АДАПТАЦИЯ МОДЕЛИ RUSLE2 ДЛЯ ОЦЕНКИ ПОТЕРЬ ПОЧВЫ В РЕЗУЛЬТАТЕ ВОДНОЙ ЭРОЗИИ В СЕВЕРНОЙ ЧАСТИ ВЕЛИКОЙ КИТАЙСКОЙ РАВНИНЫ (НА ПРИМЕРЕ ПЕКИНА) Текст научной статьи по специальности «Науки о Земле и смежные экологические науки»

ВЕСТНИК МОСКОВСКОГО УНИВЕРСИТЕТА. СЕРИЯ 17. ПОЧВОВЕДЕНИЕ. 2024. Т. 79. № 3 LOMONOSOV SOIL SCIENCE JOURNAL. 2024. Vol. 79. No. 3

УДК 631.459.2 [(ф

DOI: 10.55959/М8Ш137-0944-17-2024-79-3-152-160

АДАПТАЦИЯ МОДЕЛИ RUSLE2 ДЛЯ ОЦЕНКИ ПОТЕРЬ ПОЧВЫ В РЕЗУЛЬТАТЕ ВОДНОЙ ЭРОЗИИ В СЕВЕРНОЙ ЧАСТИ ВЕЛИКОЙ КИТАЙСКОЙ РАВНИНЫ (НА ПРИМЕРЕ ПЕКИНА)

С. Ли1 , Ц. Гао1, Н. Р. Крючков1'2*

1 Университет МГУ-ППИ в Шэньчжэне, биологический факультет, 518172, Китай, Провинция Гуандун, г. Шэнь-чжэнь, район Лунган, Даюньсиньчэн, ул. Гоцзидасюеюань, д. 1

2 МГУ имени М.В. Ломоносова, биологический факультет, 119991, Россия, Москва, Ленинские горы, д. 1, стр. 12 * E-mail: [email protected]

Водная эрозия — один из наиболее масштабных процессов деградации почв и земель. Этот процесс существенно ухудшает качество предоставляемых экосистемных услуг. Изучение механизма и последствий данного явления поможет разработать стратегии по смягчению его воздействия на окружающую среду. Одной из проблем изучения водной эрозии является высокая стоимость проведения полевых исследований для масштабных территорий. Другой проблемой является ограничение существующих моделей, часто разработанных для конкретных регионов. Наше исследование направлено на решение этих проблем путем адаптации широко используемой модели К.и8ЬЕ2 к локальным условиям. Пекин был выбран в качестве области наших исследований благодаря его богатым информационным ресурсам и обширным результатам полевых измерений водной эрозии почв. Расчет был выполнен с использованием растровой модели данных, которая включала модель угла наклона, длины склона, эродируемости почвы, факторов эрозионного потенциала осадков в результате выпадения осадков и таяния снега, типов землепользования и фактора управления растительным покровом. Все данные были взяты из открытых источников. Расхождение с другими исследованиями составило менее 1%. Модифицированная модель К.и8ЬЕ2 показала хорошие результаты, коррелирующие с другими исследованиями в данной области.

Ключевые слова: урбанизированные территории, пространственное моделирование, эрозия почвы, моделирование эрозии, деградация почв, эрозионный потенциал осадков, противоэрозионная устойчивость почвы, эрозионный потенциал рельефа, землепользование, почвосберегающие мероприятия, Китай.

Введение

Водная эрозия почв является серьезной экологической проблемой, влияющей на продуктивность сельского хозяйства как в развитых, так и в развивающихся странах, [Лисецкий и др., 2012; Ермолаев и др., 2017; Agarwal et al., 2016, Zhang, Li, 2019; Woldesenbet et al., 2020; Gonde, Kitila, 2022]. Кроме того, водная эрозия почв является основной причиной деградации земель, приводящей к потере плодородного верхнего слоя почвы и создающей проблемы для управления устойчивым землепользованием [Zhou et al., 2020; Gong et al., 2022]. Последствия водной эрозии особенно опасны в регионах с высокой демографической нагрузкой и нехваткой земли, т. е. для урбанизированных территорий, где ресурсы для сохранения почв ограничены. Дополнительно урбанизация часто приводит к изменениям в землепользовании и почвенном покрове, что существенно влияет на динамику эрозии почв в

городских районах. Все это формирует потребность в надежных научных методах получения данных об эрозии почв. Одним из самых эффективных и удобных методов оценки водной эрозии является моделирование [Kriuchkov, Makarov, 2023]. Выбор правильной модели и настройка ее параметров для моделирования водной эрозии представляет собой сложную задачу. Зачастую данных для моделирования недостаточно или модель не вполне подходит для локальных условий. Поэтому точная параметризация модели нужна для обеспечения эффективности моделирования экосистем [Wang et al., 2018; Gong et al., 2022; Kriuchkov, Makarov, 2023].

