Использование показателей отражательной способности как ковариаты содержания органического вещества в залежных почвах
Институты и факультеты
Главная \ Наука \ Научные издания КФУ \ Ученые записки Казанского университета \ Ученые записки Казанского университета. Серия Естественные науки \ Архив

Использование показателей отражательной способности как ковариаты содержания органического вещества в залежных почвах

К.Г. Гиниятуллин1, И.А. Сахабиев1, Е.В. Смирнова1, А.А. Валеева1, С.С. Рязанов2, Л.И. Латыпова1

1Казанский (Приволжский) федеральный университет, г. Казань, 420008, Россия

2Институт проблем экологии и недропользования АН РТ, г. Казань, 420087, Россия

 

ОРИГИНАЛЬНАЯ СТАТЬЯ

Полный текст PDF

DOI: 10.26907/2542-064X.2022.3.438-456

Для цитирования: Гиниятуллин К.Г., Сахабиев И.А., Смирнова Е.В., Валеева А.А., Рязанов С.С., Латыпова Л.И. Использование показателей отражательной способности как ковариаты содержания органического вещества в залежных почвах // Учен. зап. Казан. ун-та. Сер. Естеств. науки. – 2022. – Т. 164, кн. 3. – С. 438–456. – doi: 10.26907/2542-064X.2022.3.438-456.

For citation: Giniyatullin K.G., Sahabiev I.A., Smirnova E.V., Valeeva A.A., Ryazanov S.S., Latypova L.I. Using the reflectance parameters as covariates of the organic matter content in fallow soils. Uchenye Zapiski Kazanskogo Universiteta. Seriya Estestvennye Nauki, 2022, vol. 164, no. 3, pp. 438–456. doi: 10.26907/2542-064X.2022.3.438-456. (In Russian)

Аннотация

В работе дана оценка возможности использования показателей отражательной способности воздушно-сухих измельченных (< 0.25 мм) образцов почвы в видимой и инфракрасной области спектра как ковариаты содержания почвенного органического вещества (ПОВ) в старопахотных горизонтах залежей. Выявлена значимая корреляция содержания ПОВ только с интенсивностью полосы поглощения 1630 см–1 и площадью полосы поглощения 1706–1537 см–1. Невысокие корреляции в инфракрасном диапазоне связываются с химической неоднородностью ПОВ, унаследованного из пахотной почвы и новообразованного под залежами. Более тесные корреляции наблюдаются между ПОВ и отражением в красном канале видимого спектра, коэффициент корреляции равен –0.76 для слоя 0–5 см и –0.73 для слоя 5–10 см. Показано, что использование отражения в красном канале для кокригинга позволяет получить более точный пространственный прогноз распределения ПОВ при минимальном наборе данных по сравнению с ординарным кригингом. Уточненные карты содержания ПОВ могут обеспечить получение более реалистичного прогноза секвестрации СО2 в залежных почвах, а также эмиссии его из залежей при смене землепользования.

Ключевые слова: залежные почвы, органическое вещество, спектральные характеристики почв, пространственный прогноз, кокригинг

Благодарности. Исследование выполнено при финансовой поддержке Российского научного фонда в рамках научного проекта № 22-24-00242.

