Оценка агропроизводственного потенциала виноградопригодных земель по данным мультиспектральной съемки

Введение
Традиционные методы оценки почвенных свойств, основанные на лабораторных анализах, требуют больших финансовых и временных затрат при работе со значительными площадями. В условиях климатической изменчивости виноградовинодельческая отрасль нуждается в оперативных инструментах мониторинга терруаров. Дистанционное зондирование Земли (ДЗЗ) из космоса открывает возможность автоматизированного выделения микрозон с оптимальным плодородием, что критически важно для обособления особо ценных территорий и производства качественных вин с защищенным географическим указанием (ЗГУ).
Цель работы
Научно обосновать возможность эффективного определения качественных показателей виноградопригодных почв по спектральным каналам спутниковых изображений и машинного выделения контуров микроучастков с уникальными терруарными свойствами.
Материалы и методы
Исследования проводились в Анапском районе Краснодарского края на винограднике сорта Шардоне площадью 23,46 га. Участок расположен на стыке материковых (глинистых) и приморских (песчаных) пород, что сформировало высокую неоднородность почвенного покрова.
Для обработки использовались мультиспектральные спутниковые снимки видимого, ближнего и дальнего инфракрасного диапазонов на платформе Google Earth Engine. Выделение почвенных паттернов осуществлялось на основе нормализованных индексов: физической глины (CMR), песка (NDSI), органического углерода (SOCI), влажности (NDWI) и засоления (SI). Автоматизированная классификация контуров выполнялась методом машинного обучения Random Forest с обучением по точкам отбора почвенных проб. Технохимические параметры сусла и виноматериалов оценивали по профильным ГОСТам в период 2022–2025 гг.
Результаты и обсуждение
На основе разработанных алгоритмов на языке Python 3.10 создана программа для ЭВМ «Spectrosoil-vin» (свидетельство о гос. регистрации № 2025668308), реализующая полный цикл от расчета спектральных индексов до визуализации карт классификации. Интеграция данных ДЗЗ с результатами наземного агрохимического анализа повысила точность машинной классификации на 13%, зафиксировав итоговую точность модели на уровне 88% (коэффициент Каппа > 0,8).
Автоматизированный подход позволил выделить 3 класса агропроизводственного потенциала земель:
• Высокий (40% площади): черноземы с содержанием гумуса 3%, pH 6,5–7,0, повышенным содержанием фосфора и калия.
• Средний (35% площади): склоновые участки, гумус 2%, pH 7,0–7,5, подверженные дефициту влаги.
• Низкий (25% площади): слабощелочные карбонатные почвы (pH > 7,5) с гумусом менее 1%.
Трехлетний мониторинг выявил строгую корреляцию между выделенными почвенными паттернами, индексом сухости (DI) и технологическими параметрами сырья. Наиболее экстрактивные виноматериалы (приведенный экстракт до 23,7–23,9 г/дм³) получены со стабильных тяжелосуглинистых черноземов. Однако в экстремально засушливом 2024 году легкие супесчаные почвы за счет специфики доступности влаги обеспечили премиальное качество вина на уровне 84,6 балла.
Заключение
Комбинация алгоритма Random Forest и мультиспектральных данных ДЗЗ обеспечивает высокоточную пространственную интерполяцию свойств почвы. Разработанный подход и программа «Spectrosoil-vin» позволяют автоматизировать выделение оптимальных терруарных микрозон для вин ЗГУ и прогнозировать стабильность их качества в условиях изменения климата.