В ходе исследования состава почв на наличие потенциально токсичных металлов сотрудники Лаборатории нейтронной физики Объединенного институт ядерных исследований (ОИЯИ) получили интересный результат: они заметили корреляцию между картой загрязнений и картой почвенного покрова, основанной на снимках со спутника. По мнению исследователей, при определенных условиях данную взаимосвязь можно использовать для выявления областей аномального загрязнения почвы в местах, где невозможно взять пробы.
Сегодня загрязнение почвы потенциально токсичными металлами представляет собой серьезную проблему из-за растущей индустриализации и урбанизации во всем мире и затрагивает как сельские, так и городские районы. Большинство токсичных металлов биологически активны и практически не удаляются из экосистемы. В конечном итоге это может привести к ряду неблагоприятных последствий для окружающей среды и здоровья людей. При этом исследовательских работ, посвященных экологии в малых городах, проведено не так много.
Ученые ОИЯИ выбрали город Кольчугино Владимирской области, в котором много предприятий цветной металлургии, в значительной степени влияющих на экологию города. В отобранных образцах почвы определили уровень содержания четырех металлов 1-го и 2-го классов опасности: Zn, Pb, Cu и Cd. Образцы проанализировали с помощью атомно-абсорбционного спектрометра (ААС). Для оценки антропогенного загрязнения почв рассчитали потенциальный экологический риск, индекс нагрузки загрязнения и индекс общего загрязнения. С целью выявления источников загрязнения в почве использовали многомерный статистический анализ. Массовые доли четырех тяжелых металлов определили и нанесли на карту. Рассчитали уровни загрязнения и с помощью комплекса геоинформационных программных продуктов ArcGIS построили картосхемы загрязнения почв, что позволило выявить области аномального загрязнения тяжелыми металлами.
В ходе следующего этапа исследования ученые выделили на изучаемой территории участки с различиями почвенно-растительного покрова (LULC), для чего были применены методы дистанционного зондирования. Ученые воспользовались снимками с пространственным разрешением 30 м, сделанными с помощью оперативного наземного имидж-сканера (OLI), который получил данные 31 июля 2021 года. Для классификации спутниковых снимков с целью получения карты LULC использовался метод максимального правдоподобия. По результатам были определены шесть классов землепользования/почвенного покрова, а именно: городские, водные, зеленые, лесные, болотные и промышленные районы. LULC-анализ показал, что городской класс является доминирующим среди шести классов. Места пиков загрязнения были определены как промышленные зоны, что вполне сопоставимо с результатами определения индексов загрязнения.
Слева картосхема загрязнения почв с рассчитанными индексами загрязнения; справа карта LULC, созданная на основе снимков со спутника
Как подчеркнули ученые в своем исследовании, полученные данные могут служить научным доказательством загрязнения промышленного города тяжелыми металлами, а также могут помочь определить области, в которых необходимо принять меры по контролю за выбросами. Например, увеличить объем вторичной переработки или ужесточить законодательство.
«Когда мы нашли сходство между фотографиями со спутника и составленной в ходе нашего исследования картой, мы предположили, что сможем использовать этот метод для оценки загрязнения почвы в тех областях, где невозможно взять пробы, то есть сможем смоделировать ситуацию исходя из карты LULC, – рассказал один из авторов исследования старший научный сотрудник ЛНФ Ваель Бадави. – И этот подход выглядит очень перспективным с точки зрения экологических исследований». Однако в настоящий момент, как заметил ученый, такой метод не дает ответа на вопрос, чем именно загрязнена почва, какой именно элемент имеет превышенную концентрацию. Снимки со спутника дают общую картину, и эти фотографии пока нельзя использовать для дифференциации загрязнений. «Безусловно, работу мы продолжим, – заключил Ваель Бадави, – в разных местах и в разное время года, будем смотреть динамику и подключать машинное обучение, будем создавать модели для нахождения закономерностей».
Статья об исследовании опубликована в журнале Land.
Источник: ОИЯИ