RUDN Journal of Agronomy and Animal IndustriesRUDN Journal of Agronomy and Animal IndustriesВестник Российского университета дружбы народов. Серия: Агрономия и животноводство2312-797X2312-7988Peoples’ Friendship University of Russia named after Patrice Lumumba2012710.22363/2312-797X-2024-19-4-602-617AWPWMASoil science and agrochemistryПочвоведение и агрохимияResearch ArticleMapping soil organic carbon stocks of different land use types in the Southern Moscow region by applying machine learning to legacy dataКартографирование запасов органического углерода в почвах различного землепользования Южного Подмосковья на основе архивных данных и машинного обученияhttps://orcid.org/0000-0003-3491-44878020-3292DvornikovYury A.ДворниковЮрий Александрович

Candidate of Geological and Mineralogical Science, Associate Professor, Laboratory of Smart Urban Nature, Аgroengineering department, Agrarian and Technological Institute, RUDN University; Researcher, Laboratory of Carbon Monitoring in Terrestrial Ecosystems, Institute of Physicochemical and Biological Problems in Soil Science RAS

кандидат геолого-минералогических наук, доцент лаборатория Smart Urban Nature, агроинженерный департамент, аграрно-технологический институт, Российский университет дружбы народов; научный сотрудник, лаборатория карбомониторинга наземных экосистем, Институт физико-химических и биологических проблем почвоведения РАН

ydvornikow@gmail.comMirniyLukyan A.МирныйЛукьян АндреевичEngineer, laboratory of Carbon Monitoring in Terrestrial Ecosystemsинженер, лаборатория карбомониторинга наземных экосистемmirluk@yandex.ruhttps://orcid.org/0009-0004-5378-87752640-0913MukvichEkaterina S.МуквичЕкатерина Сергеевна

PhD student, Junior Researcher, Laboratory of Carbon Monitoring in Terrestrial Ecosystems

аспирант, младший научный сотрудник, лаборатория карбомониторинга наземных экосистем

katerinamykvitc@mail.ruhttps://orcid.org/0000-0001-8397-158X1388-1561IvashchenkoKristina V.ИващенкоКристина Викторовна

Candidate of Sciences in Biology, Senior Researcher, Laboratory of Carbon Monitoring in Terrestrial Ecosystems

кандидат биологических наук, старший научный сотрудник, лаборатория карбомониторинга наземных экосистем

ivashchenko.kv@gmail.comRUDN UniversityРоссийский университет дружбы народовInstitute of Physicochemical and Biological Problems of Soil Science RASИнститут физико-химических и биологических проблем почвоведения РАН30122024194VOL 19, NO4 (2024)ТОМ 19, №4 (2024)60261729032025Copyright ©; 2024, Dvornikov Y.A., Mirniy L.A., Mukvich E.S., Ivashchenko K.V.Copyright ©; 2024, Дворников Ю.А., Мирный Л.А., Муквич Е.С., Иващенко К.В.2024Dvornikov Y.A., Mirniy L.A., Mukvich E.S., Ivashchenko K.V.Дворников Ю.А., Мирный Л.А., Муквич Е.С., Иващенко К.В.https://creativecommons.org/licenses/by-nc/4.0https://agrojournal.rudn.ru/agronomy/article/view/20127

This study presents the result of topsoil (0—10 cm) soil organic carbon (SOC) mapping in two areas of Moscow Region (2007 status): 1096 km2 — Podolsky District, and 1101 km2 — Serpukhovsky District. Based on 2007 legacy soil sampling data (n = 282) within these areas, we have created a statistical model between the target variable (SOC stocks, kg/m2) and numerous covariates (legacy maps and remote sensing data). GBM model has explained 56% of soil organic carbon stocks variability. Differences in stocks within different land use types were shown quantitatively. At the same time, the spectral reflectance in the near infrared band (B5) of Landsat‑5 TM made the greatest contribution in explaining the differences within individual types (among fallow lands and urbanized areas), and the spectral index NDVI has explained the spatial variability of soil organic carbon among forest ecosystems. The root mean square error of cross-­validation (RMSEcv = 0.67 kg/m2) was chosen to describe the uncertainty of soil organic carbon stock prediction. According to the model, the total soil organic carbon stocks in the upper 10 cm soil layer of the Podolsky District were 2.65 ± 0.72 Tg, for the Serpukhovsky District — 2.77 ± 0.73 Tg.

