esoilБюллетень Почвенного института имени В.В. ДокучаеваDokuchaev Soil Bulletin0136-16942312-4202V.V. Dokuchaev Soil Science Institute10.19047/0136-1694-2025-123-65-99esoil-921Research ArticleСтатьиСтратегия спутникового мониторинга содержания органического углерода в пахотных горизонтах почв РоссииStrategy of satellite monitoring of organic carbon content in arable soil horizons in Russiahttps://orcid.org/0000-0002-8739-5441СавинИ. Ю.SavinI. Yu.

119017, Москва, Пыжевский пер, 7, стр. 2; 115093, Москва, Подольское ш., 8, стр. 5

7 Bld. 2 Pyzhevskiy per., Moscow 119017; 5 Bld. 8 Podolskoe shosse, Moscow 115093

savin_iyu@esoil.ruhttps://orcid.org/0000-0001-7743-8607ПрудниковаЕ. Ю.PrudnikovaE. Yu.

119017, Москва, Пыжевский пер, 7, стр. 2

7 Bld. 2 Pyzhevskiy per., Moscow 119017

kiryan4ik@mail.ruhttps://orcid.org/0000-0002-0463-4241ВиндекерГ. В.WindeckerG. V.

119017, Москва, Пыжевский пер, 7, стр. 2

7 Bld. 2 Pyzhevskiy per., Moscow 119017

gretelericka@gmail.comhttps://orcid.org/0000-0001-5231-902XСоболевН. С.SobolevN. S.

119017, Москва, Пыжевский пер, 7, стр. 2; 119991, Москва, Ленинские горы, 1

7 Bld. 2 Pyzhevskiy per., Moscow 119017; 1 Leninskie Gori, Moscow 119234

kolyhome2000@yandex.ruФИЦ “Почвенный институт им. В.В. Докучаева”; Институт экологии РУДНРоссияFederal Research Centre “V.V. Dokuchaev Soil Science Institute”; Environmental engineering Institute of RUDN UniversityRussian FederationФИЦ “Почвенный институт им. В.В. Докучаева”РоссияFederal Research Centre “V.V. Dokuchaev Soil Science Institute”Russian FederationФИЦ “Почвенный институт им. В.В. Докучаева”; МГУ им. М.В. ЛомоносоваРоссияFederal Research Centre “V.V. Dokuchaev Soil Science Institute”; Lomonosov Moscow State UniversityRussian Federation20251707202501236599Copyright © Савин И.Ю., Прудникова Е.Ю., Виндекер Г.В., Соболев Н.С., 20252025Савин И.Ю., Прудникова Е.Ю., Виндекер Г.В., Соболев Н.С.Savin I.Y., Prudnikova E.Y., Windecker G.V., Sobolev N.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://bulletin.esoil.ru/jour/article/view/921

В мире накоплен достаточно большой опыт дистанционной оценки содержания органического углерода в почвах. Но, если не считать достаточно схематичных глобальных подходов, мониторинг на детальном уровне до сих пор имеет локальный характер, и построенные модели не могут быть экстраполированы на другие территории. Целью исследования было разработать стратегию унифицированного дистанционного мониторинга содержания органического углерода в пахотных горизонтах почв для всей территории России и провести ее апробацию. Стратегия опирается на анализ архивов спутниковых данных Landsat 8-9 OLI. Регрессионные модели (линейные или экспоненциальные) связи отражения открытой поверхности почв в ближнем инфракрасном диапазоне с содержанием органического углерода в пахотном горизонте почв, строятся на основе литературных данных и их параметры подбираются индивидуально для каждого выдела районирования страны, в качестве которого выступает геометрическая часть Единого государственного реестра почвенных ресурсов России. На основе моделей строится базовая карта содержания углерода в пахотных горизонтах почв за период пять лет. После этого на основе тех же методических подходов строится карта содержания углерода на конец текущего года. Сравнение карт позволяет оценить изменения в текущем году относительно базового периода. Демонстрация использования данного подхода проведена для двух контрастных выделов районирования в Тверской и Тульской областях России. Подход показал невысокую, но сопоставимую с аналогами точность для детектирования небольших изменений в содержании углерода (ошибка предсказания составила 0.8–1.0%) и позволил уверенно выявить участки с резкими изменениями. Предполагается, что точность моделирования будет ежегодно возрастать с накоплением полевых данных о содержании углерода в пахотном горизонте почв, а также с уточнением моделей в каждом выделе районирования. Подобный подход может быть использован для организации ежегодного дистанционного мониторинга изменения содержания углерода в пахотных почвах в рамках климатических проектов страны.