Литература

  1. Batjes N.H. Total carbon and nitrogen in the soils of the world // Eur. J. Soil Sci. – 1996. – V. 47, No 3. – P. 151–163. – doi: 10.1111/EJSS.12114_2.
  2. Kudeyarov V.N. Current state of the carbon budget and the capacity of Russian soils for carbon sequestration // Eurasian Soil Sci. – 2015. – V. 48, No 9. – P. 923–933. – doi: 10.1134/S1064229315090070.
  3. Kudeyarov V.N. Soil-biogeochemical aspects of arable farming in the Russian Federation // Eurasian Soil Sci. – 2019. – V. 52, No 1. – P. 94–104. – doi: 10.1134/S1064229319010095.
  4. Когут Б.М., Семенов В.М., Артемьева З.С., Данченко Н.Н. Дегумусирование и почвенная секвестрация углерода // Агрохимия – 2021. – № 5. – C. 3–13. – doi: 10.31857/S0002188121050070.
  5. Kalinina O., Goryachkin S., Karavaeva N.A., Lyuri D., Giani L. Dynamics of carbon pools in post-agrogenic sandy soils of southern taiga of Russia // Carbon Balance Manage. – 2010. – V. 5. – Art 1, P. 1–9. – doi: 10.1186/1750-0680-5-1.
  6. Kurganova I., Lopes de Gerenyu V., Kuzyakov Y. Largescale carbon sequestration in post-agrogenic ecosystems in Russia and Kazakhstan // Catena. – 2015. – V. 133. – P. 461–466. – doi: 10.1016/j.catena.2015.06.002.
  7. Guo L.B., Gifford R.M. Soil carbon stock and land use change: A meta analysis // Global Change Biol. – 2002. – V. 8, No 4. – P. 345–360. – doi: 10.1046/j.1354-1013.2002.00486.x.
  8. Mueller C.W., Koegel-Knabner I. Soil organic carbon stocks, distribution, and composition affected by historic land use changes on adjacent sites // Biol. Fertil. Soils. – 2009. – V. 45. – P. 347–359. – doi: 10.1007/s00374-008-0336-9.
  9. Ovsepyan L.A., Kurganova I.N., Lopes de Gerenyu V.O., Rusakov A.V., Kuzyakov Ya.V. Changes in the fractional composition of organic matter in the soils of the forest–steppe zone during their postagrogenic evolution // Eurasian Soil Sci. – 2020. – V. 53, No 1. – P. 50–61. – doi: 10.1134/S1064229320010123.
  10. Sorokina N.P., Kozlov D.N., Kuznetsova I.V. Assessment of the postagrogenic transformation of soddy-podzolic soils: Cartographic and analytic support // Eurasian Soil Sci. – 2013. – V. 46, No 10. – P. 1007–1019. – doi: 10.7868/S0032180X13100134.
  11. Гиниятуллин К.Г., Рязанов С.С., Смирнова Е.В., Латыпова Л.И., Рыжих Л.Ю. Использование геостатистических методов для оценки запасов органического вещества в залежных почвах // Учен. зап. Казан. ун-та. Сер. Естеств. науки. – 2019. – Т. 161, кн. 2. – С. 275–292. – doi: 10.26907/2542-064X.2019.2.275-292.
  12. Wadoux A.M.J.-C., Minasny B., McBratney A.B. Machine learning for digital soil mapping: Applications, challenges and suggested solutions // Earth-Sci. Rev. – 2020. – V. 210. – Art. 103359, P. 1–17. – doi: 10.31223/osf.io/8eq6s.
  13. Wiesmeier M., Barthold F., Blank B. Digital mapping of soil organic matter stocks using Random Forest modeling in a semi-arid steppe ecosystem // Plant Soil. – 2011. – V. 340. – P. 7–24. – doi: 10.1007/s11104-010-0425-z.
  14. Martin M.P., Orton T.G., Lacarce E., Meersmans J., Saby N.P.A., Paroissien J.B., Jolivet C., Boulonne L., Arrouays D. Evaluation of modelling approaches for predicting the spatial distribution of soil organic carbon stocks at the national scale // Geoderma. – 2014. – V. 223–225. – P. 97–107. – doi: 10.1016/j.geoderma.2014.01.005.
  15. Mahmoudzadeh H., Matinfar H.R., Taghizadeh-Mehrjardi R., Kerry R. Spatial prediction of soil organic carbon using machine learning techniques in western Iran // Geoderma Reg. – 2020. – Art. e00260, P. 1–16. – doi: 10.1016/j.geodrs.2020.e00260.
  16. Jafari A., Khademi H., Finke P.A., Van de Wauw J., Ayoubi S. Spatial prediction of      soil great groups by boosted regression trees using a limited point dataset in an arid      region, southeastern Iran // Geoderma. – 2014. – V. 232–234. – P. 148–163. – doi: 10.1016/j.geoderma.2014.04.029.
  17. Matinfar H.R., Maghsodi Z., Mousavi S.R., Rahmani A. Evaluation and Prediction of Topsoil organic carbon using Machine learning and hybrid models at a Field-scale // Catena. – 2021. – V. 202. – Art. 105258, P. 1–13. – doi: 10.1016/j.catena.2021.105258.
  18. Sahabiev I., Smirnova E., Giniyatullin K. Spatial prediction of agrochemical properties on the scale of a single field using machine learning methods based on remote sensing data // Agronomy. – 2021. – V. 11, No 11. – Art. 2266, P. 1–16. – doi: 10.3390/agronomy11112266.
  19. Kerry R., Goovaerts P., Rawlins B.G., Marchante B.P. Disaggregation of legacy soil data using area to point kriging for mapping soil organic carbon at the regional scale // Geoderma. – 2012. – V. 170. – P. 347–358. – doi: 10.1111/j.1365-2753.2012.01908.x.
