Разработка пространственной почвенной базы данных c переменными окружающей среды: Опыт Республики Башкортостан

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Цель работы – создать и гармонизировать пространственную почвенную базу данных с переменными окружающей среды (ковариаты) для Республики Башкортостан (Россия). Источником для базы данных являлись результаты полевых обследований, отчеты, опубликованные научные работы и существующие базы данных. Наибольшая выборка почвенных параметров включала pH KCl, содержание Cогр и питательных элементов, мощность гумусово-аккумулятивного горизонта. Среди них наиболее обширными оказались данные по содержанию pH KCl и Cогр, включающие 32 144 и 29 491 измерение соответственно. Для республики были отобраны и гармонизированы 82 пространственные переменные, отражающие основные факторы почвообразования. База данных полностью готова для проведения “data-driven” исследований, включая обработку и моделирование с использованием методов искусственного интеллекта. Среди главных ограничений – недостаточное количество данных в горных ландшафтах, что подчеркивает необходимость дальнейшего сбора почвенной информации в этих регионах. Представленные результаты могут стать отправной точкой для создания региональных почвенных баз данных и сбора пространственной информации об окружающей среде.

Об авторах

А. Р. Сулейманов

Уфимский государственный нефтяной технический университет; Уфимский институт биологии Уфимского федерального исследовательского центра РАН; Уфимский университет науки и технологии

Автор, ответственный за переписку.
Email: filpip@yandex.ru
ул. Космонавтов, 1, Уфа, 450064 Россия; пр. Октября, 69, Уфа, 450054 Россия; ул. Заки Валиди, 32, Уфа, 450076 Россия