The world has accumulated quite a lot of experience in remote assessment of organic carbon content in soils. But, except for rather schematic global approaches, monitoring at the detailed level is still localized, and the constructed models cannot be extrapolated to other territories. The aim of the study was to develop a strategy for unified remote sensing monitoring of organic carbon content in arable soil horizons for the whole territory of Russia and to test it. The strategy is based on the analysis of Landsat 8-9 OLI satellite data archives. Regression models (linear or exponential) of the relationship between the reflectance of the open surface of soils in the near infrared range and the content of organic carbon in arable soil horizons are built on the basis of literature data and their parameters are selected individually for each unit of the country regionalization, which is the geometric part of the Unified State Register of Soil Resources of Russia. On the basis of models, a base map of carbon content in arable soil horizons for a period of five years was constructed. After that, a map of carbon content at the end of the current year was built on the basis of the same methodological approaches. Comparison of the maps allows estimation of changes in the current year relative to the base period. Demonstration of the use of this approach was carried out for two contrasting regionalization units in the Tver and Tula regions of Russia. The approach showed low, but comparable to analogs, accuracy for detecting small changes in carbon content (prediction error was 0.8–1.0%), but allowed to confidently identify areas with abrupt changes. It is assumed that the accuracy of modeling will increase annually with the accumulation of field data on carbon content in the arable horizon of soils, as well as with the refinement of models in each regionalization unit. Such an approach can be used to organize annual remote sensing monitoring of carbon content changes in arable soils within the framework of climate projects of the country.