Приведены результаты картографирования запасов почвенного органического углерода (ПОУ) в верхнем 10‑сантметровом слое почв двух территориальных единиц Московской области (по сост. на 2007 г.) (1096 км2 — территория Подольского района, 1101 км2 — территория Серпуховского района). На основании данных почвенной съемки 2007 г. (n = 282) в пределах этих территориальных образований построена модель зависимости запасов ПОУ, кг/м2, от различных предикторов, полученных на основе архивных карт и данных дистанционного зондирования. Предиктивная модель gradient boosting machines объяснила 56 % дисперсии запасов ПОУ. Различия в запасах в пределах различных типов землепользования были количественно показаны. В то же время, в пределах отдельных типов наибольший вклад в объяснения различий внесли данные спектральной отражательной способности в ближнем инфракрасном канале (B5) Landsat‑5 TM (объясняет пространственную изменчивость ПОУ среди залежей и урбанизированных территорий) и спектральный индекс NDVI — показатель количества фотосинтетически активной биомассы (объясняет пространственную изменчивость ПОУ в лесных экосистемах). Среднеквадратическая ошибка кросс-­валидации RMSEcv = 0,67 кг/м2 выбрана для описания неопределенности предсказания запасов ПОУ. Полученные данные можно использовать при расчетах потенциала почв к секвестрации углерода вследствие динамики землепользования на региональном уровне.

