Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 3. С. 193-206

Использование мультифункционального подхода для картографического моделирования содержания органического углерода в естественных и пахотных почвах Центрального Кавказа

Р.Х. Темботов 1 
1 Институт экологии горных территорий им. А.К. Темботова РАН, Нальчик, Россия
Одобрена к печати: 20.06.2023
DOI: 10.21046/2070-7401-2023-20-3-193-206
На основе полученной информации о содержании в почвах органического углерода и материалов дистанционного зондирования, с использованием технологии цифрового моделирования и картографирования почв создана картографическая модель, отражающая пространственное варьирование содержания органического углерода в верхних горизонтах (0–20 см) почв Центрального Кавказа. Для моделирования был применён мультифункциональный подход, подразумевающий совмещение фактических данных о содержании органического углерода (обучающая выборка) со сведениями, полученными из внешних источников информации (данные дистанционного зондирования Земли) и обработанными с применением пошагового дискриминантного анализа. С помощью статистических методов анализа установлена необходимость создания модели распределения органического углерода в почвах отдельно для искусственных (агроценозы) и естественных биогеоценозов. В результате совмещения двух гипотетических моделей получена верифицированная модель, отражающая реальную картину изменения содержания органического углерода в почвах Центрального Кавказа. Достоверность модели составила 68 %. В ней содержатся актуальные данные о содержании органического углерода в естественных и агрогенных почвах Центрального Кавказа. Построенная модель является необходимым инструментом для принятия решений, направленных на сохранение или увеличение текущих запасов почвенного углерода в условиях изменения климата и возрастающего антропогенного воздействия.
Ключевые слова: содержание органического углерода, картографические модели, дискриминантный анализ, Landsat, SRTM, WorldClim
Полный текст

Список литературы:

  1. Баева Ю. И., Курганова И. Н., Лопес де Гереню В. О., Телеснина В. М. Сравнительная оценка содержания углерода в постагрогенных почвах различных природно-климатических зон // Проблемы экологического мониторинга и моделирования экосистем. 2017. № 2. С. 27–39. DOI: 10.21513/0207-2564-2017-2-27-39.
  2. Бирюкова О. Н., Бирюков М. В. Содержание органического углерода в верхних горизонтах почв // Национальный атлас почв Российской Федерации. М.: Астрель-АСТ, 2011. С. 230–231.
  3. Вальков В. Ф., Колесников С. И., Казеев К. Ш. Почвы юга России: классификация и диагностика. Ростов н/Д: СКНЦ ВШ, 2002. 349 с.
  4. Гедгафова Ф. В., Горобцова О. Н., Улигова Т. С., Темботов Р. Х., Хакунова Е. М. Оценка изменения биологической активности горных серых лесных почв Центрального Кавказа (терский вариант поясности в пределах Кабардино-Балкарии) в результате агроиспользования // Агрохимия. 2019. № 4. С. 23–30. DOI: 10.1134/S0002188119040069.
  5. Гиниятуллин К. Г., Сахабиев И. А., Смирнова Е. В., Валеева А. А., Рязанов С. С., Латыпова Л. И. Использование показателей отражательной способности как ковариаты содержания органического вещества в залежных почвах // Ученые записки Казанского ун-та. Сер. Естественные науки. 2022. Т. 164. № 3. С. 438–456. DOI: 10.26907/2542-064X.2022.3.438-456.
  6. Казеев К. Ш., Колесников С. И., Вальков В. Ф. Биологическая диагностика и индикация почв: методология и методы исследований. Ростов н/Д: Изд-во Ростовского ун-та, 2003. 204 с.
  7. Карелин Д. В., Цымбарович П. Р. Зависимость микробиологической активности и химических характеристик почвы от топографической позиции на старопахотных участках черноземной лесостепи // Изв. Российской акад. наук. Сер. геогр. 2022. Т. 86. № 1. С. 134–150. https://doi.org/10.31857/S2587556622010071.
  8. Корзников К. А., Беляева Н. Г., Сандлерский Р. Б. Моделирование лесного покрова бассейна реки Венгери на острове Сахалин с применением данных дистанционного зондирования // Лесоведение. 2020. № 5. С. 399–411. DOI: 10.31857/S002411482005006X.
  9. Кренке А. Н. Отображение факторов формирования компонентов ландшафта на основе тематических карт, дистанционной информации и трехмерной модели рельефа: дис. … канд. геогр. наук. М., 2011. 129 с.
  10. Кренке А. Н., Пузаченко Ю. Г. Построение карты ландшафтного покрова на основе дистанционной информации // Экологическое планирование и управление. 2008. Т. 2. № 7. С. 10–25.
  11. Орлов Д. С., Гришина Л. А. Практикум по химии гумуса. М.: Изд-во МГУ, 1981. 272 с.
  12. Попов С. Ю. Опыт создания геоботанической карты методом дискриминантного анализа полевых и дистанционных данных // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 1. С. 25–35. DOI: 10.21046/2070-7401-2016-13-1-25-35.
