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 Доступ платный или 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.

Полный текст

Доступ закрыт

Об авторах

Н. В. Гопп

ФГБУН Институт почвоведения и агрохимии СО РАН

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

Т. В. Нечаева

ФГБУН Институт почвоведения и агрохимии СО РАН

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

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
Скачать
2. Рис. 1. Карта высот территории исследования и схема отбора почвенных проб. Примечание для рис. 1, 3, 6: черными точками выделен обучающий набор данных (n = 42), красными – валидационный (n = 15).

Скачать (71KB)
Метаданные
3. Рис. 2. Показатель важности (IncNodePurity) отдельных переменных в модели случайного леса с наборами предикторов: а – BIO11+RVI; б – Longitude+CNBL; в – SАТ10+CC+Texture; г – 60 предикторов; д – 42 (без кривизн рельефа, вегетационных индексов и предикторов с нулевыми значениями); е – 37 (все с R > ±0.5); ж – 32 (все с R > ±0.3 без вегетационных индексов); з – 27 (все с R > ±0.5 без вегетационных индексов); и – 23 (без BIO1–19, кривизн рельефа, вегетационных индексов и предикторов с нулевыми значениями).

Скачать (151KB)
Метаданные
4. Рис. 3. Карты пространственной изменчивости содержания ПОУ, составленные алгоритмом случайного леса на основе различных наборов предикторов: а – BIO11+RVI; б – Longitude+CNBL; в – SАТ10+CC+Texture; г – 60 предикторов; д – 42 (без кривизн рельефа, вегетационных индексов и предикторов с нулевыми значениями); е – 37 (все с R > ±0.5); ж – 32 (все с R > ±0.3 без вегетационных индексов); з – 27 (все с R > ±0.5 без вегетационных индексов); и – 23 (без BIO1–19, кривизн рельефа, вегетационных индексов и предикторов с наличием нулевых значений в растре).

Скачать (88KB)
Метаданные
5. Рис. 4. Зависимость между фактическим и предсказанным содержанием ПОУ в валидационном наборе данных (n = 15) для наборов предикторов: а – BIO11+RVI; б – Longitude+CNBL; в – SАТ10+CC+Texture; г – 60 предикторов; д – 42 (без кривизн рельефа, вегетационных индексов и предикторов с нулевыми значениями); е – 37 (все с R > ±0.5); ж – 32 (все с R > ±0.3 без вегетационных индексов); з – 27 (все с R > ±0.5 без вегетационных индексов); и – 23 (без BIO1–19, кривизн рельефа, вегетационных индексов и предикторов с нулевыми значениями).

Скачать (64KB)
Метаданные
6. Рис. 5. Сравнение средних значений ПОУ (фактических и предсказанных) по обучающему (а) и валидационному (б) наборам данных (карта содержания ПОУ на основе 32 предикторов).

Скачать (30KB)
Метаданные
7. Рис. 6. Фактическое содержание ПОУ (а) и предсказанное моделью случайного леса (б) на различных высотных ступенях исследуемой территории (рис. 1). Примечание: объем выборки указан сверху над диаграммами размаха.

Скачать (48KB)
Метаданные
8. Рис. 7. Карты пространственной изменчивости: а – плотности сложения почв в слое 0–30 см; б – запасов ПОУ в слое 0–30 см.

Скачать (40KB)
Метаданные

© Российская академия наук, 2025