Цифровое картографирование содержания и запасов органического углерода в почвах предсалаирья с использованием онлайн-платформы Google Earth Engine и алгоритма случайного леса

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Для ключевого участка в Предсалаирье проведено цифровое картографирование содержания почвенного органического углерода (ПОУ) в пахотном слое (0–30 см) почв алгоритмом случайного леса, реализованного на облачной онлайн-платформе Google Earth Engine (GEE). В качестве предикторов в модели случайного леса использовались: 19 биоклиматических переменных WorldClim; 5 климатических переменных, рассчитанных на основе WorldClim и почвенно-климатического атласа; 8 вегетационных индексов, рассчитанных на основе Landsat 8; 26 морфометрических характеристик рельефа, рассчитанных на основе цифровой модели высот ALOS; 2 переменные, характеризующие пространственное положение (долгота и широта). Коэффициенты корреляции (R) между содержанием ПОУ и значениями предикторов учтены при формировании следующих наборов предикторов: 1) BIO11+RVI; 2) Longitude+CNBL; 3) SАТ10+CC+Texture; 4) 60 предикторов; 5) 42 (без кривизн рельефа, вегетационных индексов и предикторов с нулевыми значениями); 6) 37 (все с R > ±0.5); 7) 32 (все с R > ±0.3 без вегетационных индексов); 8) 27 (все с R > ±0.5 без вегетационных индексов); 9) 23 (без BIO1–19, кривизн рельефа, вегетационных индексов и предикторов с нулевыми значениями). Результат моделирования содержания ПОУ на основе 32 предикторов и обучающего набора данных (n = 42) с более низким RMSE (0.72) выбран в качестве лучшего. C применением педотрансферной функции проведено моделирование плотности сложения почв, которая совместно с картой содержания ПОУ была использована для составления карты запасов ПОУ. Содержание ПОУ в пахотном слое (0–30 см) варьировало от 1.3 до 6.1% по фактическим данным, а запасы ПОУ – от 84 до 203 т/га. Наибольшее содержание и запасы ПОУ выявлены в почвах верхней части склона, тогда как вниз по склону отмечено постепенное снижение значений этих показателей. Плотность сложения почв по расчетным данным варьировала в диапазоне от 1.20 до 1.36 г/см3 и увеличивалась вниз по склону, т.е. имела обратный тренд распределения по сравнению с содержанием и запасами ПОУ. Общие запасы ПОУ в пахотном слое (0–30 см) почв исследуемой территории площадью 225 га составили 28.7 кт.

Об авторах

Н. В. Гопп

ФГБУН Институт почвоведения и агрохимии СО РАН

Email: gopp@issa-siberia.ru
Новосибирск, Россия

Т. В. Нечаева

ФГБУН Институт почвоведения и агрохимии СО РАН

Автор, ответственный за переписку.
Email: gopp@issa-siberia.ru
Новосибирск, Россия

