Факторы пространственного распределения почвенного органического углерода в горах Южного Урала: подход с использованием машинного обучения

Обложка

Цитировать

Полный текст

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

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.

Об 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

  1. Агрохимические методы исследования почв. М.: Наука, 1976. 656 с.
  2. Бурангулова М.Н., Мукатанов А.Х., Курчеев П.А. Горные почвы Башкирии // Почвы Башкирии. Уфа, 1973. Т. 1. С. 405–437.
  3. 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.
  4. Дымов А.А., Жангуров Е.В. Морфолого-генетические особенности почв кряжа Енганэпэ (Полярный Урал) // Почвоведение. 2011. № 5. С. 515–524.
  5. 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.
  6. 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.
  7. 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.
  8. Самофалова И.А., Лузянина О.А. Горные почвы Среднего Урала (на примере ГПЗ “Басеги”). Пермь: Прокростъ, 2014. 154 с.
  9. Сморкалов И.А. Изменчивость дыхания почвы: оценка вклада пространства и времени с помощью алгоритма Random Forest // Экология. 2022. № 4. С. 299–311.
  10. Старцев В.В., Мазур А.С., Дымов А.А. Содержание исостав органического вещества почв Приполярного Урала // Почвоведение. 2020. № 12. С. 1478–1488.
  11. 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.
  12. 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.
  13. 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.
  14. Чибилев А.А. Природа Оренбургской области. Ч. 1. Физико-географический и историко-географический очерк. Оренбург, 1995. 128 с.
  15. 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.
  16. 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
  17. 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
  18. 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
  19. 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
  20. Breiman L. Random Forests // Machine Learning. 2001. V. 45(1). P. 5–32.
  21. 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
  22. 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
  23. 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
  24. 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
  25. 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.
  26. Kuhn M., Johnson K. Applied Predictive Modeling. N.Y.: Springer, 2013.
  27. 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
  28. 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
  29. 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
  30. 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
  31. 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
  32. 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
  33. 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
  34. 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
  35. 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
  36. 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
  37. WMO, World Meteorological Organization (WMO). State of the Global Climate 2022 (WMO-No. 1316). 2023. WMO, Geneva.
  38. 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

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Расположение исследуемого участка и почвенных образцов (фиолетовые точки).

Скачать (1MB)
Метаданные
3. Рис. 2. График снижения значения RMSE при использовании различного количества переменных в алгоритме случайного леса.

Скачать (108KB)
Метаданные
4. Рис. 3. Диаграмма рассеяния измеренных и предсказанных значений Сорг.

Скачать (130KB)
Метаданные
5. Рис. 4. Топ 15 важнейших пространственных переменных в прогнозировании содержания Сорг.

Скачать (236KB)
Метаданные

© Российская академия наук, 2024