  13. Пузаченко М. Ю., Черненькова Т. В. Определение факторов пространственного варьирования растительного покрова с использованием ДДЗ, ЦМР и полевых данных на примере центральной части Мурманской области // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 5. С. 167–191. DOI: 10.21046/2070-7401-2016-13-5-167-191.
  14. Пузаченко Ю. Г., Онуфреня И. А., Алещенко Г. М. Спектральный анализ иерархической организации рельефа // Изв. Российской акад. наук. Сер. геогр. 2002. № 4. С. 29–38.
  15. Пузаченко М. Ю., Пузаченко Ю. Г., Козлов Д. Н., Федяева М. В. Картографирование мощности органогенного и гумусового горизонтов лесных почв и болот южно-таежного ландшафта (юго-запад Валдайской возвышенности) на основе трехмерной модели рельефа и дистанционной информации (Landsat-7) // Исслед. Земли из космоса. 2006. № 4. С. 70–78.
  16. Романовская А. А. Органический углерод в почвах залежных земель России // Почвоведение. 2006. № 1. С. 52–61.
  17. Савин И. Ю. Использование спутниковых данных для составления почвенных карт: современные тенденции и проблемы // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 6. С. 29–39. DOI: 10.21046/2070-7401-2016-13-6-29-39.
  18. Савин И. Ю. Перспективы развития картографирования и мониторинга почв на основе интерполяции точечных данных и дистанционных методов // Вестн. Московского ун-та. Сер. 17: Почвоведение. 2022. № 2. С. 13–19.
  19. Сандлерский Р. Б., Пузаченко Ю. Г. Термодинамика биогеоценозов на основе дистанционной информации // Журн. общей биологии. 2009. Т. 70. № 2. С. 121–142.
  20. Темботов Р. Х., Горобцова О. Н., Гедгафова Ф. В., Улигова Т. С., Хакунова Е. М. Применение дистанционной информации и ГИС-технологий для создания цифровых почвенных карт (на примере равнинно-предгорной части Кабардино-Балкарии) // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 128–137. DOI: 10.21046/2070-7401-2022-19-4-128-137.
  21. Хакунова Е. М., Горобцова О. Н., Гедгафова Ф. В., Улигова Т. С., Темботов Р. Х. Изменение биологической активности горных черноземов Центрального Кавказа при сельскохозяйственном использовании (в границах эльбрусского варианта поясности Кабардино-Балкарии) // Агрохимия. 2018. № 3. С. 12–18. DOI: 10.7868/S000218811803002X.
  22. Чинилин А. В., Савин И. Ю. Оценка содержания органического углерода в почвах России с помощью ансамблевого машинного обучения // Вестн. Московского ун-та. Сер. 5: География. 2022. № 6. С. 49–63. DOI: 10.55959/MSU0579-9414-5-2022-6-49-63.
  23. Щепаченко Д. Г., Мухортова Л. В., Швиденко А. З., Ведрова Э. Ф. Запасы органического углерода в почвах России // Почвоведение. 2013. № 2. С. 123–132. DOI: 10.7868/S0032180X13020123.
  24. Abakumov E. V., Polyakov V. I., Orlova K. S. Podzol development on different aged coastal bars of Lake Ladoga // Вестн. Томского гос ун-та. Биология. 2019. Т. 48. С. 6–31. DOI: 10.17223/19988591/48/1.
  25. Angelopoulou T., Tziolas N., Balafoutis A., Zalidis G., Bochtis D. Remote sensing techniques for soil organic carbon estimation: A review // Remote Sensing. 2019. V. 11. No. 6. Art. No. 676. DOI: 10.3390/rs11060676.
  26. Bhunia G. S., Shit P. K., Pourghasemi H. R. Soil organic carbon mapping using remote sensing techniques and multivariate regression model // Geocarto Intern. 2019. V. 34. No. 2. P. 215–226. DOI: 10.1080/10106049.2017.1381179.
  27. Castaldi F., Chabrillat S., Chartin C., Genot V., Jones A., van Wesemael B. Estimation of soil organic carbon in arable soil in Belgium and Luxembourg with the LUCAS topsoil database // European J. Soil Science. 2018. V. 69. No. 4. P. 592–603. DOI: 10.1111/ejss.12553.
  28. Dou X., Wang X., Liu H., Zhang X., Meng L., Pan Y., Yu Z., Cui Y. Prediction of soil organic matter using multi-temporal satellite images in the Songnen Plain, China // Geoderma. 2019. V. 356. Art. No. 113896. DOI: 10.1016/j.geoderma.2019.113896.
  29. Elbeih S. F. Evaluation of agricultural expansion areas in the Egyptian deserts: A review using remote sensing and GIS // The Egyptian J. Remote Sensing and Space Science. 2021. V. 24. No. 2. P. 889–906. DOI: 10.1016/j.ejrs.2021.10.004.