Целью данной работы была адаптация модели RUSLE2 для оценки потерь почвы в результате водной эрозии на территории Пекина.

Материалы и методы

В качестве модального объекта выступала северная часть Великой Китайской равнины — тер-

© Ли С., Гао Ц., Крючков Н.Р., 2024

ритория города Пекина. Пекин расположен на северной оконечности Северо-Китайской равнины в месте слияния гор Яньшань и Тайхан. Горная часть региона составляет 61,4% от общей площади Пекина. Климат влажный континентальный: Dwa по классификации Кёппена [Peel et el., 2007], с неравномерным распределением годовых осадков по территории: в северо-восточной и юго-западной горной частях выпадает от 600 до 700 миллиметров в год до менее 500 миллиметров в равнинной части региона.

Пекин — столица Китайской Народной Республики, с населением в 21 млн человек. ВВП региона в 2022 г. составляет 625 млрд долларов США. Площадь региона составляет 16 411 км2. Структура землепользования согласно работе [Chen et al., 2015] приведена в табл. 1

Таблица 1

Структура землепользования на территории Пекина

Возделываемые земли Леса Луга Искусственные поверхности Другие земли

% от общей площади 24 45 8 21 2

Многообразие природных условий, а также экономическая важность определили выбор объекта исследования. Дополнительным плюсом выступило наличие данных по стоковым площадкам на территории Пекина.

Моделирование потенциальной величины смыва. Для проведения моделирования использовалась модель RUSLE2 [Renard, 2013], однако формулы для расчета ее показателей были выбраны с учетом имеющихся данных и характеристик объекта исследования. Все расчеты модели были выполнены в растровых слоях с разрешением 30 м. Согласно модели RUSLE2, величина смыва является произведением пяти факторов: эрозионного потенциала осадков (R-фактор), фактора землепользования (C-фактор), фактора эрозионного потенциала рельефа (LS-фактор), фактора противоэрозионной устойчивости почвы (K-фактора) и фактора почвозащитных мероприятий (P-фактор). Данные для моделирования брались из открытых источников. Величина смыва моделировалась для периода с 2000 по 2015 гг.

Моделирование состояло из нескольких этапов:

1) Сбор данных для проведения моделирования.

2) Настройка модели.

3) Проведение моделирования.

4) Верификация полученных результатов по данным полевых измерений.

R-фактор. Данные по среднегодовому количеству осадков на объекте исследований брались из

работы Chen и др. [Chen et al., 2020]. Эрозионный потенциал осадков рассчитывался согласно подходу, предложенному в работе [Naipal et al., 2015]. Формула расчета R-фактора зависит от типа климата по классификации Кёппена. Данные о распределении типа климата на территории исследований заимствованы из статьи [Peel et al., 2007]. Формула расчета R-фактора для влажного континентального климата (Dwa по Кёппену) имеет вид:

lnR = -0,572 + 1,238 х lnP, (1)

где lnR — натуральный логарифм R-фактора; lnP — натуральный логарифм среднегодового количества осадков.

С-фактор. Для расчета С-фактора использовали сцены Landsat 7 Level-2 за период основной вегетации с 2000 по 2010 гг. С-фактор рассчитывали по формуле (2) [Almagro et al., 2019]:

C = ((-NDVI + 1)/2) х 0,1, (2)

где NDVI — нормализованный вегетационный индекс.

LS-фактор. Для вычисления LS-фактора были использованы данные ЦМР SRTM с пространственным разрешением 30 м [USGS, 2014]. Процесс вычисления LS-фактора включал двухэтапный алгоритм. Сначала данные ЦМР были предварительно обработаны в соответствии с методикой, описанной в работе [Wang, Liu, 2006]. Расчет L-фактора проводили в соответствии с формулой (3), как описано в работе [Renard, 2013].

тч2\т+1 лт+1

(3)

ГЛ.. . + n2ïm+1 — Am+1 L = Artij-in ^ u ) î] —in)m

ij - V nrn+2 ,,,m -i-) i -гт ' >

Dm+2 xxm x 22,13m

где A¡j_in — площадь ячейки (i, j), измеряемая в м2, D — размер ячейки (в метрах), Xi,j = sin ai,j + cos ai,j, где ai, j — направление граней ячейки (i, j), m — отношение в ручейковой к межручейковой эрозии:

m = в/(в + 1), (4)

где в

в =_^^__(5)

Г [0,56 + 3 x(sin0)0-8]'

где 0 — угол наклона в градусах, m находится в диапазоне от 0 до 1 и приближается к 0, когда соотношение ручейковой и межручейковой эрозии приближается к 0.

