Кольорові показники як параметри прогнозування умісту органічного вуглецю у ґрунтах


  • A. O. Huslystyi Oles Honchar Dnipro National University, Dnipro, Ukraine
  • V. A. Gorban Oles Honchar Dnipro National University, Dnipro, Ukraine
Ключові слова: ґрунтовий органічний вуглець, колір ґрунту, прогнозування ҐОВ

Анотація

Вивчення хімічних, фізичних та біологічних властивостей ґрунту важливо для теоретичного та практичного грунтознавства. Дослідження властивостей ґрунту, зокрема визначення вмісту органічного вуглецю, вимагає великих витрат часу і коштів. Ефективне вимірювання ґрунтового органічного вуглецю необхідне для управління функціонуванням екосистем. Органічний вуглець має важливий вплив на властивості ґрунту, а також відіграє ключову роль у пом’якшенні наслідків зміни клімату, оскільки вуглекислий газ (CO2) може видалятися з атмосфери і зберігатися в ґрунті, тим самим зменшуючи ефект потепління. Колір є однією з ключових характеристик ґрунту, який може бути швидко проаналізований і має тісний зв’язок з рядом інших фізичних та хімічних показників ґрунту. Згідно з дослідженнями вітчизняних та закордонних вчених ґрунти є основним місцем збереження ґрунтового вуглецю, який відіграє важливу роль у глобальному циклі вуглецю. З технологічним прогресом і розвитком систем отримання зображень методи визначення характеристик ґрунту на основі зображень привернули значну увагу світової ґрунтознавчої спільноти. На відміну від спектроскопії ґрунту, пристрої для отримання зображень, такі як цифрові фотоапарати або камери телефонів, легко доступні. Традиційно колір ґрунту визначається кількісно за допомогою кольорової системи Манселла, яка вимагає суб’єктивного візуального порівняння, але останнім часом зарубіжні вчені почали використовувати кольорові схеми RGB, CMYK, HSB, визначення яких доступне майже у всіх комп’ютерних графічних редакторах.

Посилання


1. Aitkenhead M. J., Coull M., Towers W., Hudson G., Black H. I. J.Prediction of soil characteristics and colour using data from the National Soils Inventory of Scotland // Geoderma. 2013. 200e201. P. 99e107.



2. Aitkenhead M. J. The E-SMART project. 2013. http://www.hutton.ac.uk/research/ groups/information-and-computational-sciences/esmart.



3. Aitkenhead M. J., Donnelly D., Coull M.C., Gwatkin R.Estimating soil properties with a mobile phone Digital Soil Morphometrics // In: Progress in Soil Science. Springer International Publishing. 2016. P. 89-110.



4. Angelopoulou T., Balafoutis A., Zalidis G., Bochtis D.From laboratory to proximal sensing spectroscopy for soil organic carbon estimation – A review // Sustainability. 2020. 12(2). P. 443-467.



5. Balafoutis A., Beck B., Fountas S., Vangeyte J., Wal T., Soto I., Go'mez-Barbero M., Barnes A., Eory V.Precision agriculture technologies positively contributing to GHG emissions mitigation farm productivity and economics // Sustainability. 2017. 9(8). P. 1339-1367.



6. Ben-Dor E., Irons J., Epema G.Soil reflectante. Manual of Remote Sensing: Remote Sensing for Earth Science // Rencz AN Ryerson RA Eds. 1999.  P. 111-187.



7. Buol S. W., Southard R. J., Graham R. C., McDaniel P. A.Soil Genesis and Classification. John Wiley & Sons. 2011.



8. Carter W.Color analysis of soils with spectrophotometer // Am. Soil Surv. Assoc. Bull. 1931. 12. P. 169-170.



9. Fan Z., Herrick J. E., Saltzman R., Matteis C., Yudina A., Nocella N., Crawford E., Parker R., Van Zee J.Measurement of soil color: a comparison between smartphone camera and the Munsell color charts // Soil Sci. Soc. Am. J. 2017. 81. P. 1139-1146.



10. Fernandez R. N., Schulze D. G.Calculation of soil color from reflectance spectra. Soil Sci. Soc. Am. J. 1987. 51. P. 1277-1282.



11. Florinsky I. V., Eilers R. G., Manning G. R., Fuller L. G.Prediction of soil properties by digital terrain modeling // Environ. Modell. Softw. 2002. 17(3). P. 295-311.



12. Fu Y., Taneja P., Lin S., Ji W., Adamchuk V., Daggupati P., Biswas A.Predicting soil organic matter from cellular phone images under varying soil moisture // Geoderma. 2020. 361. P. 114020.



13. Gholizadeh A., Saberioon M., Viscarra Rossel R. A., Boruvka L., Klement A.Spectroscopic measurements and imaging of soil colour for field scale estimation of soil organic carbon // Geoderma. 2020. 357.  P. 113972.



14. Gomez-Robledo L., Lopez-Ruiz N., Melgosa M., Palma A. J., Capitan-Vallvey L. F., Sanchez-Maranon M.2013. Using the mobile phone as Munsell soil-colour sensor: An experiment under controlled illumination conditions. Comput. Electron. Agric. 99 200-208.



15. Gorban V. Huslystyi A. Recio Espejo J. M. Bilova N.Prediction of SOC in Calcic Chernozem in the steppe zone of Ukraine using brightness and colour indicators // Ekológia (Bratislava). 2021. 40(4). P. 325-336.



16. Heil J., Jörges C., Stumpe B.Evaluation of using digital photography as a cost-effective tool for the rapid assessment of soil organic carbon at a regional scale // Soil Security. 2022. 6. P. 100023.



17. Heil J., Marschner B., Stumpe B.Digital photography as a tool for microscale mapping of soil organic carbon and iron oxides // Catena. 2020. 193. P. 104610.



