Картографирование запасов органического углерода в почвах различного землепользования Южного Подмосковья на основе архивных данных и машинного обучения

Полный текст

Введение

Почвенный органический углерод (ПОУ) или углерод органических соединений — одна из главных переменных, влияющих на климат (essential climate variable, ECV) ^[1]. Его запасы обычно оцениваются для почвенных слоев: 0–100 см, 0–30 см и 0–10 см. Глобальные запасы ПОУ в почвах наземных экосистем составляют 1462…1548 Гт в первом метре и 684…724 Гт в верхнем 30 см слое [1]. Однако глобальные оценки пространственного распределения запасов ПОУ обладают недостаточной точностью из-за ограниченного количества данных на региональном уровне и высокой пространственной изменчивостью переменной [2].

Гумусово-­аккумулятивный горизонт почвы обладает способностью сохранять и накапливать ПОУ, выполняя важную климаторегулирующую функцию [3]. Традиционно данные запасов ПОУ являются результатом почвенной съемки с отбором образцов [4] и их последующей обработки в лабораторных условиях. Однако часто детальные данные таких почвенных съемок на региональном уровне отсутствуют или ограничены [5]. При этом получение детальной информации о пространственном распределении запасов ПОУ необходимо для выявления их динамики во времени (мониторинг) [6]; моделирования и оценки потенциальной эмиссии парникового газа СО₂ в атмосферу на региональном уровне [7]; принятия решений по ландшафтному планированию. Для достижения этих целей активно применяются методы цифрового почвенного картографирования (ЦПК) [8, 9].

За последние двадцать лет ЦПК очень активно применяется для изучения пространственного распределения параметров физико-­химических свой­ств почв [10]. При картографировании содержания и запасов ПОУ на разных масштабных уровнях применяются различные методы ЦПК — геостатистические (методы интерполяции), негеостатистические (линейные и нелинейные модели регрессии с набором предикторов (объясняющих переменных) [11]) и комбинированные [12], набирающие большую популярность в связи с их потенциально большей точностью предсказания [13, 14]. Предикторами в негеостатистических и комбинированных подходах являются пространственные данные, количественно или качественно описывающие традиционные факторы почвообразования по В.В. Докучаеву [15]. В ЦПК выбор таких предикторов был в 2003 г. формализован принципом SCOPRAN: soil (S), climate (C), organisms (O), parent material (P), relief (R), age (A), and space (N) [8]. Частота использования различных предикторов определяется возможностью получить эти пространственные данные в цифровом виде на всю территорию картографирования (рельеф и его производные) [16—18], типы землепользования (land-use) и данные земной поверхности (land cover) [19, 20], метеорологические параметры, геологические и почвенные карты [9, 13, 21]). В особенности методы ЦПК актуальны для урбанизированных территорий, где высока пространственная изменчивость ПОУ на локальных участках вследствие хозяйственной деятельности [20].

Пример ЦПК на глобальном уровне — SoilGrids [22]. Для территории России (национальный уровень) построена карта запасов ПОУ (0–5 см, 5–15 см и глубже до 200 см) на основании негеостатистического подхода: в этом подходе применялось ансамблевое машинное обучение с набором предикторов и ограниченным набором почвенных профилей (n = 863) [23]. На региональном уровне — для территории Московской области (включая Москву) — на основе генерализованной модели линейной регрессии с учетом предикторов, отражающих степень урбанизации, посчитаны средние запасы ПОУ в почвах для верхнего слоя (3,1 ± 1,6 кг/м²) и общие запасы для этого слоя (142 ± 74 Тг) [20]. Применение комбинированных методов ЦПК (Random Forest + Ordinary Kriging of residuals) с использованием спектральной отражательной способности данных Sentinel‑2 в качестве предикторов показало наилучшее качество предсказания (наименьшее среднеквадратическое отклонение (СКО)) для содержания ПОУ на локальном участке в Ленинградской области [24]. Точность предсказания для разных масштабных уровней в основном относится к рангу незначительно удовлетворительной (36…41 % варьирования) [25] и обусловлена грамотно спланированным дизайном отбора в соответствии с выбранным методом картографирования [26, 27], качеством и оптимальностью выбранных предикторов, размером и качеством выборки для обучения, а также выбранным размером ячейки [17, 28].