S-фактор также рассчитывался согласно [Renard, 2013]:

S = 10,8xsin 0 + 0,03, где уклон <0,09 (6)

S = 16,8xsin 0 - 0,05, где уклон >0,09 (6)

K-фактор. Для расчета К-фактора использовались данные по почвенным показателям из статьи [Shangguan et al., 2013]. В этой статье приведены данные о современном состоянии почвенного покрова на территории исследования. K-фактор рассчитывался по многоступенчатому алгоритму, предложенному в работе [Auerswald et al., 2014]. Подробно алгоритм описан в статье [Kriuchkov, Makarov, 2023].

P-фактор. Для расчета P-фактора использовалась современная модель землепользования GLOBALLAND 30 m [Chen et al., 2015]. Далее, согласно типам землепользования, применялись коэффициенты P-фактора из работы [Xu et al., 2012]. Коэффициенты P-фактора приведены в табл. 2.

Результаты

Я-фактор. На рис. 1 представлено пространственное распределение Я-фактора на территории Пекина.

Статистические характеристики Я-фактора приведены в табл. 3.

Таблица 3

Статистические характеристики значений Я-фактора (Мдж-мм)/(га-ч-г)

Значения R-фактора варьировали в диапазоне от 603,04 до 715,78 (Мдж-мм)/(га-ч-г). Среднее

значение составило 672,87 (Мдж-мм)/(га-ч-г). Согласно результатам перекрестной проверки, про-интерполированные данные достоверно описывают территорию исследования. Корень из среднеквадратичной ошибки составил 0,6% от среднего значения. Стандартное отклонение демонстрирует достаточно низкий разброс значений в наборе данных относительно их среднего значения.

К-фактор. На рис. 2 представлено пространственное распределение К-фактора на территории г. Пекина.

Статистические характеристики К-фактора приведены в табл. 4.

Таблица 4

Статистические характеристики значений К-фактора (т^га^ч)/(га^Мдж^мм)

Минимальное значение Максимальное значение Среднее значение Ст. отклонение RMSE

К-фактор 0,0727 0,1777 0,1289 0,0133 0,0168

Значения К-фактора варьировали в диапазоне от 0,0727 до 0,1777 (т-га-ч)/(га-Мдж-мм). Среднее значение составило 0,1289 (т-га-ч)/(га-Мдж-мм). Стандартное отклонение демонстрирует достаточно низкий разброс значений в наборе данных относительно их среднего значения. Согласно результатам перекрестной проверки, полученная модель рас-

Таблица 2

Значение P-фактора

Возделываемые земли Лес Луг Искусственные поверхности

P-фактор 0,47 1 1 0,22

Минимальное значение Максимальное значение Среднее значение Ст. отклонение RMSE

R-фактор 603,04 715,78 672,87 30,51 4,14

Рис. 1. Распределение Я-фактора (Мдж-мм)/(га-ч-г) на территории исследования. Значение Я-фактора убывает в ряду: Нагорье (3) — Северные горы (1) — Южные горы (2) — Равнина (4)

Рис.2. Распределение К-фактора (т-га-ч)/(га-Мдж-мм) на территории исследования.

Значение К-фактора убывает в ряду: Северные горы (1) — Нагорье (3) — Южные горы (2) — Равнина (4)

пределения достоверно описывает территорию ис- LS-фактор. На рис. 3 представлено простран-

следования. Корень из среднеквадратичной ошибки ственное распределение Ь8-фактора на территории составил 13% от среднего значения. Пекина.

Рис.3. Распределение Ь8-фактора на территории исследования.

116°0'0"Е 117°0'0"Е

Рис.4. Распределение С-фактора на территории исследования. Значение С-фактора убывает в ряду: Равнина (4) — Нагорье (3) — Южные горы (2) — Северные горы (1)

Статистические характеристики Ь8-фактора приведены в табл. 5.

Значения Ь8-фактора варьировали в диапазоне от 0,03 до 1551,7947. Среднее значение соста-

вило 98,7194. Стандартное отклонение составляет 69,1897, что указывает на большой разброс значений в наборе данных относительно их среднего значения.

11 б'О'СГЕ 117°0'0"Е

Рис. 5. Распределение Р-фактора на территории исследования.

Таблица 5

Статистические характеристики значений LS-фактора

Минимальное значение Максимальное значение Среднее значение Ст. отклонение

Ь8-фактор 0,0300 1551,7947 98,7194 69,1897

^фактор. На рис. 4 представлено пространственное распределение С-фактора на территории Пекина.

Статистические характеристики С-фактора приведены в табл. 6.