Landsatstochastic gradient boostingreliefsoil organic carbonparameterizationspectral transformationMoscow regionLandsatстохастический градиентный бустингрельефпочвенный органический углеродпараметризацияспектральная трансформацияМосковская областьИсследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации (тема № 122111000095-8) в рамках работы молодежной лаборатории.The study was carried out with the financial support of the Ministry of Science and Higher Education of the Russian Federation (No. 122111000095-8) as part of the work of the youth laboratory.Batjes NH. Total carbon and nitrogen in the soils of the world. European Journal of Soil Science. 1996;47(2):151—63. doi: 10.1111/j.1365-2389.1996.tb01386.xChernova OV, Golozubov OM, Alyabina IO, Schepaschenko DG. Integrated approach to spatial assessment of soil organic carbon in the Russian Federation. Eurasian Soil Science. 2021;54(3):325—336. doi: 10.1134/s1064229321030042Minasny B, Malone BP, McBratney AB, Field DJ, Odeh I, Padarian J, et al. Soil carbon 4 per mille. Geoderma. 2017;292:59—86. doi: 10.1016/j.geoderma.2017.01.002de Gruijter JJ, Brus DJ, Bierkens MFP, Knotters M. Sampling for natural resource monitoring. Berlin (Germany) etc.: Springer; 2006.doi: 10.1007/3-540-33161-1Kudeyarov VN, Zavarzin GA, Blagodatskij SA, Borisov AV, Voronin PY, Demkin VA, et al. Puly i potoki ugleroda v nazemnyh ekosistemah Rossii [Carbon pools and flows in terrestrial ecosystems of Russia]. Moscow: Nauka publ.; 2007. (In Russ).Zhang Z, Xia L, Zhao Z, Zhao F, Hou G, Wu S, et al. How land use transitions contribute to the soil organic carbon accumulation from 1990 to 2020. Remote Sensing. 2024;16(7):1308. doi: 10.3390/rs16071308Kurganova IN, Lopes de Gerenju VO, Mjakshina TN, Sapronov DV, Savin IJu, Shorohova EV. Carbon balance in forest ecosystems of Southern Moscow region under rising aridity of climate. Lesovedenie. 2016;(5):332—345. (In Russ).Курганова И.Н., Лопес де Генерю В.О., Мякшина Т.Н., Сапронв Д.В., Савин И.Ю., Шорохова Е.В. Баланс углерода лесных экосистем южного Подмосковья в условиях усиления засушливости климата // Лесоведение. 2016. № 5. С. 332—345.McBratney AB, Mendonça Santos ML, Minasny B. On digital soil mapping. Geoderma. 2003;117(1—2):3—52. doi: 10.1016/s0016-7061 (03) 00223-4Minasny B, McBratney AB, Malone BP, Wheeler I. Digital Mapping of Soil Carbon. Advances in Agronomy. 2013;118:1—47. doi: 10.1016/b978-0-12-405942-9.00001-3Savin IY, Zhogolev AV, Prudnikova EY. Modern Trends and Problems of Soil Mapping. Eurasian Soil Science. 2019;52(5):471—480. doi: 10.1134/s1064229319050107Wadoux AMJC, Minasny B, McBratney AB. Machine learning for digital soil mapping: Applications, challenges and suggested solutions. Earth-­Science Reviews. 2020;210:103359. doi: 10.1016/j.earscirev.2020.103359Li J, Heap AD. Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling & Software. 2014;53:173—189. doi: 10.1016/j.envsoft.2013.12.008Gopp NV, Meshalkina JL, Narykova AN, Plotnikova AS, Chernova OV. Mapping of soil organic carbon content and stock at the regional and local levels: the analysis of modern methodological approaches. Forest science issues. 2023;6(1):1—59. (In Russ.). doi: 10.31509/2658-607x‑202361-120Гопп Н.В., Мешалкина Ю.Л., Нарыкова А.Н., Плотникова А.С., Чернова О.В. Картографирование содержание и запасов органического углерода почв на региональном и локальном уровнях: анализ современных методиче-ских подходов // Вопросы лесной науки. 2023. Т. 6. № 1. С. 1—59. doi: 10.31509/2658-607x‑202361-120Veronesi F, Schillaci C. Comparison between geostatistical and machine learning models as predictors of topsoil organic carbon with a focus on local uncertainty estimation. Ecological Indicators. 2019;101:1032—1044. doi: 10.1016/j.ecolind.2019.02.026Florinsky IV. The Dokuchaev hypothesis as a basis for predictive digital soil mapping (on the 125th anniversary of its publication). Eurasian Soil Science. 2012;45(4):445—451. (In Russ.). doi: 10.1134/S1064229312040047Флоринский И.В. Гипотеза Докучаева как основа цифрового прогнозного почвенного картографирования (к 125‑летию публикации) // Почвоведение. 2012. № 4. С. 500—506. doi: 10.1134/S1064229312040047Ivashchenko KV, Sushko SV, Dvornikov YA, Mirny LA, Orlova LV, Ananyeva ND, et al. Soil Organic Carbon Stocks under No-­Tillage in the Middle Volga Region. Agrohimia. 2023;(12):47—56. (In Russ.). doi: 10.31857/s0002188123110066Иващенко К.В., Сушко С.В., Дворников Ю.А., Мирный Л.А., Орлова Л.В., Ананьева Н.Д. и др. Запасы почвенного органического углерода при нулевой обработке почвы в условиях Среднего Поволжья // Агрохимия. 2023. № 12. С. 47—56. doi: 10.31857/S0002188123110066Dvornikov Y, Slukovskaya M, Yaroslavtsev A, Meshalkina J, Ryazanov A, Sarzhanov D, et al. High-resolution mapping of soil pollution by Cu and Ni at a polar industrial barren area using proximal and remote sensing. Land Degradation & Development. 2022;33(10):1731—1744. doi: 10.1002/ldr.4261Florinsky IV, Eilers RG, Manning GR, Fuller LG. Prediction of soil properties by digital terrain modelling. Environmental Modelling and Software. 