Применение методов ЦПК особенно актуально в России ввиду большой территори,  и неравномерности распределения и ограниченности доступных данных [2,  23]. Особенно это актуально для сельскохозяйственных областей и агрохозяйств [29], поскольку внедрение ресурсосберегающих технологий в практику земледелия является одним из подходов к сохранению плодородия почв, что требует детальных пространственных оценок запасов ПОУ на основе ограниченного набора данных опробования [16].

Цель исследования — оценка в 10‑сантиметровом слое почв различного землепользования на территории двух административных районов МО (в границах 2007 г.) запасов ПОУ, выявление определяющих их пространственную изменчивость факторов, а также сравнение полученных данных с имеющимися данными других регионов. Задачи: 1) подготовка пространственных данных (предикторов) в виде многоканального растра; 2) создание статистической модели для ПОУ; 3) картографирование и выявление значимых факторов, определяющих пространственное распределение запасов ПОУ.

Материалы и методы исследования

Территория исследования включает: 1) территорию бывшего Серпуховского района Московской области вместе с городскими округами (ГО) Пущино, Протвино и Серпуховом — 1101 км² (с 2023 г. — эта территория принадлежит  ГО); 2) территорию бывшего Подольского района, в т.ч. Подольск ГО и Климовск ГО — 1096 км² (с 2012 г. 757 км² этой территории входят в состав Троицкого административного округа г. Москвы (территории поселений Роговского, Клёновского, Вороновского, Михайлово-­Ярцевского, Краснопахорского, Щаповского и Троицка), остальные 339 км² составляют (с 2015 г.) территорию Подольска ГО). Обе территории расположены в зоне умеренного-­континентального климата (Dfb — Cold, no dry season, warm summer по классификации Кёппена [30]). Среднегодовая температура воздуха по данным метеостанции Серпухов с 1990 по 2023 г. — 19,2 °C в июле и –6,8 °C в январе. Рельеф расчлененный, абсолютные высоты составляют от 125 до 250 м н. у.м, доминирующие почвы — дерново-­подзолистые и серые на покровных суглинках [31]. Значительная часть территории антропогенно-­преобразованная — сельскохозяйственные поля, залежи, урбанизованные территории занимают 14, 31, и 2,5 % соответственно.

Архивные данные почвенной съемки. Образцы почвы отобраны осенью 2007 г. в соответствии с методикой ^[2] в рамках диссертационной работы [32]. На топографической карте территории изучаемых районов предварительно выделяли условные квадраты, сторона которых составляла 2 и 5 км для Серпуховского и Подольского районов соответственно. На местности в каждом намеченном квадрате выбирали ровную площадку (10 × 10 м), из пяти точек которой отбирали образцы почвы (метод «конверта») из верхнего органоминерального 10‑сантиметрового слоя, готовили смешанный образец. В естественных экосистемах растительную подстилку в анализ не включали. При отборе образцов фиксировали тип землепользования (экосистему): лес, залежь (2–10 лет), пашня, земли поселений (урбанизированные территории); доминирующую растительность; географические координаты. Всего было отобрано 282 образца, из них 237 — в Серпуховском и 45 — в Подольском районах. До начала анализа смешанные образцы почвы просеивали через сито с диаметром ячеек 2 мм. В почвенных образцах были определены различные показатели, в т. ч. и содержание органического углерода С_орг методом бихроматного окисления, что послужило основой для расчета его запасов. Данные объемного веса для расчетов запасов ПОУ были получены на основании модели (R² = 0,78), которая основана на связи содержания С_орг и плотности почвы [33]. Детали методики отбора и подготовки почвенных образцов в [32].