  30. Global Soil Organic Carbon Map (GSOCmap) Version 1.5: Technical Report. FAO and ITPS. Rome, Italy: FAO, 2020. 169 p. DOI: 10.4060/ca7597en.
  31. Gomes L. C., Faria R. M., de Souza E., Veloso G. V., Schaefer C. E. G. R., Filho E. I. F. Modelling and mapping soil organic carbon stocks in Brazil // Geoderma. 2019. V. 340. P. 337–350. DOI: 10.1016/j.geoderma.2019.01.007.
  32. Jobbágy E. G., Jackson R. B. The vertical distribution of soil organic carbon and its relation to climate and vegetation // Ecological Applications. 2000. V. 10. No. 2. P. 423–436. DOI: 10.2307/2641104.
  33. Karger D. N., Conrad O., Böhner J., Kawohl T., Kreft H., Soria-Auza R. W., Zimmermann N. E., Linder P., Kessler M. Climatologies at high resolution for the Earth land surface areas // Scientific Data. 2017. Art. No. 170122. DOI: 10.1038/sdata.2017.122.
  34. Knoblauch C., Beer C., Sosnin A., Wagner D., Pfeiffer E. M. Predicting long-term carbon mineralization and trace gas production from thawing permafrost of Northeast Siberia // Global Change Biology. 2013. V. 19. Iss. 4. P. 1160–1172. https://doi.org/10.1111/gcb.12116.
  35. Lefèvre C., Rekik F., Alcantara V., Wiese L. Soil organic carbon: the hidden potential / Food and Agriculture Organization of the United Nations (FAO). Rome, Italy, 2017. 90 p.
  36. Liang Z., Chen S., Yang Y., Zhou Y., Shi Z. High-resolution three-dimensional mapping of soil organic carbon in China: Effects of SoilGrids products on national modeling // Science of Total Environment. 2019. V. 685. P. 480–489. DOI: 10.1016/j.scitotenv.2019.05.332.
  37. Ma Y., Minasny B., Viaud V., Walter C., Malone B., McBratney A. Modelling the Whole Profile Soil Organic Carbon Dynamics Considering Soil Redistribution under Future Climate Change and Landscape Projections over the Lower Hunter Valley, Australia // Land. 2023. V. 12(1). Art. No. 255. DOI: 10.3390/land12010255.
  38. Minasny B., McBratney A. B. Digital soil mapping: A brief history and some lessons // Geoderma. 2016. V. 264. Pt. B. P. 301–311. DOI: 10.1016/j.geoderma.2015.07.017.
  39. Minasny B., Malone B. P., McBratney A. B. et al. Soil carbon 4 per mille // Geoderma. 2017. V. 292. P. 59–86. DOI: 10.1016/j.geoderma.2017.01.002.
  40. Recarbonization of global soils — A tool to support the implementation of the Koronivia Joint Work on Agriculture. 2020. 12 p. https://www.fao.org/documents/card/en/c/ca6522en/ (accessed 27.04.2023).
  41. Rozhkov V. A., Wagner V. B., Kogut B. M., Konyushkov D. E., Nilsson S., Sheremet V. B., Shvidenko A. Z. Soil Carbon Estimates and Soil Carbon Map for Russia: IIASA Working Paper. 1996. No. WP-96-060. 47 p.
  42. Showstack R. Agricultural sequestration called useful stop-gap mitigation measure for reducing atmospheric carbon // Eos Trans. American Geophysical Union. 2003. V. 84. No. 29. P. 269–277. DOI: 10.1029/2003EO290003.
  43. Stolbovoi V. Carbon in Russian soils // Climatic Change. 2002. V. 55(1). P. 131–156. DOI: 10.1023/A:1020289403835.
  44. Suleymanov A., Gabbasova I., Suleymanov R., Abakumov E., Polyakov V., Liebelt P. Mapping soil organic carbon under erosion processes using remote sensing // Hungarian Geographical Bull. 2021. P. 49–64. DOI: 10.15201/hungeobull.70.1.4.
  45. Szatmári G., Pásztor L., Heuvelink G. B. M. Estimating soil organic carbon stock change at multiple scales using machine learning and multivariate geostatistics // Geoderma. 2021. V. 403. Art. No. 115356. DOI: 10.1016/j.geoderma.2021.115356.
  46. Yang L., Meng X., Zhang X. SRTM DEM and its application advances // Intern. J. Remote Sensing. 2011. V. 32. No. 14. P. 3875–3896. DOI: 10.1080/01431161003786016.
  47. Zhou T., Geng Y., Ji C., Xu X., Wang H., Pan J., Bumberger J., Haase D., Lausch A. Prediction of soil organic carbon and the C:N ratio on a national scale using machine learning and satellite data: A comparison between Sentinel-2, Sentinel-3 and Landsat-8 images // Science of Total Environment. 2021. V. 755. Art. No. 142661. DOI: 10.1016/j.scitotenv.2020.142661.