содержание углерода в почвахLandsatмониторинг почвпахотные почвыРоссияsoil carbon contentLandsatsoil monitoringarable soilsRussiaРабота выполнена в рамках реализации важнейшего инновационного проекта государственного значения “Разработка системы наземного и дистанционного мониторинга пулов углерода и потоков парниковых газов на территории Российской Федерации, обеспечение создания системы учета данных о потоках климатически активных веществ и бюджете углерода в лесах и других наземных экологических системах” (рег. № 123030300031-6).The work was carried out within the framework of the implementation of the innovative project of state importance “Development of a system of ground-based and remote sensing monitoring of carbon pools and greenhouse gas fluxes on the territory of the Russian Federation, ensuring the creation of a system of accounting data on the fluxes of climatically active substances and carbon budget in forests and other terrestrial ecological systems” (registration No. 123030300031-6).ReferencesГрубина П.Г., Савин И.Ю., Прудникова Е.Ю. Возможности использования данных тепловой съемки для детектирования основных параметров плодородия пахотных почв // Бюллетень Почвенного института имени В.В. Докучаева. 2020. Вып. 105. С. 146–172. DOI: https://doi.org/10.19047/0136-1694-2020-105-146-172.Grubina P.G., Savin I.Yu., Prudnikova E.Yu., The possibilities of using thermal infrared imaging data for detecting the main parameters of arable soil fertility, Dokuchaev Soil Bulletin, 2020, Vol. 105, pp. 146–172, DOI: https://doi.org/10.19047/0136-1694-2020-105-146-172.Единый государственный реестр почвенных ресурсов России / гл. ред. А.Л. Иванов, С.А. Шоба). М.: Почвенный институт им. В.В. Докучаева, 2014. 760 с.Ivanov A.L., Shoba S.A. (Eds.), Edinyj gosudarstvennyj reestr pochvennyh resursov Rossii (The Unified State Register of Soil Resources of Russia), Moscow: Pochvennyj institut im. V.V. Dokuchaeva, 2014, 760 p.Иванов А.Л., Савин И.Ю., Столбовой В.С., Духанин Ю.А., Козлов Д.Н. Методологические подходы формирования единой Национальной системы мониторинга и учета баланса углерода и выбросов парниковых газов на землях сельскохозяйственного фонда Российской Федерации // Бюллетень Почвенного института имени В.В. Докучаева. 2021. Вып. 108. С. 175–218. DOI: https://doi.org/10.19047/0136-1694-2021-108-175-218.Ivanov A.L., Savin I.Yu., Stolbovoy V.S., Dukhanin Yu.A., Kozlov D.N. Methodological approaches to the formation of a unified national system of monitoring and accounting of carbon balance and greenhouse gas emissions on lands of the agricultural fund of the Russian Federation, Dokuchaev Soil Bulletin, 2021, Vol. 108, pp. 175–218, DOI: https://doi.org/10.19047/0136-1694-2021-108-175-218.Караванова Е.И. Оптические свойства почв и их природа. М.: МГУ, 2003. 153 с.Karavanova E.I., Opticheskie svojstva pochv i ih priroda (Optical properties of soils and their nature), Moscow: MSU, 2003, 153 p.Орлов Д.С., Суханова Н.И., Розанова М.С. Спектральная отражательная способность почв и их компонентов. М.: Изд-во Моск. ун- та, 2001. 175 с.Orlov D.S., Sukhanova N.I., Rozanova M.S., Spektral'naja otrazhatel'naja sposobnost' pochv i ih komponentov (Spectral reflectivity of soils and their components) Moscow: Izd-vo Mosk. un-ta, 2001, 175 p.Прудникова Е.Ю., Савин И.Ю., Грубина П.Г. Спутниковая оценка агрономически важных свойств пахотных почв с учетом состояния их поверхности // Бюллетень Почвенного института имени В.В. Докучаева. 2023. Вып. 115. С. 129–159. DOI: https://doi.org/10.19047/0136-1694-2023-115-129-159.Prudnikova E.Yu., Savin I.Yu., Grubina P.G., Satellite based assessment of agronomically important properties of agricultural soils with consideration of their surface state, Dokuchaev Soil Bulletin, 2023, Vol. 115, pp. 129–159, DOI: https://doi.org/10.19047/0136-1694-2023-115-129-159.