Факторы пространственного распределения почвенного органического углерода в горах Южного Урала: подход с использованием машинного обучения
- Авторы: Сулейманов А.Р.1,2, Сулейманов Р.Р.1,2,3, Белан Л.Н.1, Асылбаев И.Г.1,4, Туктарова И.О.1, Шагалиев Р.Д.1, Богдан Е.А.1, Файрузов И.И.3, Мирсаяпов Р.Р.4, Давыдычев А.Н.2
-
Учреждения:
- Уфимский государственный нефтяной технический университет
- Уфимский институт биологии Уфимского федерального исследовательского центра Российской академии наук
- Уфимский университет науки и технологий
- Башкирский государственный аграрный университет
- Выпуск: № 11 (2024)
- Страницы: 1630-1638
- Раздел: ПРИМЕНЕНИЕ МОДЕЛИРОВАНИЯ ДЛЯ ОЦЕНКИ И ПРОГНОЗА ИЗМЕНЕНИЙ ЗАПАСОВ УГЛЕРОДА ПОЧВ
- URL: https://kazanmedjournal.ru/0032-180X/article/view/677890
- DOI: https://doi.org/10.31857/S0032180X24110142
- EDN: https://elibrary.ru/JNOHJT
- ID: 677890
Цитировать
Аннотация
Проведена оценка взаимосвязей между содержанием Сорг и основными факторами почвообразования, среди которых определены ключевые, объясняющие пространственное распределение Сорг. Исследование проводили в южной части Уральских гор на вытянутом участке протяженностью 420 км по территории Республики Башкортостан. Преобладающие типы почв: горные серые лесные (Eutric Retisols (Loamic, Cutanic, Humic)), темно-серые лесные (Luvic Retic Greyzemic Someric Phaeozems (Loamic)) и литоземы серогумусовые (Eutric Leptosols (Loamic, Humic)). Лес представлен преимущественно березами (Betula pendula), соснами (Pinus sylvestris), елью (Picea obovata Ledeb.), пихтами (Abies sibirica Ledeb.). Использовали набор данных из 306 почвенных образцов, отобранных из (0–20 см) горизонтов, и провели машинное обучение методом “случайного леса”. В качестве объясняющих переменных применяли 94 пространственные переменные окружающей среды, включая данные дистанционного зондирования, климат (температуру, осадки, облачность и др.), цифровую модель рельефа и ее производные, типы землепользования, биоклиматические зоны и др. Результаты показали, что содержание Сорг варьировало в широком диапазоне от 0.8 до 32%. Прогнозная модель случайного леса объяснила 55% вариации Сорг, со среднеквадратичной ошибкой – 1.35%. Ключевыми переменными были температура поверхности, абсолютная высота над уровнем моря, количество осадков и облачность, в совокупности отображающие законы широтной и вертикальной зональности В.В. Докучаева. Полученные результаты подчеркивают важность учета множества факторов окружающей среды при исследованиях пространственного распределения Сорг.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
А. Р. Сулейманов
Уфимский государственный нефтяной технический университет; Уфимский институт биологии Уфимского федерального исследовательского центра Российской академии наук
Автор, ответственный за переписку.
Email: filpip@yandex.ru
ORCID iD: 0000-0001-7974-4931
Россия, ул. Космонавтов, 1, Уфа, 450064; пр. Октября, 69, Уфа, 450054
Р. Р. Сулейманов
Уфимский государственный нефтяной технический университет; Уфимский институт биологии Уфимского федерального исследовательского центра Российской академии наук; Уфимский университет науки и технологий
Email: filpip@yandex.ru
Россия, ул. Космонавтов, 1, Уфа, 450064; пр. Октября, 69, Уфа, 450054; ул. Заки Валиди, 32, Уфа, 450076
Л. Н. Белан
Уфимский государственный нефтяной технический университет
Email: filpip@yandex.ru
Россия, ул. Космонавтов, 1, Уфа, 450064
И. Г. Асылбаев
Уфимский государственный нефтяной технический университет; Башкирский государственный аграрный университет
Email: filpip@yandex.ru
Россия, ул. Космонавтов, 1, Уфа, 450064; ул. 50-летия Октября, 34, Уфа, 450001
И. О. Туктарова
Уфимский государственный нефтяной технический университет
Email: filpip@yandex.ru
Россия, ул. Космонавтов, 1, Уфа, 450064
Р. Д. Шагалиев
Уфимский государственный нефтяной технический университет
Email: filpip@yandex.ru
Россия, ул. Космонавтов, 1, Уфа, 450064
Е. А. Богдан
Уфимский государственный нефтяной технический университет
Email: filpip@yandex.ru
Россия, ул. Космонавтов, 1, Уфа, 450064
И. И. Файрузов
Уфимский университет науки и технологий
Email: filpip@yandex.ru
Россия, ул. Заки Валиди, 32, Уфа, 450076
Р. Р. Мирсаяпов
Башкирский государственный аграрный университет
Email: filpip@yandex.ru
Россия, ул. 50-летия Октября, 34, Уфа, 450001
А. Н. Давыдычев
Уфимский институт биологии Уфимского федерального исследовательского центра Российской академии наук
Email: filpip@yandex.ru
Россия, пр. Октября, 69, Уфа, 450054
Список литературы
- Агрохимические методы исследования почв. М.: Наука, 1976. 656 с.