Список литературы

  1. Голозубов О.М., Чернова О.В. Динамическое формирование и обновление карты запасов органического углерода на территории России как задача интеллектуального анализа Больших данных // Интеллектуальные системы. Теория и приложения. 2022. Т. 26. № 1. С. 153–159.
  2. Гопп Н.В., Мешалкина Ю.Л., Нарыкова А.Н., Плотникова А.С., Чернова О.В. Картографирование содержания и запасов органического углерода почв на региональном и локальном уровнях: анализ современных методических подходов // Вопросы лесной науки. 2023. Т. 6. № 1. С. 120. https://doi.org/10.31509/2658-607x-202361-120
  3. Коноплина Л.Ю., Мешалкина Ю.Л., Самсонова В.П., Голозубов О.М. Картографирование содержания гумуса в пахотных почвах Брянской области методами машинного обучения по данным Агрохимслужбы // Вестник Моск. ун-та. Сер. 17, почвоведение. 2024. Т. 79. № 4. C. 130–140.
  4. Национальный атлас почв Российской Федерации. М.: Астрель. 2011. 632 C.
  5. Почвенная карта РСФСР. Под ред. В.М. Фридланда, Масштаб 1 : 2 500 000. М.: ГУГУК, 1988
  6. Савин И.Ю., Жоголев А.В, Прудникова Е.Ю. Современные тренды и проблемы почвенной картографии // Почвоведение. 2019. № 5. С. 517–528.
  7. 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.
  8. Чернова О.В., Голозубов О.М., Алябина И.О., Щепащенко Д.Г. Комплексный подход к картографической оценке запасов органического углерода в почвах России // Почвоведение. 2021. № 3. C. 273–286.
  9. Шоба С.А., Алябина И.О., Голозубов О.М., Чекмарёв П.А., Лукин С.В., Чернова О.В., Колесникова В.М. Опыт создания информационной системы в целях рационального использования почвенных ресурсов // Вестник Моск. ун-та. Сер. 17, почвоведение. 2023. № 4. С. 1–28. https://doi.org/10.55959/MSU0137-0944-17-2023-78-4-14-28
  10. 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
  11. Batjes N.H., Calisto L., de Sousa L.M. Providing quality-assessed and standardised soil data to support global mapping and modelling (WoSIS snapshot 2023) // Earth System Science Data. 2024. V. 16. P. 4735–4765. https://doi.org/10.5194/essd-16-4735-2024
  12. Bishop T.F.A., McBratney A.B., Laslett G.M. Modelling soil attribute depth functions with equal-area quadratic smoothing splines // Geoderma. 1999. V. 91. P. 27–45. https://doi.org/10.1016/S0016-7061(99)00003-8
  13. Bontemps S., Radoux J., Defourny P., Eric V., Lamarche C., Frédéric A., Mayaux P. et al. Consistent global land cover maps for climate modelling communities: current achievements of the esa’ land cover cci. consistent global land cover maps for climate modelling communities // Proceedings of the ESA Living Planet Symposium, Edinburgh, Scotland. 2013. P. 9–13.
  14. Chen S., Arrouays D., Leatitia Mulder V., Poggio L., Minasny B., Roudier P., Libohova Z. et al. 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
  15. Chen S., Chen Z., Zhang X., Luo Z., Schillaci C., Arrouays D., Richer-de-Forges A., Shi Z. European topsoil bulk density and organic carbon stock database (0–20 cm) using machine-learning-based pedotransfer functions // Earth System Sci. Data. 2024. V. 16. P. 2367–2383. https://doi.org/10.5194/essd-16-2367-2024
  16. Chinilin A., Savin I.Yu. Combining machine learning and environmental covariates for mapping of organic carbon in soils of Russia // Egypt. J. Remote Sensing Space Sci. 2023. V. 26. P. 666–675. https://doi.org/10.1016/j.ejrs.2023.07.007
  17. Dinerstein E., Olson D., Joshi A., Vynne C., Burgess N.D., Wikramanayake E., Hahn N., et al. An Ecoregion-Based Approach to Protecting Half the Terrestrial Realm // BioScience. 2017. V. 67. P. 534–545. https://doi.org/10.1093/biosci/bix014
  18. Fan Y., Li H., Miguez-Macho G. Global Patterns of Groundwater Table Depth // Science. 2013. V. 339. P. 940–943. https://doi.org/10.1126/science.1229881
  19. Fick S.E., Hijmans R.J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas // Int. J. Climatol. 2017. V. 37. P. 4302–4315. https://doi.org/10.1002/joc.5086