Самсонова В.П., Кондрашкина М.И., Кротов Д.Г. Пространственное многообразие агрохимических свойств пахотных почв (на примере Трубчевского района Брянской области) // Вестник Московского Университета. Серия 17. Почвоведение. 2019. № 2. С. 28–35.Samsonova V.P., Kondrashkina M.I., Krotov D.G., Prostranstvennoe mnogoobrazie agrohimicheskih svojstv pahotnyh pochv (na primere Trubchevskogo rajona Brjanskoj oblasti) (Spatial diversity of agrochemical properties of arable soils (on the example of Trubchevsky district of Bryansk region)), Vestnik Moskovskogo Universiteta. Serija 17. Pochvovedenie, 2019, No. 2, pp. 28–35.Хитров Н.Б., Никитин Д.А., Иванова Е.А., Семенов М.В. Пространственно-временная изменчивость содержания и запасов органического вещества почвы: аналитический обзор // Почвоведение. 2023. № 12. С. 1493–1521.Khitrov N.B., Nikitin D.A., Ivanova E.A., Semenov M.V., Prostranstvenno-vremennaja izmenchivost' soderzhanija i zapasov organicheskogo veshhestva pochvy: analiticheskij obzor (Spatial and temporal variability of the content and reserves of soil organic matter: an analytical review), Pochvovedenie, 2023, No. 12, pp. 1493–1521.Angelopoulou T., Tziolas N., Balafoutis A., Zalidis G., Bochtis D. Remote sensing techniques for soil organic carbon estimation: A review // Remote Sensing. 2019. Vol. 11(6). P. 676.Angelopoulou T., Tziolas N., Balafoutis A., Zalidis G., Bochtis D., Remote sensing techniques for soil organic carbon estimation: A review, Remote Sensing, 2019, Vol. 11(6), pp. 676.Ciais P., Gasser T., Paris J.D., Caldeira K., Raupach M.R., Canadell J.G., Gitz V. Attributing the increase in atmospheric CO 2 to emitters and absorbers // Nature Climate Change. 2013. Vol. 3(10). P. 926–930.Ciais P., Gasser T., Paris J.D., Caldeira K., Raupach M.R., Canadell J.G., Gitz V., Attributing the increase in atmospheric CO 2 to emitters and absorbers, Nature Climate Change, 2013, Vol. 3(10), pp. 926–930.Datta D., Paul M., Murshed M., Teng S.W., Schmidtke L. Soil moisture, organic carbon, and nitrogen content prediction with hyperspectral data using regression models // Sensors (Switzerland). 2022. Vol. 22(20). Article 7998. DOI: https://doi.org/10.3390/s22207998.Datta D., Paul M., Murshed M., Teng S.W., Schmidtke L., Soil moisture, organic carbon, and nitrogen content prediction with hyperspectral data using regression models, Sensors (Switzerland), 2022, Vol. 22(20), Article 7998, DOI: https://doi.org/10.3390/s22207998.Demattê J.A., Safanelli J.L., Poppiel R.R., Rizzo R., Silvero N.E.Q., Mendes W.D.S., Lisboa C.J.D.S. Bare earth’s surface spectra as a proxy for soil resource monitoring // Scientific reports. 2020. Vol. 10(1). P. 1–11.Demattê J.A., Safanelli J.L., Poppiel R.R., Rizzo R., Silvero N.E.Q., Mendes W.D.S., Lisboa C.J.D.S., Bare earth’s surface spectra as a proxy for soil resource monitoring, Scientific reports, 2020, Vol. 10(1), pp. 1–11.Dou X., Wang X., Liu H., Zhang X., Meng L., Pan Y., Cui Y. Prediction of soil organic matter using multi-temporal satellite images in the Songnen Plain, China // Geoderma. 2019. Vol. 356. 113896.Dou X., Wang X., Liu H., Zhang X., Meng L., Pan Y., Cui Y., Prediction of soil organic matter using multi-temporal satellite images in the Songnen Plain, China, Geoderma, 2019, Vol. 356, 113896.Đurđević B., Jug I., Jug D., Bogunović I., Vukadinović V., Stipešević B. et al. Spatial variability of soil organic matter content in Eastern Croatia assessed using different interpolation methods // Int. Agrophys. 2019. Vol. 33(1). P. 31–39. DOI: https://doi.org/10.31545/intagr/104372.