2002;17(3):295—311. doi: 10.1016/s1364-8152 (01) 00067-6Dvornikov YA, Vasenev VI, Romzaykina ON, Grigorieva VE, Litvinov YA, Gorbov SN, et al. Projecting the urbanization effect on soil organic carbon stocks in polar and steppe areas of European Russia by remote sensing. Geoderma. 2021;399:115039. doi: 10.1016/j.geoderma.2021.115039Vasenev VI, Stoorvogel JJ, Vasenev II, Valentini R. How to map soil organic carbon stocks in highly urbanized regions? Geoderma. 2014;226–227:103—115. doi: 10.1016/j.geoderma.2014.03.007Dobrovolsky GV, Urusevskaya IS. Geografiya pochv [Soil geography]. Moscow: Nauka publ.; 2006. (In Russ.).Добровольский Г.В., Урусевская И.С. География почв. М. : МГУ, Наука, 2006. 464 с.Poggio L, de Sousa LM, Batjes NH, Heuvelink GBM, Kempen B, Ribeiro E, et al. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty. SOIL. 2021;7(1):217—240. doi: 10.5194/soil‑7-217-2021Chinilin AV, Savin IY. Estimation of organic carbon content in Russian soils using ensemble machine learning. Vestnik Moskovskogo universiteta. Seriya 5, Geografiya. 2022;(6):49—63. (In Russ.). doi:10.55959/MSU0579-9414-5-2022-6-49-63Чинилин А.В., Савин И.Ю. Оценка содержания органического углерода почв России с помощью ансамблевого машинного обучения // Вестник Московского университета. Серия 5: География. 2022. № 6. С. 49—63. doi: 10.55959/MSU0579-9414-5-2022-6-49-63Suleymanov A, Abakumov E, Nizamutdinov T, Polyakov V, Shevchenko E, Makarova M. Soil organic carbon stock retrieval from Sentinel‑2A using a hybrid approach. Environmental Monitoring and Assessment. 2024;196(1):23. doi: 10.1007/s10661-023-12172‑yLado LR, Hengl T, Reuter HI. Heavy metals in European soils: A geostatistical analysis of the FOREGS Geochemical database. Geoderma. 2008;148(2):189—199. doi: 10.1016/j.geoderma.2008.09.020Wadoux AMJC, Brus DJ. How to compare sampling designs for mapping? European Journal of Soil Science. 2020;72(1):35—46. doi: 10.1111/ejss.12962Wadoux AMJC, Brus DJ, Heuvelink GBM. Sampling design optimization for soil mapping with random forest. Geoderma. 2019;355:113913. doi: 10.1016/j.geoderma.2019.113913Hengl T. Finding the right pixel size. Computers & Geosciences. 2006;32(9):1283—1298. doi: 10.1016/j.cageo.2005.11.008Romanenkov VA, Meshalkina JL, Gorbacheva AY, Krenke AN, Petrov IK, Golozubov OM, et al. Maps of Soil Organic Carbon Sequestration Potential in the Russian Croplands. Eurasian Soil Science. 2024;57(5):737—750. doi: 10.1134/s106422932360375xBeck HE, Zimmermann NE, McVicar TR, Vergopolan N, Berg A, Wood EF. Present and future Köppen-­Geiger climate classification maps at 1‑km resolution. Scientific Data. 2018;5(1): 180214. doi: 10.1038/sdata.2018.214Boldyreva VE, Golozubov OM, Litvinov YA, Minaeva EN, Pulin AV. Tsifrovaya srednemasshtabnaya Pochvennaya karta Moskovskogo regiona [Digital meso-scale soil map of Moscow Oblast’]. Mapping division of IS SSDB. Available from: https://soil-db.ru/map?name=moscow-­region [Accessed 15th April 2024] (In Russ.).Болдырева В.Э., Голозубов О.М., Литвинов Ю.А., Минаева Е.Н., Пулин А.В. Цифровая среднемасштабная Почвенная карта Московского региона в Картографическом блоке ИС ПГБД. Информационная система Почвенно-­географическая база данных России. Режим доступа: https://soil-db.ru/map?name=moscow-­region. Дата обращения: 15.04.2024.Gavrilenko EG. Biologicheskiye svoystva pochvy dlya ikh ekologo-­ekonomicheskoi otsenki (na primere Serpukhovskogo i Podol’skogo raionov Moskovskoi oblasti) [Biological properties of soil for their ecological and economic assessment (using the example of Serpukhov and Podolsk districts of the Moscow region)] [Dissertation] Moscow; 2013. (In Russ.).Гавриленко Е.Г. Биологические свой­ства почвы для их эколого-­экономической оценки (на примере Серпуховского и Подольского районов Московской области): дис. … канд. биол. наук. М., 2013.Prévost M. Predicting Soil Properties from Organic Matter Content following Mechanical Site Preparation of Forest Soils. Soil Science Society of America Journal. 2004;68(3):943—949. doi: 10.2136/sssaj2004.9430Breiman L. Random Forests. Machine Learning. 2001;45:5—32. doi: 10.1023/A:1010933404324Gorelick 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;202:18—27. doi: 10.1016/j.rse.2017.06.031Beven KJ, Kirkby MJ. A physically based, variable contributing area model of basin hydrology. Hydrological Sciences Bulletin. 1979;24(1):43—69. doi: 10.1080/02626667909491834Florinsky IV. An illustrated introduction to geomorphometry. Electronic scientific Edition Almanac Space and Time. 2016;11(1):18. (In Russ.).Флоринский И.В. Иллюстрированное введение в геоморфометрию // Электронное научное издание Альманах Пространство и Время. 2016. Т. 11. № 1. С. 18.Meddens AJH, Hicke JA, Vierling LA, Hudak AT. Evaluating methods to detect bark beetle-­caused tree mortality using single-date and multi-date Landsat imagery. Remote Sensing of Environment. 2013;132:49—58. doi: 10.1016/j.rse.2013.01.002Tucker CJ. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment. 1979;8(2):127—150. doi: 10.1016/0034-4257 (79) 90013-0Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing. 2006;27(14):3025—3033. doi: 10.1080/01431160600589179Zha Y, Gao J, Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing. 2003;24(3):583—594. doi: 10.1080/01431160304987