Оценка содержания органического углерода в почвах России с помощью ансамблевого машинного обучения

Исследование показывает современную количественную оценку содержания органического углерода почв России с учетом их огромного разнообразия, а также отражает понимание отдельных факторов, регулирующих и контролирующих содержание органического углерода почв в пределах страны. В работе приводятся результаты трехмерного моделирования содержания органического углерода почв с пространственным разрешением 500 м по ряду стандартных глубин (0–5, 5–15, 15–30, 30–60, 60–100 см) на территории Российской Федерации с помощью ансамблевого машинного обучения. Автоматизированное прогнозное картографирование основывалось на данных по 4961 почвенному горизонту из 863 профилей почв, а также на обширном наборе пространственной информации, включающем биоклиматические переменные, цифровую модель рельефа и ее производные, долгосрочные усредненные временные ряды данных MODIS. Для построения моделей латеральной и вертикальной дифференциации использовался ансамблевый алгоритм машинного обучения (стекинг, стековое обобщение, стековая регрессия). Оценку точности полученных картографических моделей определяли с помощью пространственной перекрестной проверки. Результаты пространственной кросс-валидации показывают меньшую точность: коэффициент детерминации 0,46, CCC – 0,63, logRMSE – 0,88 (RMSE – 1,41 г/кг) по сравнению с традиционной перекрестной (R2cv – 0,68, CCC – 0,81, logRMSE – 0,68 (RMSE – 0,97 г/кг)). Предлагаемая количественная оценка полностью автоматизирована и позволяет воспроизводить моделирование и уточнять результаты по мере получения новых данных о почвах.

1. Бирюкова О.Н., Бирюков М.В. Содержание органического углерода в верхних горизонтах почв // Национальный атлас почв Российской Федерации. Москва: Астрель-АСТ, 2011а. С. 230–231.

2. Бирюкова О.Н., Бирюков М.В. Запасы органического углерода в почвах // Национальный атлас почв Российской Федерации. М.: Астрель-АСТ, 2011б. С. 242–243.

3. Савин И.Ю., Жоголев А.В., Прудникова Е.Ю. Современные тренды и проблемы почвенной картографии // Почвоведение. 2019. Т. 52. № 5. С. 517–528. DOI: 10.1134/S1064229319050107.

4. Конюшков Д.Е., Ананко Т.В., Герасимова М.И., Лебедева И.И. Актуализация содержания почвенной карты РСФСР масштаба 2,5 млн в формате классификации почв России для создания новой цифровой карты // Бюллетень Почвенного института имени В.В. Докучаева. 2020. № 102. С. 21–48. DOI: 10.19047/0136-1694-2020-102-21-48.

5. Чернова О.В., Голозубов О.М., Алябина И.О., Щепаченко Д.Г. Комплексный подход к картографической оценке запасов органического углерода в почвах России // Почвоведение. 2021. Т. 54. № 3. С. 325–336. DOI: 10.1134/S1064229321030042.

6. Щепаченко Д.Г., Мухортова Л.В., Швиденко А.З., Ведрова Э.Ф. Запасы органического углерода в почвах России // Почвоведение. 2013. Т. 46. № 2. С. 107–116. DOI: 10.1134/S1064229313020129.

7. Breiman L. Stacked regressions, Mach. Learn., 1996, vol. 24, no. 1, p. 49–64, DOI: 10.1007/bf00117832.

8. Brenning A. Spatial prediction models for landslide hazards: review, comparison and evaluation, Nat. Hazards Earth Syst. Sci., 2005, vol. 5, no . 6, p. 853–862, DOI: 10.5194/nhess-5-853-2005.

9. FAO. Global Soil Organic Carbon Map (GSOC map) Technical Report, 2018, FAO, Rome, 162 p.

10. Gomes L.C., Faria R.M., Souza de E., Veloso G.V., Schaefer C.E.G.R., Filho E.I.F. Modelling and mapping soil organic carbon stocks in Brazil, Geoderma, 2019, vol. 340, p. 337–350, DOI: 10.1016/j.geoderma.2019.01.007.

11. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone, Remote Sens. Environ., 2017, vol. 202, p. 18–27, DOI: 10.1016/j.rse.2017.06.031.