Данные дистанционного зондирования (ДДЗ) и предикторы. Всего мы использовали 21 предиктор, напрямую или косвенно описывающий факторы почвообразования на основе принципа SCOPRAN [8] (табл. 1). Морфометрические показатели рассчитаны на основе цифровой модели рельефа SRTM с разрешением 30 м. Данные спектральной отражательной способности,%, а также производные результаты спектральной трансформации получены с использованием медианного композита данных Landsat‑5 TM за летний период 2007 г. Карта типов землепользования получена на основе классификации с обучением (smileRandomForest) [34], общая точность на основании матрицы соответствия — 97 %. Данные типов почв и гранулометрического состава получены с использованием цифровой почвенной карты Московской области [30]: векторные данные были растеризованы и приведены к разрешению данных Landsat‑5 и SRTM — 30 м. Обработка пространственных данных выполнена с использованием платформы облачных вычислений Google Earth Engine [35].

Таблица 1
Список использованных предикторов для предсказания запасов ПОУ в слое почв 0—10 см

SCOPRAN	Предиктор (код)	Источник	Ссылка
R	Высота (elev)	ЦМР SRTM 30m
R	Уклон (slope)	—
R	Экспозиция (aspect)	—
R, N	Топографический индекс влажности (twi)	—	[36]
R	Направление стока (flowdir)	—	[37]
R	Аккумуляция стока (flowacc)	—	[37]
P, A, N	B1_BLUE (b1)	Landsat‑5 TM (медиана)
P, A, N	B2_GREEN (b2)	—
P, A, N	B3_RED (b3)	—
P, A, N	B4_NIR1 (b4)	—
P, A, N	B5_NIR2 (b5)	—
P, A, N	B7_SWIR (b7)	—
P, A, N	B3/B2 (b2b3_ratio)	—	[38]
P, A, N	B5/B4 (b5b4_ratio)	—	[38]
O	NDVI (ndvi)	—	[39]
O	SAVI (savi)	—
C	MNDWI (mndwi)	—	[40]
P, N	NDBI (ndbi)	—	[41]
O, A, S	Карта типов землепользования (landcover)	—
S	Тип почв (soils)	Почвенная карта МО	[31]
P, S	Гранулометрический состав (gms)	Почвенная карта МО	[31]

Примечание. R — рельеф; N — пространство; А — возраст; Р — материнская порода; О — организмы; С — климат; S — почва.
Источник: составитель Ю.А. Дворников.

Table 1
List of covariates used to predict SOC in the 0—10 cm of soils

SCOPRAN	Predictor (code)	Source	Link
R	elevation (elev)	DEM SRTM 30m
R	slope (slope)	—
R	aspect (aspect)	—
R, N	Topographic Wetness Index (twi)	—	[38]
R	flow direction (flowdir)	—	[39]
R	flow accumulation (flowacc)	—	[39]
P, A, N	B1_BLUE (b1)	Landsat‑5 TM (median)
P, A, N	B2_GREEN (b2)	—
P, A, N	B3_RED (b3)	—
P, A, N	B4_NIR1 (b4)	—
P, A, N	B5_NIR2 (b5)	—
P, A, N	B7_SWIR (b7)	—
P, A, N	B3/B2 (b2b3_ratio)	—	[40]
P, A, N	B5/B4 (b5b4_ratio)	—	[40]
O	NDVI (ndvi)	—	[41]
O	SAVI (savi)	—
C	MNDWI (mndwi)	—	[42]
P, N	NDBI (ndbi)	—	[43]
O, A, S	land use map (landcover)	—
S	soil type (soils)	Soil map of the Moscow region	[32]
P, S	grain-size composition (gms)	Soil map of the Moscow region	[32]

Note. R — relief; N — space; A — age; P — parent material; O — organisms; C — climate; S — soil.
Source: compiled by Yu.A. Dvornikov.