  20. Dai F., Zhou Q., Lv Z., Wang X., Liu G. Spatial prediction of soil organic matter content integrating artificial neural network and ordinary kriging in Tibetan Plateau // Ecol. Indic. – 2014. – V. 45. – P. 184–194. – doi: 10.1016/j.ecolind.2014.04.003.
  21. Mirzaee S., Ghorbani-Dashtaki S., Mohammadi J., Asadi H., Asadzadeh F. Spatial variability of soil organic matter using remote sensing data // Catena. – 2016. – V. 145. – P. 118–127. – doi: 10.1016/j.catena.2016.05.023.
  22. Žížala D., Minarík R., Zádorová T. Soil organic carbon mapping using multispectral remote sensing data: prediction ability of data with different spatial and spectral resolutions // Remote Sens. – 2019. – V. 1, No 24. – Art. 2947, P. 1–23. – doi: 10.3390/rs11242947.
  23. Chen L., Chunying R., Zhang B. Wang Z. Multi-sensor prediction of stand volume by a hybrid model of support vector machine for regression kriging // Forests. – 2020. – V. 11, No 3. – Art. 296, P. 1–18. – doi: 10.3390/f11030296.
  24. Okunev R., Smirnova E., Giniyatullin K. Application of ATR-FTIR spectrometry for express prediction of the organic matter properties of arable leached chernozem // 20th Int. Multidiscip. Sci. GeoConf. SGEM 2020. – 2020. – V. 20, No 3.1. – P. 381–386. – doi: 10.5593/sgem2020/3.1/s13.049.
  25. Докучаев П.М., Мешалкина Ю.Л. Определение содержания органического углерода с помощью портативного спектро-радиометра // Вестн. Оренбург. гос. ун-та. – 2016. – Т. 10, Вып. 198. – С. 58–62.
  26. Bangelesa F., Adam E., Knight J., Dhau I., Ramudzuli M., Mokotjomela T.M. Predicting soil organic carbon content using hyperspectral remote sensing in a degraded mountain landscape in Lesotho // Appl. Environ. Soil Sci. – 2020. – V. 2020. – Art. 2158573, P. 1–11. – doi: 10.1155/2020/2158573.
  27. Savin I.Y., Vindeker G.V. Some specifics in using optical properties of soil surface for moisture detection // Eurasian Soil Sci. – 2021. – V. 54, No 7. – P. 1019–1027. – doi: 10.31857/S0032180X21070121.
  28. Prudnikova E., Savin I. Some peculiarities of arable soil organic matter detection using optical remote sensing data // Remote Sens. – 2021. – V. 13, No 12. – Art. 2313, P. 1–26. – doi: 10.3390/rs13122313.
  29. Орлов Д.С., Суханова Н.И., Розанова М.С. Спектральная отражательная способность почв и их компонентов. – М.: Изд-во Моск. ун-та, 2001. – 176 с.
  30. Караванова Е.И. Оптические свойства почв и их природа. – М.: Изд-во Моск. ун-та, 2003. – 151 с.
  31. Viscarra Rossel R.A., Walvoort D.J.J., McBratney A.B., Janik L.J., Skjemstad J.O. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties // Geoderma. – 2006. – V. 131, No 1–2. – P. 59–75. – doi: 10.1016/j.geoderma.2005.03.007.
  32. Vasques G.M., Grunwald S., Sickman J.O. Comparison of multivariate methods for inferential modeling of soil carbon using visible/near-infrared spectra // Geoderma. – 2008. – V. 146, No 1–2. – P. 14–25. – doi: 10.1016/j.geoderma.2008.04.007.
  33. Ludwig B., Nitschke R., Terhoeven-Urselmans T., Michel K., Flessa H. Use of midinfrared spectroscopy in the diffuse-reflectance mode for the prediction of the composition of organic matter in soil and litter // J. Plant Nutr. Soil Sci. – 2008. – V. 171, No 3. – P. 384–391. – doi: 10.1002/jpln.200700022.
  34. Samsonova V.P., Meshalkina Yu.L., Blagoveshchenskii Yu.N. Effect of errors in positioning the sampling points on the assessment of the relationships between the remote sensing data and the soil properties // Eurasian Soil Sci. –2013. – V. 46, No 5. – P. 484–490. – doi: 10.1134/S1064229313050104.
  35. Mohamed E.S., Ali A.M., El Shirbeny M.A., Abd El Razek A.A., Savin I.Yu. Near infrared spectroscopy techniques for soil contamination assessment in the Nile Delta // Eurasian Soil Sci. – 2016. – V. 49, No 6. – P. 632–639. – doi: 10.7868/S0032180X1606006X.
  36. Bellon-Maurel V., McBratney A. Near-infrared (NIR) and mid-infrared (MIR) spectroscopic techniques for assessing the amount of carbon stock in soils – critical review and research perspectives // Soil Biol. Biochem. – 2011. – V. 43, No 7. – Р. 1398–1410. – doi: 10.1016/j.soilbio.2011.02.019.
  37. Conforti M., Matteucci G., Buttafuoco G. Using laboratory Vis-NIR spectroscopy for monitoring some forest soil properties // J. Soils Sediments. – 2018. – V. 18, No 3. – P 1009–1019. – doi: 10.1007/s11368-017-1766-5.
  38. Masserschmidt I., Cuelbas C.J., Poppi R.J., de Andrade J.C., de Abreu C.A., Davanzo C.U. Determination of organic matter in soils by FTIR/diffuse reflectance and multivariate  calibration // J. Chemom. – 1999. – V. 13, No 3. – P. 265–273. – doi: 10.1002/(sici)1099-128x(199905/08)13:3/43.0.