  20. Gomes L.C., Faria R.M., de Souza E., Veloso G.V., Schaefer C.E.G.R., Filho E.I.F. Modelling and mapping soil organic carbon stocks in Brazil // Geoderma. 2019. V. 340. P. 337–350. https://doi.org/10.1016/j.geoderma.2019.01.007
  21. Guyon I., Weston J., Barnhill S., Vapnik V. Gene selection for cancer classification using support vector machines // Machine Learning. 2002. V. 46. P. 389–422. https://doi.org/10.1023/A:1012487302797
  22. Han S.Y., Filippi P., Singh K., Whelan B., Bishop T. Assessment of global, national, and regional-level digital soil mapping products at different spatial supports // Eur. J. Soil Sci. 2022. V. 73. P. e13300. https://doi.org/10.1111/ejss.13300
  23. Hansen M.C., Potapov P.V., Moore R., Hancher M., Turubanova S.A., Tyukavina A., Thau D. et al. High-Resolution global maps of 21st-century forest cover change // Science. 2013. V. 342(6160). P. 850–853. https://doi.org/10.1126/science.1244693
  24. Hartmann J., Moosdorf N. The new global lithological map database GLiM: A representation of rock properties at the Earth surface // Geochemistry, Geophysics, Geosystems. 2012. V. 13. P. 2012GC004370. https://doi.org/10.1029/2012GC004370
  25. Helfenstein A., Mulder V.L., Hack-ten Broeke, M.J.D., van Doorn M., Teuling K., Walvoort D.J.J., Heuvelink G.B.M. BIS-4D: mapping soil properties and their uncertainties at 25 m resolution in the Netherlands // Earth System Science Data. 2024. V. 16. P. 2941–2970. https://doi.org/10.5194/essd-16-2941-2024
  26. Hengl T., Jesus J.M. de, Heuvelink G.B.M., Gonzalez M.R., Kilibarda M., Blagotić A., Shangguan W. et al. SoilGrids250m: Global gridded soil information based on machine learning // PLOS ONE. 2017. V. 12. P. e0169748. https://doi.org/10.1371/journal.pone.0169748
  27. Hijmans R. Terra: Spatial Data Analysis. R package version 1.8-45. 2025. https://github.com/rspatial/terra
  28. Karger D.N., Conrad O., Böhner J., Kawohl T., Kreft H., Soria-Auza R.W., Zimmermann N.E., Linder H.P., Kessler M. Climatologies at high resolution for the earth’s land surface areas // Scientific Data. 2017. V. 4. P. 170122. https://doi.org/10.1038/sdata.2017.122
  29. Krasilnikov P. Soil priorities in Russia // Geoderma Regional. 2022. V. 29. P. e00538. https://doi.org/10.1016/j.geodrs.2022.e00538
  30. Lamichhane S., Kumar L., Wilson B. Digital soil mapping algorithms and covariates for soil organic carbon mapping and their implications: A review // Geoderma. 2019. V. 352. P. 395–413. https://doi.org/10.1016/j.geoderma.2019.05.031
  31. Liu F., Wu H., Zhao Y., Li D., Yang J.-L., Song X., Shi Z., Zhu A.-X., Zhang G.-L. Mapping high resolution National Soil Information Grids of China // Sci. Bull. 2022. V. 67. P. 328–340. https://doi.org/10.1016/j.scib.2021.10.013
  32. Ma Y., Minasny B., McBratney A., Poggio L., Fajardo M. Predicting soil properties in 3D: Should depth be a covariate? // Geoderma. 2021. V. 383. P. 114794. https://doi.org/10.1016/j.geoderma.2020.114794
  33. McBratney A.B., Mendonça Santos M.L., Minasny B. On digital soil mapping // Geoderma. 2003. V. 117. P. 3–52. https://doi.org/10.1016/S0016-7061(03)00223-4
  34. Michéli E., Csorba Á., Láng V., Szegi T., Székács A., Várszegi G., Fuchs M., Pásztor L., Dobos E. Soil priorities for Hungary // Geoderma Regional. 2022. V. 29. P. e00521. https://doi.org/10.1016/j.geodrs.2022.e00521
  35. Mulder V.L., Lacoste M., Richer-de-Forges A.C., Arrouays D. GlobalSoilMap France: High-resolution spatial modelling the soils of France up to two meter depth // Sci. Total Environ. 2016. V. 573. P. 1352–1369. https://doi.org/10.1016/j.scitotenv.2016.07.066
  36. Orgiazzi A., Ballabio C., Panagos P., Jones A., Fernández-Ugalde O. LUCAS Soil, the largest expandable soil dataset for Europe: a review // Eur. J. Soil Sci. 2018. V. 69. P. 140–153. https://doi.org/10.1111/ejss.12499
  37. Pekel J.-F., Cottam A., Gorelick N., Belward A.S. High-resolution mapping of global surface water and its long-term changes // Nature. 2016. V. 540(7633). P. 418–422. https://doi.org/10.1038/nature20584