Моделирование. Для точек отбора образцов с рассчитанными запасами ПОУ (зависимая переменная, кг/м²) были получены значения предикторов в соответствующих пикселах растровой модели (21 независимая переменная). Моделирование проводилось с использованием модели gradient boosting machines (GBM) пакета caret в среде RStudio ^[3]. Для оценки неопределенности применялась 10‑размерная перекрестная проверка (кросс-­валидация) с пятью повторами. Изменяемыми параметрами настройки приняты: 1) количество деревьев решений; 2) скорость обучения (learning rate / shrinkage); 3) количество листовых узлов (нодов) в одном дереве решений (interaction depth); 4) минимальное количество наблюдений в одном листовом узле. По результатам тестирования наилучшими значениями параметров настройки выявлены: 2000, 0.001, 5, 10 соответственно. Выбор оптимальных параметров основывался на метриках качества построенных моделей: коэффициент детерминации, СКО и средняя ошибка при кросс-­валидации соответственно (R²cv, RMSEcv, MAEcv). RMSEcv являлась метрикой оценки неопределенности при предсказании ПОУ для территорий двух территориальных единиц. Расчет запасов для каждой территориальной единицы (района) производился суммированием предсказанных запасов ПОУ, кг/м², помноженных на разрешение растровой модели (900 м²).

Результаты исследования и обсуждение

Запасы ПОУ для изученной территории варьировали в широких пределах от 0,54 до 7,1 кг/м² (рис. 1). Наибольшие запасы ПОУ отмечены для лесных и городских экосистем (в среднем 2,79 и 2,68 кг/м²), наименьшие — залежных и пахотных (2,01 и 1,71 кг/м²), что, в целом, согласуется с данными, полученными ранее [20] для этой территории, но с более низким пространственным разрешением.

Рис. 1. Распределение запасов ПОУ разных типов землепользования по архивным данным почвенной съемки: УТ — урбанизированные территории
Источник: выполнил Ю.А. Дворников.

Fig. 1. Distribution of topsoil SOC stocks of different land use types according to legacy soil survey data: UT — urbanized territories
Source: compiled by Yu.A. Dvornikov.

Созданная предиктивная модель GBM с оптимальными параметрами настройки умеренно предсказывала запасы ПОУ в почве (56 % дисперсии). RMSE_cv модели была оценена в 0,67 кг/м². В целом модель показала, что все предикторы вносят определенный вклад в объяснение пространственной изменчивости ПОУ. Основные предикторы, которые оказывали наибольшее влияние на зависимую переменную: значение спектральной яркости в ближнем инфракрасном диапазоне (b5 — 18,2 %); ndvi (14,1 %); значение спектральной яркости в зеленом диапазоне (6,8 %); экспозиция склона (6,4 %); тип землепользования (6,2 %). Вклад остальных параметров был менее значительный (< 6 %) (рис. 2, а).

Рис. 2. Относительный вклад предикторов, %, в объяснение дисперсии ПОУ в верхнем 10-сантметровом слое (а) и сопоставление измеренных и предсказанных величин запасов (0—10 см) ПОУ в двух районах Московской области (б). Условное обозначение: УТ — урбанизированные территории
Источник: выполнил Ю.А. Дворников.

Fig. 2. Relative importance of predictors, %, explaining the variability of SOC in the upper 10cm layer (a), and comparison of measured and predicted SOC stocks values (0—10 cm) in two districts of the Moscow region (b). UT — urbanized territories
Source: compiled by Yu.A. Dvornikov.

