для решения сеточных уравнений с несамосопряженным оператором. Математическое моделирование. 2012;24(1):3–20. https://doi.org/10.1134/S2070048212040084 Sukhinov A.I., Chistyakov A.E. Adaptive modified alternating triangular iterative method for solving grid equations with a non-self-adjoint operator. Mathematical Modelling. 2012;24(1):3–20. (In Russ.) https://doi.org/10.1134/S2070048212040084

4. Сухинов А.И., Соломаха Д.А. Усовершенствованный метод распознавания объектов морских и прибрежных систем на основе комбинации метода локальных бинарных шаблонов и нейросетевых технологий. Вычислительные методы и программирование. 2025;26(3):366–379. https://doi.org/10.26089/NumMet.v26r324 Sukhinov A.I., Solomakha D.A. An improved method for recognizing objects of marine and coastal systems based on a combination of the local binary patterns method and neural network technologies. Computational Methods and Programming. 2025;26(3):366–379. (In Russ.) https://doi.org/10.26089/NumMet.v26r324

5. Ларионов Г.А. Эрозия и дефляция почв: основные закономерности и количественные оценки. М.: Изд-во МГУ; 1993. 198 с. Larionov G.A. Soil erosion and deflation: main regularities and quantitative assessments. Moscow: Moscow University Press; 1993. 198 p. (In Russ.)

6. Lanorte A., Cillis G., Calamita G., Nolè G., Pilogallo A., Tucci B. et al. Integrated approach of RUSLE, GIS and ESA Sentinel-2 satellite data for post-fire soil erosion assessment in Basilicata region (Southern Italy). Geomatics, Natural Hazards and Risk. 2019;10(1):1563–1595. https://doi.org/10.1080/19475705.2019.1578271

7. Samarinas N., Tsakiridis N.L., Kalopesa E., Zalidis G.C. Soil Loss Estimation by Water Erosion in Agricultural Areas Introducing Artificial Intelligence Geospatial Layers into the RUSLE Model. Land. 2024;13(2):174. https://doi.org/10.3390/land13020174

8. Senanayake S., Pradhan B., Alamri A., Park H.-J. A new application of deep neural network (LSTM) and RUSLE models in soil erosion prediction. Science of the Total Environment. 2022;845:157220. https://doi.org/10.1016/j.scitotenv.2022.157220

9. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics. 2019;378:686–707. https://doi.org/10.1016/j.jcp.2018.10.045

10. Tartakovsky A.M., Marrero C.O., Perdikaris P., Tartakovsky G.D., Barajas‐Solano D. Physics-informed deep neural networks for learning parameters and constitutive relationships in subsurface flow problems. Water Resources Research. 2020;56(5):e2019WR026731. https://doi.org/10.1029/2019WR026731

11. Delcey M., Cheny Y., Keck J.-B., Gans A., Kiesgen de Richter S. Identification of settling velocity with physics informed neural networks for sediment laden flows. Computer Methods in Applied Mechanics and Engineering. 2024;432:117389. https://doi.org/10.1016/j.cma.2024.117389

12. Dahal A., Lombardo L. Towards physics-informed neural networks for landslide prediction. Engineering Geology. 2025;344:107852. https://doi.org/10.1016/j.enggeo.2024.107852