- Бурангулова М.Н., Мукатанов А.Х., Курчеев П.А. Горные почвы Башкирии // Почвы Башкирии. Уфа, 1973. Т. 1. С. 405–437.
- Габбасова И.М., Гарипов Т.Т., Сулейманов Р.Р., Комиссаров М.А., Хабиров И.К., Сидорова Л.В., Назырова Ф.И., Простякова З.Г., Котлугалямова Э.Ю. Влияние низовых пожаров на свойства и эрозию лесных почв Южного Урала (Башкирский государственный природный заповедник) // Почвоведение. 2019. № 4. С. 412–421.
- Дымов А.А., Жангуров Е.В. Морфолого-генетические особенности почв кряжа Енганэпэ (Полярный Урал) // Почвоведение. 2011. № 5. С. 515–524.
- Жангуров Е.В., Королёв М.А., Дубровский Ю.А., Шамрикова Е.В. Почвы горного хребта Рай-Из (Полярный Урал) // Почвоведение. 2023. № 4. С. 417–432.
- Жангуров Е.В., Старцев В.В., Дубровский Ю.А., Дегтева С.В., Дымов А.А. Морфолого-генетические особенности почв горных лиственничных лесов и редколесий Приполярного Урала // Почвоведение. 2019. № 12. С. 1415–1429.
- Лукина Н.В., Кузнецова А.И., Гераськина А.П., Смирнов В.Э., Иванова В.Н., Тебенькова Д.Н., Горнов А.В., Шевченко Н.Е., Тихонова Е.В. Неучтенные факторы, определяющие запасы углерода в лесных почвах // Метеорология и гидрология. 2022. № 10. С. 92–110.
- Самофалова И.А., Лузянина О.А. Горные почвы Среднего Урала (на примере ГПЗ “Басеги”). Пермь: Прокростъ, 2014. 154 с.
- Сморкалов И.А. Изменчивость дыхания почвы: оценка вклада пространства и времени с помощью алгоритма Random Forest // Экология. 2022. № 4. С. 299–311.
- Старцев В.В., Мазур А.С., Дымов А.А. Содержание исостав органического вещества почв Приполярного Урала // Почвоведение. 2020. № 12. С. 1478–1488.
- Хазиев Ф.Х., Мукатанов А.Х., Хабиров И.К., Кольцова Г.А., Габбасова И.М., Рамазанов Р.Я. Почвы Башкортостана. Эколого-генетическая и агропроизводственная характеристика. Уфа: Гилем, 1995. Т. 1. 384 с.
- Халитов Р.М., Абакумов Е.В., Сулейманов Р.Р., Котлугалямова Э.Ю. Горные почвы Южного Урала (на примере Национального парка “Башкирия”) // Известия Самарского НЦ РАН. 2011. Т. 13. № 5-2. С. 128–130.
- Халитов Р.М. Перова Е.Н., Абакумов Е.В., Сулейманов Р.Р. Минералогический состав коренной горной породы торфянисто-подзолистой почвы горного массива Иремель, Южный Урал // Почвоведение. 2017. № 8. С. 992–1001.
- Чибилев А.А. Природа Оренбургской области. Ч. 1. Физико-географический и историко-географический очерк. Оренбург, 1995. 128 с.
- Шамрикова Е.В., Жангуров Е.В., Кулюгина Е.Е., Королев М.А., Кубик О.С., Туманова Е.А. Почвы и почвенный покров горно-тундровых ландшафтов Полярного Урала на карбонатных породах: разнообразие, классификация, распределение углерода и азота // Почвоведение. 2020. № 9. С. 1053–1070.
- Adhikari K., Hartemink A.E., Minasny B., Bou Kheir R.M., Greve B., Greve M.H. Digital mapping of soil organic carbon contents and stocks in Denmark // PloS One. 2014. V. 9(8). P. e105519. https://doi.org/10.1371/journal.pone.0105519
- Batjes N.H. Total carbon and nitrogen in the soils of the world // Eur. J. Soil Sci. 1996. V. 47(2). P. 151–163. https://doi.org/10.1111/j.1365-2389.1996.tb01386.x
- Belan L., Suleymanov A., Bogdan E., Volkov A., Gaysin I., Tuktarova I., Shagaliev R. Assessing and Mapping Changes in Forest Growing Stock Volume over Time in Bashkiriya Nature Reserve, Russia // Forests. 2023. V. 13(11). P. 2251. https://doi.org/10.3390/f14112251
- Biau G., Scornet E. A random forest guided tour // TEST. 2016. V. 25(2). P. 197–227. https://doi.org/10.1007/s11749-016-0481-7
- Breiman L. Random Forests // Machine Learning. 2001. V. 45(1). P. 5–32.