Установлено нелинейное влияние спектральной отражающей способности (СОС) в ближнем инфракрасном канале (b5, СОС в диапазоне от 1,55 до 1,75 мкм) на запасы ПОУ. Практически не наблюдалось влияние СОС при ее значениях менее 14 % (в основном, древесная растительность) (максимальные предсказанные значения — более 2,6 кг/м²) и выше 30 % (в основном пашни) (минимальные предсказанные значения — менее 2,3 кг/м²). Стабильное уменьшение запасов ПОУ с 2,7 до 2,3 кг/м² наблюдалось в диапазоне значений СОС от 14 до 20 % (обратная связь) — эти значения соответствуют, главным образом, урбанизированным территориям и части земель, относящихся к залежам. Эта зависимость показала, что увеличение доли растительного покрова (в пикселе) в пределах урбанизированных территорий и залежей положительно влияет на запасы ПОУ (озелененные территории в населенных пунктах закономерно отличаются по запасам от территорий, относящихся к ранним залежам). Прямая зависимость увеличения ПОУ выявлена для ndvi, но только на участке, большем 0,81 (здоровая растительность с высоким проективным покрытием): при увеличении ndvi с 0,81 до 1 наблюдалось осредненное увеличение запасов ПОУ в пределах от 2,4 до 2,9 кг/м². Сам параметр «тип землепользования» показал четкие средние различия между четырьмя классами по запасам, однако эти средние различия не оказались столь значимыми, нежели кумулятивный эффект множества параметров рельефа и спектральных свой­ств. Очевидно, что этот параметр требует дополнительного разбиения на более дробные категории (тип древостоя, посевные культуры для пашен, время начала трансформации пашен в залежи и т. д.). Можно констатировать, что b5 и ndvi позволяют уточнить запасы ПОУ в пределах различных типов землепользования: b5 — внутри урбанизированных территорий и залежей; ndvi — в пределах лесных экосистем, как было четко показано по данным созданной модели GBM. Пространственные различия в ПОУ в пределах пахотных экосистем использованные в работе предикторы практически не объясняют и, тем самым, вносят менее очевидный вклад в минимизацию ошибки предсказания.

Зависимость измеренных и смоделированных значений приведена на рис. 2, б. Основной недостаток полученной модели — недооценка значений с большими запасами ПОУ (> 3,5 кг/м²) из-за маленькой выборки для этих значений и переоценка низких значений (< 2 кг/м²). По данным модели, общие запасы ПОУ в верхнем 10‑сантиметровом слое почв Подольского района составили 2,65 ± 0,72 Тг, Серпуховского района — 2,77 ± 0,73 Тг. Карты запасов ПОУ приведены на рис. 3.

Среди четырех основных типов землепользования наибольшие суммарные запасы определены в лесных экосистемах из-за большей площади распространения (~50 % территории) и наибольших предсказанных запасов ПОУ (табл. 2) — 3,16 ± 0,76 Тг. Суммарные запасы ПОУ для залежей и пашен составили 1,46 ± 0,45 и 0,65 ± 0,2 Тг соответственно. Суммарные запасы ПОУ для урбанизированных территорий были наименьшими (0,15 ± 0,04 Тг) вследствие их небольшой площади (2,5 % от общей площади). Суммарные запасы ПОУ в верхнем 10‑сантиметровом слое почв отдельно для Подольского и Серпуховского районов для четырех основных типов землепользования приведены в табл. 2.

Рис. 3. Пространственное распределение запасов ПОУ в почвах (0—10 см) Подольского и Серпуховского районов Московская обл. (предсказанные значения по состоянию на 2007 г.)
Источник: выполнил Ю.А. Дворников.

Fig. 3. Spatial distribution of SOC stocks in the topsoil (0—10 cm) for Podolskiy and Serpukhovskiy districts of Moscow region (predicted values as of 2007)
Source: compiled by Yu.A. Dvornikov.

Таблица 2
Суммарные запасы ПОУ в верхнем 10‑сантиметровом слое почв Подольского и Серпуховского административных районов (по сост. на 2007 г.) для четырех основных типов землепользования

Район	Тип землепользования	Предсказанные запасы ПОУ, Тг	Пределы неопределенности, Тг
			Нижний	Верхний
Подольский	Лесные экосистемы	1,48	1,11	1,84
	Залежные земли	0,62	0,43	0,81
	Урбанизированные территории	0,09	0,07	0,12
	С/Х угодья	0,46	0,32	0,6
Серпуховский	Лесные экосистемы	1,68	1,29	2,07
	Залежные земли	0,84	0,58	1,1
	Урбанизированные территории	0,05	0,04	0,07
	С/Х угодья	0,2	0,13	0,26

Источник: составитель Ю.А. Дворников.