Đurđević B., Jug I., Jug D., Bogunović I., Vukadinović V., Stipešević B. et al., Spatial variability of soil organic matter content in Eastern Croatia assessed using different interpolation methods, Int. Agrophys., 2019, Vol. 33(1), pp. 31–39, DOI: https://doi.org/10.31545/intagr/104372.FAO. 2022. Global Soil Organic Carbon Map – GSOCmap v.1.6. Technical report. Rome. DOI: https://doi.org/10.4060/cb9015en.FAO. Global Soil Organic Carbon Map – GSOCmap v.1.6. Technical report, Rome, 2022, DOI: https://doi.org/10.4060/cb9015en.Guo L., Fu P., Shi T., Chen Y., Zeng C., Zhang H., Wang S. Exploring influence factors in mapping soil organic carbon on low-relief agricultural lands using time series of remote sensing data // Soil and Tillage Research. 2021. Vol. 210. 104982.Guo L., Fu P., Shi T., Chen Y., Zeng C., Zhang H., Wang S., Exploring influence factors in mapping soil organic carbon on low-relief agricultural lands using time series of remote sensing data, Soil and Tillage Research, 2021, Vol. 210, 104982.Jackson R.B., Lajtha K., Crow S.E., Hugelius G., Kramer M.G., Piñeiro G. The ecology of soil carbon: pools, vulnerabilities, and biotic and abiotic controls // Annual Review of Ecology, Evolution, and Systematics. 2017. Vol. 48(1). P. 419–445.Jackson R.B., Lajtha K., Crow S.E., Hugelius G., Kramer M.G., Piñeiro G., The ecology of soil carbon: pools, vulnerabilities, and biotic and abiotic controls, Annual Review of Ecology, Evolution, and Systematics, 2017, Vol. 48(1), pp. 419–445.Jin Y., Sharifi A., Li Z., Chen S., Zeng S., Zhao S. Carbon emission prediction models: A review // Science of The Total Environment. 2024. Vol. 927. 172319. DOI: https://doi.org/10.1016/j.scitotenv.2024.172319.Jin Y., Sharifi A., Li Z., Chen S., Zeng S., Zhao S., Carbon emission prediction models: A review, Science of The Total Environment, 2024, Vol. 927, 172319, DOI: https://doi.org/10.1016/j.scitotenv.2024.172319.Kalambukattu J.G., Kumar S., Arya Raj R. Digital soil mapping in a Himalayan watershed using remote sensing and terrain parameters employing artificial neural network model // Environmental earth sciences. 2018. Vol. 77(5). P. 1–14.Kalambukattu J.G., Kumar S., Arya Raj R., Digital soil mapping in a Himalayan watershed using remote sensing and terrain parameters employing artificial neural network model, Environmental earth sciences, 2018, Vol. 77(5), pp. 1–14.Lamichhane S., Kumar L., Wilson B. Digital soil mapping algorithms and covariates for soil organic carbon mapping and their implications: A review // Geoderma. 2019. Vol. 352. P. 395–413.Lamichhane S., Kumar L., Wilson B., Digital soil mapping algorithms and covariates for soil organic carbon mapping and their implications: A review, Geoderma, 2019, Vol. 352, pp. 395–413.Le Noë J., Manzoni S., Abramoff R. et al. Soil organic carbon models need independent time-series validation for reliable prediction // Commun Earth Environ. 2023. Vol. 4(158). DOI: https://doi.org/10.1038/s43247-023-00830-5.Le Noë J., Manzoni S., Abramoff R. et al., Soil organic carbon models need independent time-series validation for reliable prediction, Commun Earth Environ., 2023, Vol. 4(158), DOI: https://doi.org/10.1038/s43247-023-00830-5.Mahmoudabadi E., Karimi A., Haghnia G.H., Sepehr A. Digital soil mapping using remote sensing indices, terrain attributes, and vegetation features in the rangelands of northeastern Iran // Environmental monitoring and assessment. 