12. Griscom B.W., Adams J., Ellis P.W., Houghton R.A., Lomax G., Miteva D.A., Schlesinger W.H., Shoch D., Siikamäki J.V., Smith P. et al. Natural climate solutions, Proc. Natl. Acad. Sci., 2017, vol. 114, no. 44, p. 11645–11650.

13. Laan van der M.J., Polley E.C., Hubbard A.E. Super Learner, Stat. Appl. Genet. Mol. Biol., 2007, vol. 6, no. 1, p. 1–23.

14. Liang Z., Chen S., Yang Y., Zhou Y., Shi Z. High-resolution three-dimensional mapping of soil organic carbon in China: Effects of SoilGrids products on national modeling, Sci. Total Environ., 2019, vol. 685, DOI: 10.1016/j.scitotenv.2019.05.332.

15. Malone B.P., McBratney A.B., Minasny B., Laslett G.M. Mapping continuous depth functions of soil carbon storage and available water capacity, Geoderma, 2009, vol. 154, no. 1–2, p. 138–152, DOI: 10.1016/j.geoderma.2009.10.007.

16. McBratney A.B., Mendonça Santos M.L., Minasny B. On digital soil mapping, Geoderma, 2003, vol. 117, no. 1–2, p. 3–52.

17. Meinshausen N. Quantile Regression Forests, J. Mach. Learn. Res., 2006, vol. 7, p. 983–999.

18. Minasny B., Malone B.P., McBratney A.B., Angers D.A., Arrouays D., Chambers A., Chaplot V., Chen Z.S., Cheng K., Das B.S. et al. Soil carbon 4 per mille, Geoderma, 2017, vol. 292, p. 59–86, DOI: 10.1016/j.geoderma.2017.01.002.

19. 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, vol. 7, no. 1, p. 217–240, DOI: 10.5194/soil-7-217-2021.

20. Rozhkov V.A., Wagner V.B., Kogut B.M., Konyushkov D.E., Nilsson S., Sheremet V.B., Shvidenko A.Z. Soil Carbon Estimates and Soil Carbon Map for Russia, Analysis, 1996, р. 1–44.

21. Scharlemann J.P.W., Tanner E.V.J., Hiederer R., Kapos V. Global soil carbon: understanding and managing the largest terrestr ial carbon pool, Carbon Manag., 2014, vol. 5, no. 1, p. 81–91, DOI: 10.4155/cmt.13. 77.

22. Stolbovoi V. Carbon in Russian soils, Clim. Change, 2002, vol. 55, no. 1–2, p. 131–156.

23. Szatmári G., Pásztor L., Heuvelink G.B.M. Estimating soil organic carbon stock change at multiple scales using machine learning and multivariate geostatistics, Geoderma, 2021, vol. 403, DOI: 10.1016/j.geoderma.2021.115356.

24. Taghizadeh-Mehrjardi R., Hamzehpour N., Hassanzadeh M., Heung B., Ghebleh Goydaragh M., Schmidt K., Scholten T. Enhancing the accuracy of machine learning models using the super learner technique in digital soil mapping, Geoderma, 2021, vol. 399, p. 115108, DOI: 10.1016/j.geoderma.2021.115108.

25. Zhang Y., Ji W., Saurette D.D., Easher T.H., Li H., Shi Z., Adamchuk V.I., Biswas A. Three-dimensional digital soil mapping of multiple soil properties at a field-scale using regression kriging, Geoderma, 2020, vol. 366, p. 114253, DOI: 10.1016/j.geoderma.2020.114253.

26. Zhou T., Geng Y., Ji C., Xu X., Wang H., Pan J., Bumberger J., Haase D., Lausch A. Prediction of soil organic carbon and the C:N ratio on a national scale using machine learning and satellite data: A comparison between Sentinel-2, Sentinel-3 and Landsat-8 images, Sci. Total Environ., 2021, vol. 755, p. 142661, DOI: 10.1016/j.scitotenv.2020.142661.

27. Электронный ресурс Hengl T., MacMillan R.A. Predictive Soil Mapping with R. OpenGeoHub foundation, Wageningen, the Netherlands, 2019, URL: http:// www.soilmapper.org (дата обращения 30.10.2021).

28. Recarbonization of global soils – A tool to support the implementation of the Koronivia Joint Work on Agriculture, 2020, URL: https://www.fao.org/documents/card/en/c/ca6522en/ (дата обращения 30.10.2021).