Table 2
Total SOC stocks in the upper 10 cm soil layer of Podolskiy and Serpukhovskiy administrative districts (as of 2007) for four main land use types

District	Land use	Predicted SOC stocks, Tg	Limit of uncertainty, Tg
			Lower	Upper
Podolskiy	Forest ecosystems	1.48	1.11	1.84
	Fallow lands	0.62	0.43	0.81
	Urbanized territories	0.09	0.07	0.12
	Croplands	0.46	0.32	0.6
Serpukhovskiy	Forest ecosystems	1.68	1.29	2.07
	Fallow lands	0.84	0.58	1.1
	Urbanized territories	0.05	0.04	0.07
	Croplands	0.2	0.13	0.26

Source: compiled by Yu.A. Dvornikov.

Заключение

Получены результаты статистических исследований взаимосвязей запасов ПОУ с морфометрическими и спектральными параметрами. Применение нелинейной предиктивной модели GBM позволило проанализировать взаимосвязи между 21 предиктором и получить результат, объясняющий 56 % дисперсии запасов углерода при RMSE_cv 0,67 кг/м². Модель хорошо сработала для диапазона средних измеренных значений 1,5…3 кг/м², но недооценивала высокие (> 3 кг/м²) значения запасов ПОУ в почве и переоценивала более низкие значения — < 1,5 кг/м². Применение полученной модели позволило рассчитать общие запасы для территорий двух районов Московской области и построить карты их распределения. По данным модели, общие запасы ПОУ в верхнем 10‑сантиметровом слое почв Подольского района составили 2,65 ± 0,72 Тг, для Серпуховского района — 2,77 ± 0,73 Тг. Среди четырех основных типов землепользования наибольшие суммарные запасы определены в лесных экосистемах из-за большей площади распространения (~50 % территории) и наибольших предсказанных запасов ПОУ — 3,16 ± 0,76 Тг. Суммарные запасы для залежей, урбанизированных территорий и пашен составляли 1,46 ± 0,45, 0,15 ± 0,04 и 0,65 ± 0,2 Тг соответственно.

 

 

^{1 World Meteorological Organization. Soil Carbon: essential climate variable (ECV), factsheet. Режим доступа: https://gcos.wmo.int/en/essential-­climate-variables/soil-carbon/ Дата обращения: 26.03.2024.}

^{2 Почвенная съемка / под ред. И.В. Тюрина и др. М.: Российская Академия Наук, 1959. 346 с.}

^{3 R Core Team. R: A language and environment for statistical computing. Vienna, Austria. Режим доступа: https://intro2r.com/citing-r.html Дата обращения: 26.03.2024.}

Об авторах

Юрий Александрович Дворников

Российский университет дружбы народов; Институт физико-химических и биологических проблем почвоведения РАН

Автор, ответственный за переписку.
Email: ydvornikow@gmail.com
ORCID iD: 0000-0003-3491-4487
SPIN-код: 8020-3292

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

Российская Федерация, 117198, г. Москва, ул. Миклухо-Маклая, д. 8, к. 2; Российская Федерация, 142290, Московская область, г. Пущино, ул. Институтская, д. 2, стр. 2

Лукьян Андреевич Мирный

Институт физико-химических и биологических проблем почвоведения РАН

Email: mirluk@yandex.ru
инженер, лаборатория карбомониторинга наземных экосистем Российская Федерация, 142290, Московская область, г. Пущино, ул. Институтская, д. 2, стр. 2

Екатерина Сергеевна Муквич

Институт физико-химических и биологических проблем почвоведения РАН

Email: katerinamykvitc@mail.ru
ORCID iD: 0009-0004-5378-8775
SPIN-код: 2640-0913

аспирант, младший научный сотрудник, лаборатория карбомониторинга наземных экосистем

Российская Федерация, 142290, Московская область, г. Пущино, ул. Институтская, д. 2, стр. 2

Кристина Викторовна Иващенко

Институт физико-химических и биологических проблем почвоведения РАН

Email: ivashchenko.kv@gmail.com
ORCID iD: 0000-0001-8397-158X
SPIN-код: 1388-1561

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

Российская Федерация, 142290, Московская область, г. Пущино, ул. Институтская, д. 2, стр. 2

Список литературы

Дополнительные файлы