Список литературы

  1. Аринушкина Е.В. Руководство по химическому анализу почв. М.: Изд-во МГУ, 1970. 487 с.
  2. Афанасьев В.Н., Цыпин А.П. Эконометрика в пакете STATISTICA: учебное пособие по выполнению лабораторных работ. Оренбург: ГОУ ОГУ, 2008. 204 с.
  3. Гопп Н.В. Агроэкологический потенциал западной части Кузнецко-Салаирской геоморфологической провинции: методика цифрового картографирования, геопространственный анализ, корреляция с содержанием органического углерода в почвах // Почвы и окружающая среда. 2023. 6(3). e224. https://doi.org/10.31251/pos.v6i3.224
  4. Сляднев A.П. Почвенно-климатический атлас Новосибирской области. Новосибирск: Наука, 1978. 122 с.
  5. Шишов Л.Л., Тонконогов В.Д., Лебедева И.И., Герасимова М.И. Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 342 с.
  6. Abdelbaki A.M. Evaluation of pedotransfer functions for predicting soil bulk density for U.S. soils. Ain Shams Engineering Journal. 2018. 9(4). P. 1611–1619. https://doi.org/10.1016/j.asej.2016.12.002
  7. Breiman L. Random forests. Machine learning. 2001. 45(1). P. 5–32. https://doi.org/10.1023/A:1010933404324
  8. Conrad O., Bechtel B., Bock M., Dietrich H., Fischer E., Gerlitz L., Wehberg J., Wichmann V., Böhner J. System for automated geoscientific analyses (SAGA) v. 2.1.4. Geoscientific Model Development. 2015. 8(7). P. 1991–2007. https://doi.org/10.5194/gmd-8-1991-2015
  9. Cutler D.R., Edwards T.C. Jr., Beard K.H., Cutler A., Hess K.T., Gibson J., Lawler J.J. Random forests for classification in Ecology. Ecology. 2007. 88. P. 2783–2792. https://doi.org/10.1890/07-0539.1
  10. Dharumarajan S., Hegde Rajendra, Singh S.K. Spatial prediction of major soil properties using Random Forest techniques — A case study in semi-arid tropics of South India // Geoderma Regional. 2017. 10. P. 154‒162. https://doi.org/10.1016/j.geodrs.2017.07.005
  11. FAO. Standard operating procedure for soil organic carbon: Tyurin spectrophotometric method. Rom: FAO, 2021. https://www.fao.org/3/cb4757en/cb4757en.pdf
  12. FAO and ITPS. Global Soil Organic Carbon Map V1.5: Technical report. Rome, FAO, 2020. 169 p.
  13. Fick S.E., Hijmans R.J. WorldClim 2: new 1 km spatial resolution climate surfaces for global land areas. International Journal of Climatology. 2017. 37(12). P. 4302–4315. https://doi.org/10.1002/joc.5086
  14. Gandhi U. JavaScript and the Earth Engine API. In: Cardille J.A., Crowley M.A., Saah D., Clinton N.E. (eds) Cloud-Based Remote Sensing with Google Earth Engine. Springer, Cham, 2024. https://doi.org/10.1007/978-3-031-26588-4_1
  15. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment. 2017. 202. P. 18–27. https://doi.org/10.1016/j.rse.2017.06.031
  16. Grimm R., Behrens T., Märker M., Elsenbeer H. Soil organic carbon concentrations and stocks on Barro Colorado Island – Digital soil mapping using Random Forests analysis // Geoderma. 2008. 146(1–2). P. 102–113. https://doi.org/10.1016/j.geoderma.2008.05.008
  17. Hengl T.A. Practical guide to geostatistical mapping of environmental variables. EC JRC, Ispra (Italy), 2007. 165 p.
  18. IUSS. Working Group WRB. World Reference Base for Soil Resources 2014. International soil classification system for naming soils and creating legends for soil maps. Update 2015. World Soil Resources Reports No. 106. FAO, Rome, 2015. https://www.fao.org/3/i3794en/I3794en.pdf
  19. McBratney A.B., Mendonça Santos M.L., Minasny B. On digital soil mapping. Geoderma. 2003. 117. P. 3–52. https://doi.org/10.1016/S0016-7061(03)00223-4
  20. Singh J., Knapp H.V., Demissie M. Hydrologic modelling of the Iroquois River watershed using HSPF and SWAT. Illinois State Water Survey Contract Report 2004-08. Illinois State Water Survey, Champaign. 2004. http://www.isws.illinois.edu/pubdoc/CR/ISWSCR2004-08.pdf
  21. Sreenivas K., Dadhwal V.K., Kumar S., Harsha G.Sri, Mitran T., Sujatha G., Janaki Rama Suresh G., Fyzee M.A., Ravisankar T. Digital mapping of soil organic and inorganic carbon status in India // Geoderma. 2016. 269. P. 160–173. https://doi.org/10.1016/j.geoderma.2016.02.002
  22. Suleymanov A., Abakumov E., Alekseev I., Nizamutdinov T. Digital mapping of soil properties in the high latitudes of Russia using sparse data. Geoderma Regional. 36. 2024. e00776. https://doi.org/10.1016/j.geodrs.2024.e00776
  23. Vågen T.G., Winowiecki L.A., Tondoh J.E., Desta L.T., Gumbricht T. Mapping of soil properties and land degradation risk in Africa using MODIS reflectance // Geoderma. 2016. 263. P. 216–225. https://doi.org/10.1016/j.geoderma.2015.06.023

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».