- Chen S., Arrouays D., Leatitia Mulder V., Poggio L., Minasny B., Roudier P., Libohova Z., Lagacherie P., Shi Z., Hannam J., Meersmans J., Richer-de-Forges A.C., Walter C. Digital mapping of GlobalSoilMap soil properties at a broad scale: A review // Geoderma. 2022. V. 409. P. 115567. https://doi.org/10.1016/j.geoderma.2021.115567
- Chinilin A., Savin I.Yu. Combining machine learning and environmental covariates for mapping of organic carbon in soils of Russia // The Egypt. J. Remote Sensing Space Sci. 2023. V. 26(3). P. 666–675. https://doi.org/10.1016/j.ejrs.2023.07.007
- Dymov A.A., Startsev V.V., Milanovsky E.Y., Valdes-Korovkin I.A., Farkhodov Y.R., Yudina A.V., Donnerhack O., Guggenberger G. Soils and soil organic matter transformations during the two years after a low-intensity surface fire (Subpolar Ural, Russia) // Geoderma. 2021. V. 404. P. 115278. https://doi.org/10.1016/j.geoderma.2021.115278
- Guyon I., Weston J., Barnhill S., Vapnik V. Gene Selection for Cancer Classification using Support Vector Machines // Machine Learning. 2022. V. 46(1). P. 389–422. https://doi.org/10.1023/A:1012487302797
- Johnson D.W., Curtis P.S. Effects of forest management on soil C and N storage: meta analysis // Forest Ecology and Management. 2001. V. 140(2-3). P. 227–238.
- Kuhn M., Johnson K. Applied Predictive Modeling. N.Y.: Springer, 2013.
- Kuznetsova A.I., Geraskina A.P., Lukina N.V., Smirnov V.E., Tikhonova E.V., Shevchenko N.E., Gornov A.V., Ruchinskaya E.V., Tebenkova D.N. Linking Vegetation, Soil Carbon Stocks, and Earthworms in Upland Coniferous–Broadleaf Forests // Forests. 2021. V. 12(9). P. 1179. https://doi.org/10.3390/f12091179
- McBratney A.B., Mendonça Santos M.L., Minasny B. On digital soil mapping // Geoderma. 2003. V. 117(1–2). P. 3–52. https://doi.org/10.1016/S0016-7061(03)00223-4
- Poggio L., de Sousa L.M., Batjes N.H., Heuvelink G.B.M., Kempen B., Ribeiro E., Rossiter D. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty // Soil. 2021. V. 7(1). P. 217–240. https://doi.org/10.5194/soil-7-217-2021
- Rodriguez-Galiano V.F., Ghimire B., Rogan J., Chica-Olmo M., Rigol-Sanchez J.P. An assessment of the effectiveness of a random forest classifier for land-cover classification // ISPRS J. Photogrammetry Remote Sensing. 2012. V. 67. P. 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
- Suleymanov A., Abakumov E., Alekseev I., Nizamutdinov T. Digital mapping of soil properties in the high latitudes of Russia using sparse data // Geoderma Regional. 2024. V. 36. P. e00776. https://doi.org/10.1016/j.geodrs.2024.e00776
- Suleymanov A., Gabbasova I., Suleymanov R., Abakumov E., Polyakov V., Liebelt P. Mapping soil organic carbon under erosion processes using remote sensing // Hungarian Geographical Bulletin. 2021. V. 70(1). P. 49–64. https://doi.org/10.15201/hungeobull.70.1.4
- Suleymanov A., Tuktarova I., Belan L., Suleymanov R., Gabbasova I., Araslanova L. Spatial prediction of soil properties using random forest, k-nearest neighbors and cubist approaches in the foothills of the Ural Mountains, Russia // Modeling Earth Systems and Environment. 2023. V. 9(3). P. 3461–3471. https://doi.org/10.1007/s40808-023-01723-4
- Wadoux A.M.J.-C., Minasny B., McBratney A.B. Machine learning for digital soil mapping: Applications, challenges and suggested solutions // Earth-Sci. Rev. 2020. V. 210. P. 103359. https://doi.org/10.1016/j.earscirev.2020.103359
- Wadoux A.M.J.-C., Saby N.P.A., Martin M.P. Shapley values reveal the drivers of soil organic carbon stock prediction // Soil. 2023. V. 9. P. 21–38. https://doi.org/10.5194/soil-9-21-2023
- Wang Q., Zhao X., Chen L., Yang Q., Chen S., Zhang W. Global synthesis of temperature sensitivity of soil organic carbon decomposition: latitudinal patterns and mechanisms // Functional Ecology. 2019. V. 33. P. 514–523. https://doi.org/10.1111/1365- 2435.13256
- WMO, World Meteorological Organization (WMO). State of the Global Climate 2022 (WMO-No. 1316). 2023. WMO, Geneva.
- Zhou T., Geng Y., Chen J., Pan J., Haase D., Lausch A. High-resolution digital mapping of soil organic carbon and soil total nitrogen using DEM derivatives, Sentinel-1 and Sentinel-2 data based on machine learning algorithms // Sci. Total Environ. 2020. V. 729. P. 138244. https://doi.org/10.1016/j.scitotenv.2020.138244
Дополнительные файлы
