Оценка состояния почвенно-растительного покрова в бассейне реки Оки по данным дистанционного зондирования

Исследование проведено в бассейне р. Оки, площадью 245 тыс. км2 . Водосбор расположен в европейской части Российской Федерации и относится к Волжскому бассейну. На основе анализа данных дистанционного зондирования рассматривается динамика почвенно-продукционных процессов и структуры землепользования на его территории. Природный комплекс бассейна р. Оки представляет собой сложную комбинацию различных ландшафтов, каждый из которых характеризуется разнообразным составом геоморфологических и почвенно-растительных структур. Для оценки состояния ландшафтов в качестве ключевых участков выделены водосборные бассейны притоков, полностью входящие в каждый определенный ландшафт. В каждом таком бассейне определена структура землепользования. По данным дистанционного зондирования MODIS primary productivity – v 6.1, в программной среде ArcGis 10.8 в каждом из изучаемых бассейнов произведен расчет показателей фитопродуктивности в углеродных единицах с 2000 по 2015 г. для пика вегетационного сезона (середины июля) в малых (ключевых) речных бассейнах. Проведена оценка запаса органического углерода почвы в целом бассейне Оки. Проанализирована тенденция динамики чистой и валовой первичной продукции, запаса органического углерода почв в ключевых речных бассейнах р. Оки, находящихся в различных ландшафтных провинциях. Установлено, что периоды повышения и снижения продукции в разных ландшафтах, в основном, совпадают, однако размах этих изменений и стабильность показателей продуктивности различаются. Показано, что размер и структура земельных угодий значительно влияют на показатели фитопродукции ландшафтов. Выявлены основные тренды динамики чистой первичной продукции в малых речных бассейнах и в бассейне всей Оки. Показано, что для интегральной оценки обширных речных бассейнов необходимо использовать несколько уровней оценки в зависимости от целей исследования. Первый уровень – оценка параметров функционирования целого бассейна. Второй – анализ «вложенных» ландшафтов и бассейнов, который позволяет учесть разнонаправленные процессы внутри единой водосборной системы. В данном случае предлагается использовать ключевые участки, представленные более мелкими репрезентативными речными бассейнами.

1. Богданова М.Д., Герасимова М.И., Горбунова И.А. и др. Ландшафтно-геохимическое исследование бассейна р. Селенги // Вестн. Моск. ун-та. Сер. 5. Геогр. 2016. № 3. С. 82–89.

2. Васильев О.Д. Картографирование средообразующих функций лесов и их сравнительный анализ в ландшафтах Московской области // Вестн. Моск. ун-та. Сер. 5. Геогр. 2020. № 6. С. 21–31.

3. Герасимова М.И., Касимов Н.С., Горбунова И.А. и др. Ландшафтно-геохимическое районирование бассейна Селенги // Вестн. Моск. ун-та. Сер. 5. Геогр. 2014. № 6. С. 66–72.

4. Дьяконов К.Н., Байбар А.С., Харитонова Т.И. Внутривековая динамика эффективности использования лесами Мещеры фотосинтетически активной радиации // Вестн. Моск. ун-та. Сер. 5. Геогр. 2017. № 5. С. 12–23.

5. Золотокрылин А.Н., Титкова Т.Б., Уланова С.С. и др. Наземные и спутниковые исследования продуктивности пастбищ Республики Калмыкия с различной степенью деградации растительных сообществ // Аридные экосистемы. 2013. № 4(57). С. 31–39.

6. Тишков А.А., Белоновская Е.А., Кренке А.Н. и др. Изменения биологической продуктивности наземных экосистем российской Арктики в ХХI в. // Арктика: экология и экономика. 2021. № 1(11). С. 30–41.

7. Трифонова Т.А., Мищенко Н.В. Почвенно-продукционный потенциал экосистем речных бассейнов на основе наземных и дистанционных данных. М.: ГЕОС, 2013. 272 с.

8. Трифонова Т.А. Развитие бассейнового подхода в почвенных и экологических исследованиях // Почвоведение. 2005. № 9. С. 1054–1061.

9. Хорошев А.В. Ландшафтные условия стабильности фитопродукционного функционирования в Айтуарской степи (Южный Урал) // Вестн. Моск. ун-та. Сер. 5. Геогр. 2021. № 2 С. 82–91, DOI: 911.2(470.56)

10. Bin S., Zengyuan L., Wentao G. et al. Identification and assessment of the factors driving vegetation degradation, regeneration in drylands using synthetic high spatiotemporal remote sensing Data – a case study in Zhenglanqi, Inner Mongolia, China, Ecological Indicators, 2019, vol. 107, p. 1–16.