  39. McCarty G.W., Reeves J.B., Reeves V.B., Follett R.F., Kimble J.M. Mid-infrared and near-infrared diffuse reflectance spectroscopy for soil carbon management // Soil Sci. Soc. Am. J. – 2002. – V. 66, No 2. – P. 640–646. – doi: 10.2136/sssaj2002.6400a.
  40. McCarty G.W., Reeves J.B. III Comparison of near infrared and mid infrared diffuse reflectance spectroscopy for field-scale measurement of soil fertility parameters // Soil Sci. – 2006. – V. 171, No 2. – P. 94–102. – doi: 10.1097/01.ss.0000187377.84391.54.
  41. Reeves J.B. Near- versus mid-infrared diffuse reflectance  spectroscopy  for  soil  analysis emphasizing carbon and laboratory versus on-site analysis: Where are we and       what needs to be done? // Geoderma. – 2010. – V. 158, No 1–2. – P. 3–14. – doi: 10.1016/j.geoderma.2009.04.005.
  42. Васенев И.И., Мешалкина Ю.Л., Грачев Д.А. Геоинформационные системы в почвоведении и экологии. Интерактивный курс. – М.: РГАУ – МСХА, 2010. – 212 с.
  43. Goovaerts P., Kerry R. Using ancillary data to improve prediction of soil and crop attributes in precision agriculture // Geostatistical Applications for Precision Agriculture / Ed. by M.A. Oliver. – Dordrecht: Springer, 2010. – P. 167–194. – doi: 10.1007/978-90-481-9133-8_7.
  44. Keskin H., Grunwald S. Regression kriging as a workhorse in the digital soil mapper’s toolbox // Geoderma. – 2018. – V. 326. – P. 22–41. – doi: 10.1016/j.geoderma.2018.04.004.
  45. Walvoort D.J.J., Brus D.J., de Gruijter J.J. An R package for spatial coverage sampling and random sampling from compact geographical strata by k-means // Comput. Geosci. – 2010. – V. 36, No 10. – P. 1261–1267. – doi: 10.1016/j.cageo.2010.04.005.
  46. Smith A.L. Applied Infrared Spectroscopy. – London: John Wiley & Sons, 1979. – 336 p.
  47. Valeeva A.A., Aleksandrova A.B., Koposov G.F. Color estimation of forest-steppe soils by digital photography under laboratory conditions // Eurasian Soil Sci. – 2016. – V. 49, No 9. – P. 1033–1037. – doi: 10.7868/S0032180X16090136.
  48. R Core Team. R: A language and environment for statistical computing. R foundation for statistical computing. – Vienna, Austria, 2021. – URL: http://www.R-project.org/, свободный.
  49. Pebesma E.J. Multivariable geostatistics in S: The gstat package // Comput. Geosci. – 2004. – V. 30, No 7. – P. 683–691. – doi: 10.1016/j.cageo.2004.03.012.
  50. Isaaks E.H., Srivastava R.M. An Introduction to Applied Geostatistics. – N. Y.: Oxford Univ. Press, 1989. – 592 p.
  51. Webster R., Oliver M.A. Sample adequately to estimate variograms of soil properties // Eur. J. Soil Sci. – 1992. – V. 43, No 1. – P. 177–192. – doi: 10.1111/j.1365-2389.1992.tb00128.x.
  52. QGIS Development Team. QGIS Geographic Information System. Open Source Geospatial Foundation Project. – 2021. – URL: https://qgis.org/ru/site/, свободный.
  53. Kuznetsova I.V., Tikhonravova P.I., Bondarev A.G. Changes in the properties of cultivated gray forest soils after their abandoning // Eurasian Soil Sci. – 2009. – V. 42, No 9. – P. 1062–1070. – doi: 10.1134/S1064229309090142.
  54. Kurganova I.N., Kudeyarov V.N., De Gereny L. Updated estimate of carbon balance on Russian territory // Tellus. – 2010. – V. 62, No 5. – Р. 497–505. – doi: 10.1111/j.1600-0889.2010.00467.x.
  55. Jahn B.R., Upadhyaya S.K. Determination of soil nitrate and organic matter content using portable, filter-based mid-infrared spectroscopy // Viscarra Rossel R., McBratney A., Minasny B. (Eds.) Proximal Soil Sensing. Progress in Soil Science. – Dordrecht: Springer, 2010. – P. 143–152. – doi: 10.1007/978-90-481-8859-8_12.
  56. Giniyatullin K.G., Smirnova E.V., Ryzhikh L.Yu., Latipova L.I. Spectral characteristics of water-soluble and alkaline-soluble organic substance of fallow light-gray forest soils // IOP Conf. Ser.: Earth  Environ. Sci. – 2019. – V. 315. – Art. 052021, P. 1–6. – doi: 10.1088/1755-1315/315/5/052021.
  57. Кротов Д.Г., Самсонова В.П., Кротова Е.А., Лавринова Е.Ю. Связь между содержанием гумуса в пахотном горизонте серой лесной почвы и яркостью в красном канале спутникового изображения // Агрохимический вестн. – 2017. – № 1. – С. 11–14.
  58. Cambardella C.A., Moorman T.B., Novak J.M., Parkin T.B., Karlen D.L., Turco R.F., Konopka A.E. Field-scale variability of soil properties in Central Iowa soils // SoilSci. Soc. Am. J. – 1994. – V. 58, No 5. – P. 1501–1511. – doi: 10.2136/sssaj1994.03615995005800050033x.