  38. Pelletier J.D., Broxton P.D., Hazenberg P., Zeng X., Troch P.A., Niu G., Williams Z.C., Brunke M.A., Gochis D. Global 1-km Gridded Thickness of Soil, Regolith, and Sedimentary Deposit Layers // ORNL DAAC. 2016. https://doi.org/10.3334/ORNLDAAC/1304
  39. Pfeiffer M., Padarian J., Osorio R., Bustamante N., Olmedo G.F., Zagal E., et al. CHLSOC: the Chilean Soil Organic Carbon database, a multi-institutional collaborative effort // Earth System Sci. Data. 2020. V. 12. P. 457–468. https://doi.org/10.5194/essd-12-457-2020
  40. 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. P. 217–240. https://doi.org/10.5194/soil-7-217-2021
  41. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2021. https://www.R-project.org/
  42. Rasmussen C., Asefaw-Berhe A., Turco R. Soil science research priorities in the United States // Geoderma Regional. 2022. V. 29. P. e00526. https://doi.org/10.1016/j.geodrs.2022.e00526
  43. Robinson N., Regetz J., Guralnick R.P. EarthEnv-DEM90: A nearly-global, void-free, multi-scale smoothed, 90m digital elevation model from fused ASTER and SRTM data // ISPRS J. Photogramm. Remote Sensing. 2014. V. 87. EarthEnv-DEM90. P. 57–67. https://doi.org/10.1016/j.isprsjprs.2013.11.002
  44. Savtchenko A., Ouzounov D., Ahmad S., Acker J., Leptoukh G., Koziana J., Nickless D. Terra and Aqua MODIS products available from NASA GES DAAC: Trace Constituents in the Troposphere and Lower Stratosphere // Adv. Space Res. 2004. V. 34. P. 710–714. https://doi.org/10.1016/j.asr.2004.03.012
  45. Sayre R., Dangermond J., Frye C., Vaughan R., Aniello P., Breyer S., Cribbs D. et al. A New Map of Global Ecological Land Units – An Ecophysiographic Stratification Approach. 2014. https://doi.org/10.13140/2.1.2167.8887
  46. Shi G., Sun W., Shangguan W., Wei Z., Yuan H., Li L., Sun X., Zhang Y., Liang H., Li D., Huang F., Li Q., Dai Y. A China dataset of soil properties for land surface modelling (version 2, CSDLv2) // Earth System Sci. Data. 2025. V. 17. P. 517–543. https://doi.org/10.5194/essd-17-517-2025
  47. Strobl C., Boulesteix A.-L., Zeileis A., Hothorn T. Bias in random forest variable importance measures: Illustrations, sources and a solution // BMC Bioinformatics. 2007. V. 8. P. 25. https://doi.org/10.1186/1471-2105-8-25
  48. 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.
  49. Suleymanov A., Arrouays D., Savin I. Digital soil mapping in the Russian Federation: A review // Geoderma Regional. 2024. V. 36. P. e00763. https://doi.org/10.1016/j.geodrs.2024.e00763
  50. Suleymanov A., Richer-de-Forges A.C., Saby N.P.A., Arrouays D., Martin M.P., Bispo A. National-scale digital soil mapping performances are related to covariates and sampling density: Lessons from France // Geoderma Regional. 2024. V. 37. P. e00801. https://doi.org/10.1016/j.geodrs.2024.e00801
  51. Szatmári G., Laborczi A., Mészáros J., Takács K., Benő A., Koós S., Bakacsi Z., Pásztor L. Gridded, temporally referenced spatial information on soil organic carbon for Hungary // Scientific Data. 2024. V. 11. P. 1312. https://doi.org/10.1038/s41597-024-04158-3
  52. Terribile F., Basile A., Bonifacio E., Corti G., Ferraro G., Mileti F.A., Munafò M. The sustainable use of soils: A journey from wicked problems to wicked solutions for soil policy // Soil Security. 2024. V. 17. P. 100174. https://doi.org/10.1016/j.soisec.2024.100174
  53. Tuanmu M.-N., Jetz W. A global, remote sensing-based characterization of terrestrial habitat heterogeneity for biodiversity and ecosystem modelling // Global Ecology and Biogeography. 2015. V. 24. P. 1329–1339. https://doi.org/10.1111/geb.12365
  54. Wilson A.M., Jetz W. Remotely sensed high-resolution global cloud dynamics for predicting ecosystem and biodiversity distributions // PLOS Biol. 2016. V. 14. P. e1002415. https://doi.org/10.1371/journal.pbio.1002415
  55. Žížala D., Minařík R., Skála J., Beitlerová H., Juřicová A., Reyes Rojas J., Penížek V., Zádorová T. High-resolution agriculture soil property maps from digital soil mapping methods, Czech Republic // Catena. 2022. V. 212. P. 106024. https://doi.org/10.1016/j.catena.2022.106024

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025