11. Chen Y., Shen W., Gao S. et al. Estimating deciduous broadleaf forest gross primary productivity by remote sensing data using a random forest regression model, Journal of Applied Remote Sensing, 2019, vol. 13, no. 3, p. 1–17.

12. Chen A., Hao Z., Wang R. et al. Cultivated Land Sustainable Use Evaluation from the Perspective of the Water – Land – Energy – Food Nexus: A Case Study of the Major GrainProducing Regions in Quzhou, China, Agronomy, 2023, vol. 13, p. 2362, DOI: 10.3390/agronomy13092362.

13. Dedeoglu M., Basayigit L., Yuksel M. et al. Assessment of the vegetation indices on Sentinel-2A images for predicting the soil productivity potential in Bursa, Turkey, Environmental Monitoring and Aassessment, 2020, vol. 192(1), p. 1–19.

14. Dong J., Metternicht G., Hostert P. et al. Remote sensing and geospatial technologies in support of a normative land system science: status and prospects, Curr. Opin. Environ. Sustain., 2019, vol. 38, p. 44–52, DOI: 10.1016/j. cosust.2019.05.003.

15. Hashimoto H., Wang W., Milesi C. et al. Exploring simple algorithms for estimating gross primary production in forested areas from satellite data, Remote Sens., 2012, no. 4, p. 303–326.

16. Liu W., Yuan Y., Li Y. et al. Net Primary Productivity Estimation Using a Modified MOD17A3 Model in the ThreeRiver Headwaters Region, Agronomy, 2023, vol. 13, p. 431, DOI: 10.3390/agronomy13020431.

17. Menichetti L. Consequences of planned afforestation versus natural forest regrowth after disturbance for soil C stocks in Eastern European mountains, Geoderma, 2017, vol. 297, p. 19–27.

18. Nabiollahi K., Shahlaee S., Zahedi S. et al. Land Use and Soil Organic Carbon Stocks – Change Detection over Time Using Digital Soil Assessment: A Case Study from Kamyaran Region, Iran (1988–2018), Agronomy, 2021, vol. 11, p. 597, DOI: 10.3390/agronomy11030597.

19. National Atlas of Soils of the Russian Federation, Moscow, Astrel, AST Publ., 2011, 632 p.

20. Prince S.D. Challenges for remote sensing of the Sustainable Development Goal SDG 15.3.1 productivity indicator, Remote Sensing of Environment, 2019, vol. 234, p. 1–7.

21. Robinson N.P., Allred B.W., Smith W.K. et al. Terrestrial primary production for the conterminous United States derived from Landsat 30 m and MODIS 250 m, Remote Sensing in Ecology and Conservation, 2018, vol. 4, no. 3, p. 264–280.

22. Turner D.P., Rifts W.D., Cohen W.B. et al. Evaluation of MODIS NPP and GPP products across multiple biomes, Remote Sens., 2006, vol. 102, p. 282–292, DOI: 10.1016/J.RSE.2006.02.017.

23. Vagge I., Chiaffarelli G. Validating the Contribution of Nature-Based Farming Solutions (NBFS) to Agrobiodiversity Values through a Multi-Scale Landscape Approach, Agronomy, 2023, vol. 13, 233, DOI: 10.3390/agronomy13010233.

24. Varghese R., Behera M.D. Annual and seasonal variations in gross primary productivity across the agro-climatic regions in India, Environmental monitoring and assessment, 2019, vol. 191, no. 4, p. 1–19.

25. Wang M.M., He G.J., Ishwaran N. et al. Monitoring vegetation dynamics in East Rennell Island World Heritage Site using multi-sensor and multi-temporal remote sensing data, International Journal of Digital Earth, 2020, vol. 3, p. 393–409.

26. Werf van der G.R., Morton D.C., DeFries R.S. et al. CO2 emissions from forest loss, Nature Geosci., 2009, vol. 2, p. 737–738, DOI: 10.1038/NGEO671.

27. Wu C., Niu Z., Gao S. Gross primary production estimation from MODIS data with vegetation index and photosynthetically active radiation in maize, J. Geophys. Res, 2010, vol. 115, p. 1212–1225, DOI: 10.1029/2009JD013023.

28. Zhang M., Zeng Y. Fusion of high spatial and temporal resolution data to estimate vegetation net primary productivity, Journal of Remote Sensing, 2018, vol. 22, no. 1, p. 143–152.

29. Электронный ресурс

30. Гавришев А.Н. База данных climate-energy // Температура воздуха и характеристики. URL: https://climate-energy. ru (дата обращения 02.09.2023).