Стратегия спутникового мониторинга содержания органического углерода в пахотных горизонтах почв России

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.

1. Грубина 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.

2. Единый государственный реестр почвенных ресурсов России / гл. ред. А.Л. Иванов, С.А. Шоба). М.: Почвенный институт им. В.В. Докучаева, 2014. 760 с.

3. 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.

4. Караванова Е.И. Оптические свойства почв и их природа. М.: МГУ, 2003. 153 с.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. FAO. 2022. Global Soil Organic Carbon Map – GSOCmap v.1.6. Technical report. Rome. DOI: https://doi.org/10.4060/cb9015en.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. 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.

24. 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.

25. 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.

26. 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.

27. 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.

28. 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.

29. 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.