2017. Vol. 189(10). P. 1–20.Mahmoudabadi E., Karimi A., Haghnia G.H., Sepehr A., Digital soil mapping using remote sensing indices, terrain attributes, and vegetation features in the rangelands of northeastern Iran, Environmental monitoring and assessment, 2017, Vol. 189(10), pp. 1–20.Nguyen C.T., Chidthaisong A., Kieu Diem P., Huo L-Z. A Modified bare soil index to identify bare land features during agricultural fallow-period in Southeast Asia Using Landsat 8 // Land. 2021. Vol. 10(3). P. 231. DOI: https://doi.org/10.3390/land10030231.Nguyen C.T., Chidthaisong A., Kieu Diem P., Huo L-Z., A Modified bare soil index to identify bare land features during agricultural fallow-period in Southeast Asia Using Landsat 8, Land, 2021, Vol. 10(3), pp. 231, DOI: https://doi.org/10.3390/land10030231.Panahi H., Azizi Z., Kiadaliri H., Almodaresi S.A., Aghamohamadi H. Bare soil detecting algorithms in western Iran woodlands using remote sensing // Smart Agricultural Technology. 2024. Vol. 7. 100429. DOI: https://doi.org/10.1016/j.atech.2024.100429.Panahi H., Azizi Z., Kiadaliri H., Almodaresi S.A., Aghamohamadi H., Bare soil detecting algorithms in western Iran woodlands using remote sensing, Smart Agricultural Technology, 2024, Vol. 7, 100429, DOI: https://doi.org/10.1016/j.atech.2024.100429.Rosero-Vlasova O.A., Vlassova L., Pérez-Cabello F., Montorio R., Nadal-Romero E. Soil organic matter and texture estimation from visible–near infrared–shortwave infrared spectra in areas of land cover changes using correlated component regression // Land Degradation & Development. 2019. Vol. 30(5). P. 544–560.Rosero-Vlasova O.A., Vlassova L., Pérez-Cabello F., Montorio R., Nadal-Romero E., Soil organic matter and texture estimation from visible– near infrared–shortwave infrared spectra in areas of land cover changes using correlated component regression, Land Degradation & Development, 2019, Vol. 30(5), pp. 544–560.Schillaci C., Lombardo L., Saia S., Fantappiè M., Märker M., Acutis M. Modelling the topsoil carbon stock of agricultural lands with the Stochastic Gradient Treeboost in a semi-arid Mediterranean region // Geoderma. 2017. Vol. 286. P. 35–45.Schillaci C., Lombardo L., Saia S., Fantappiè M., Märker M., Acutis M., Modelling the topsoil carbon stock of agricultural lands with the Stochastic Gradient Treeboost in a semi-arid Mediterranean region, Geoderma, 2017, Vol. 286, pp. 35–45.Schuster J., Mittermayer M., Maidl F.X. et al. Spatial variability of soil properties, nitrogen balance and nitrate leaching using digital methods on heterogeneous arable fields in southern Germany // Precision Agric. 2023. Vol. 24. P. 647–676. DOI: https://doi.org/10.1007/s11119-022-09967-3.Schuster J., Mittermayer M., Maidl F.X. et al., Spatial variability of soil properties, nitrogen balance and nitrate leaching using digital methods on heterogeneous arable fields in southern Germany, Precision Agric., 2023, Vol. 24, pp. 647–676, DOI: https://doi.org/10.1007/s11119-022-09967-3.Shen Z., Ramirez-Lopez L., Behrens T., Cui L., Zhang M., Walden L., ... Rossel R.A.V. Deep transfer learning of global spectra for local soil carbon monitoring // ISPRS Journal of Photogrammetry and Remote Sensing. 2022. Vol. 188. P. 190–200.Shen Z., Ramirez-Lopez L., Behrens T., Cui L., Zhang M., Walden L., ... Rossel R.A.V., Deep transfer learning of global spectra for local soil carbon monitoring, ISPRS Journal of Photogrammetry and Remote Sensing, 2022, Vol. 188, pp. 190–200.Yang R.M., Zhang G.L., Liu F., Lu Y.Y., Yang F., Yang F., ... Li D.C. Comparison of boosted regression tree and random forest models for mapping topsoil organic carbon concentration in an alpine ecosystem // Ecological Indicators. 2016. Vol. 60. P. 870–878.Yang R.M., Zhang G.L., Liu F., Lu Y.Y., Yang F., Yang F., ... Li D.C., Comparison of boosted regression tree and random forest models for mapping topsoil organic carbon concentration in an alpine ecosystem, Ecological Indicators, 2016, Vol. 60, pp. 870–878.

The authors declare that there are no conflicts of interest present.