18. Islam K., McBratney A., Singh B. Estimation of soil colour from visible reflectance spectra. SuperSoil 2004 3rd.



19. Joblove G. H., Greenberg D.Color spaces for computer graphics // Comput. Graphics. 1978. 12. 20-25.



20. Kirschbaum M. U. F.Will changes in soil organic carbon act as a positive or negative feedback on global warming? // Biogeochemistry. 2000.  48(1). P. 21-51.



21. Konen M. E., Burras C. L., Sandor J. A.Organic carbon texture and quantitative color measurement relationships for cultivated soils in North Central Iowa // Soil Sci. Soc. Am. J. 2003. 67. P. 1823-1830.



22. Levin N., Ben-Dor E., Singer A.A digital camera as a tool to measure colour indices and related properties of sandy soils in semi-arid environments // Int. J. Remote Sens. 2005. 26. P. 5475-5492.



23. Mancini M., Weindorf D. C., Monteiro M. E. C., de Faria Á. J. G., dos Santos Teixeira A. F., de Lima W., de Lima F. R. D., Dijair T. S. B., Marques F. D., Ribeiro D., Silva S. H. G., Chakraborty S., Curi N.From sensor data to Munsell color system: Machine learning algorithm applied to tropical soil color classification via Nix™ Pro sensor // Geoderma. 2020. 375. P. 114471.



24. Morais P. A. O., de Souza D. M., Madari B. E., Soares A. S., de Oliveira A. E.Using image analysis to estimate the soil organic carbon content // Microchemical Journal. 2019. 147. P. 0775e781.



25. Moritsuka N., Matsuoka K., Katsura K., Sano S., Yanai J.Soil color analysis for statistically estimating total carbon total nitrogen and active iron contents in Japanese agricultural soils // Soil Sci. Plant Nutr. 2014.



26. Munsell A.H. A Color Notation. Munsell Color Company. 1919



27. Orr H. G., Wilby R. L., McKenzie Hedger M., Brown I.Climate change in the uplands: a UK perspective on safeguarding regulatory ecosystem services// Climate Res. 2008. 37. P. 77-98.



28. Raeesi M., Zolfaghari A. A., Yazdani M. R., Gorji M., Sabetizade M.Prediction of soil organic matter using an inexpensive colour sensor in arid and semiarid areas of Iran // Soil Res. 2019.



29. Rodionov A., Pa¨tzold S., Welp G., Pallares R. C., Damerow L., Amelung W.Sensing of soil organic carbon using visible and near-infrared spectroscopy at variable moisture and surface roughness // Soil Sci. Soc. Am. J. 2014. 78(3). 949-957.



30. Rossel R.V.The soil spectroscopy group and the development of a global soil spectral library // NIR. News. 2009. 20(4). P. 14-15.



31. Schulze D.G. Nagel J.L. Van Scoyoc G.E. Henderson T.L. Baumgardner M.F. Scott D.E.Significance of organic matter in determining soil colors. Soil Color // Soil Science Society of America Madison. 1993. WI. P. 71-90.



32. Simon T., Zhang Y., Hartemink A. E., Huang J., Walter C., Yost J. L.Predicting the color of sandy soils from Wisconsin USA // Geoderma. 2020. 361. P. 114039.



33. Soil Survey Staff. Keys to Soil Taxonomy 12th edition. USDA-Natural Resources Conservation Service Washington DC. 2014.



34. Stiglitz R., Mikhailova E., Post C., Schlautman M., Sharp J.Using an in- expensive color sensor for rapid assessment of soil organic carbon // Geoderma. 2017. 286. P. 98-103.



35. Stiglitz R., Mikhailova E., Post C., Schlautman M., Sharp J., Pargas R., Glover B., Mooney J.Soil color sensor data collection using a GPS-enabled smartphone application // Geoderma. 2017. 296. P. 108-114.



36. Stiglitz R., Mikhailova E., Post C., Schlautman M., Sharp J.Evaluation of an inexpensive sensor to measure soil color // Comput. Electron. Agric. 2016. 121. P. 141-148.



37. Swetha R. K., Bende P., Singh K., Gorthi S., Biswas A., Li B.Predicting soil texture from smartphone-captured digital images and an application // Geoderma. 2020. 376.  P. 114562.



38. Valeeva A. A., Aleksandrova A. B., Koposov G. F.Color estimation of forest-steppe soils by digital photography under laboratory conditions // Eurasian Soil Science. 2016. 49. P. 1033-1037.



39. Viscarra Rossel R.A., Fouad Y., Walter C.Using a digital camera to measure soil organic carbon and iron contents // Biosyst. Eng. 2008. 100. P. 149-159.



40. Viscarra Rossel R. A., Minasny B., Roudier P., McBratney A. B.Colour space models for soil science // Geoderma. 2006. 133.  P. 320-337.



41. Viscarra Rossel R. A., Webster R.Discrimination of Australian soil horizons and classes from their visible-near infrared spectra // Eur. J. Soil Sci. 2011. 62(4). P. 637-647.



42. Wills S. A., Burras C. L., Sandor J. A.Prediction of soil organic carbon content using field and laboratory measurements of soil color // Soil Sci. Soc. Am. J. 2007. 71. P. 380-388.



43. Yang J., Shen F., Wang T., Luo M., Li N., Que S.Effect of smart phone cameras on color-based prediction of soil organic matter content // Geoderma. 2021. 402. P. 115365.



44. Zhang Y., Hartemink A. E.A method for automated soil horizon delineation using digital images // Geoderma. 2019. 343. P.  97-115.


Переглядів анотації: 493
Завантажень PDF: 383
Опубліковано
2022-12-15
Розділ
Articles