Поступила в редакцию

05.04.2022

 

Гиниятуллин Камиль Гашикович, кандидат биологических наук, доцент кафедры почвоведения

Казанский (Приволжский) федеральный университет

ул. Кремлевская, д. 18, г. Казань, 420008, Россия

E-mail: ginijatullin@mail.ru

 

Сахабиев Ильназ Алимович, старший преподаватель кафедры почвоведения

Казанский (Приволжский) федеральный университет

ул. Кремлевская, д. 18, г. Казань, 420008, Россия

E-mail: ilnassoil@yandex.ru

 

Смирнова Елена Васильевна, кандидат биологических наук, заведующий кафедрой почвоведения

Казанский (Приволжский) федеральный университет

ул. Кремлевская, д. 18, г. Казань, 420008, Россия

E-mail: elenavsmirnova@mail.ru

 

Валеева Альбина Альбертовна, кандидат биологических наук, заместитель директора Института фундаментальной медицины и биологии

Казанский (Приволжский) федеральный университет

ул. Кремлевская, д. 18, г. Казань, 420008, Россия

E-mail: valeyabc@mail.ru

 

Рязанов Станислав Сергеевич, кандидат биологических наук, старший научный сотрудник лаборатории экологии почв

Институт проблем экологии и недропользования АН РТ

ул. Даурская, д. 28, г. Казань, 420087, Россия

E-mail: erydit@yandex.ru

 

Латыпова Лейсан Илдаровна, старший лаборант кафедры почвоведения

Казанский (Приволжский) федеральный университет

ул. Кремлевская, д. 18, г. Казань, 420008, Россия

E-mail: leisana-2009@mail.ru

 

Контент доступен под лицензией Creative Commons Attribution 4.0 License.


Версия для печати Версия для печати
Вход в личный кабинет
Ваш логин
Ваш пароль
Забыли пароль? Регистрация