Таблица 6

Статистические характеристики значений ^фактора

Значения С-фактора варьировали в диапазоне от 0,0298 до 0,0522. Среднее значение составило 0,0385. Стандартное отклонение составляет 0,0034 и указывает на небольшую изменчивость данных относительно их среднего значения.

P-фактор. На рис. 5 представлено пространственное распределение Р-фактора на территории Пекина.

Статистические характеристики Р-фактора приведены в табл. 7.

Таблица 7

Статистические характеристики значений P-фактора

Минимальное значение Максимальное значение Среднее значение Ст. отклонение

Р-фактор 0 1 0,6954 0,3415

Смыв. На рис. 6 представлено пространственное распределение величины смыва на территории Пекина.

Статистические характеристики величины смыва приведены в табл. 8.

Таблица 8

Статистические характеристики результатов моделирования

Минимальное значение Максимальное значение Среднее значение Ст. отклонение

Смыв, т-га-1 в год 0 441,6547 25,1170 24,7681

Значения величины смыва варьировали в диапазоне от 0 до 441,6547 т-га-1 в год. Среднее значение составило 25,1170 т-га-1 в год. Стандартное отклонение составляет 24,7681 и указывает на значительную изменчивость данных относительно их среднего значения.

Минимальное значение Максимальное значение Среднее значение Ст. отклонение

С-фактор 0,0298 0,0522 0,0385 0,0034

Рис. 6. Распределение величины смыва на территории исследования.

Таблица 9

Сравнение результатов моделирования с результатами стоковых площадок

Источник Потери почвы, т в год Площадь участков с разными величинами, км2

<200 (т-км-2 в год) 200-1000 (т-км-2 в год) 1000-2000 (т-км-2 в год)

Бюллетень [Beijing Municipal Water Bureau, 2015] 3,57-106 5721 (57%) 4113 (41%) 238 (2%)

Наши данные 3,56-106 2000 (20%) 7770 (77%) 302 (3%)

Разница, % -0,28 -37 +36 +1

Обсуждение

Полученная величина смыва проверялась с результатами стоковых площадок, расположенных в горной части Пекина. Данные по стоковым площадкам брались из Бюллетеня муниципальной водной службы Пекина [Beijing Municipal Water Bureau, 2015]. В данном бюллетене приведены оценки величин смыва по результатам стоковых площадок, а также оценка площадей участков с разными значениями величин смыва в горной части Пекина. Результаты сравнения с полученными результатами приведены в табл. 9.

Согласно полученным данным, наша модель показала сопоставимые результаты при определении суммарных потерь почвы от водной эрозии на территории исследования. Расхождение с полевыми данными составило менее половины процента (см. табл. 3). Однако при анализе распределения площадей участков с разными величинами смыва были выявлены различия. Площади участков с самыми большими величинами смыва (1000-2000 т-км-2 в год) различаются незначительно — не более 1%. Разница между оставшимися двумя категориями — от 200-1000 и <200 т-км-2 в год — составляет 36 и 37% соответственно. Скорее всего, данное расхождение связано с различными методами расчета величины смыва. Более детально причину этого можно было бы установить при сравнении результатов распределения величины смыва на территории исследования. К сожалению, в бюллетене [Beijing Municipal Water Bureau, 2015] нужные данные не представлены, а приводятся только статистические данные, указанные выше (см. табл. 9). Поэтому невозможно определить, в каких именно участках значения моделирования превысили данные бюллетеня и наоборот.

В работе [Zhang, Li, 2015] также приведены только статистические данные без пространственного распределения. Авторы приводят данные о площади участков с различной интенсивностью смыва. В статье представлены данные для категорий от 0 до 200, 200-2500 т-км-2 в год и т. д. Большинство градаций категорий не совпадает с нашими. Поэтому сравним данные по единственной соответствующей категории: площадь участков с величиной смыва <200 т-км-2 в год. Согласно работе, площадь

контуров с величиной смыва <200 т-км-2 в год составила 6511,08 км2. Приведенные данные значительно отличаются от полученных нами (см. табл. 9). Данное различие, скорее всего, связано с тем, что авторы использовали другую цифровую модель рельефа, а также не проводили предобработку цифровой модели рельефа. Невыполнение данной операции, как известно, приводит к завышенному расчету LS-фактора [Panagos et al., 2015]. С другой стороны, приведенные данные более близки по значению к данным из бюллетеня [Beijing Municipal Water Bureau, 2015].

Заключение

На основе открытых данных о климате, почвах, топографии и землепользовании территории Пекина в данной статье были проведены комплексная оценка состояния эрозии почв и анализ распределения исследуемых территорий. Адаптированная модель продемонстрировала сопоставимые результаты с полевыми исследованиями. Выявленные различия при определении площадей участков с различными величинами смыва обусловлены использованием разных цифровых моделей рельефа и отсутствием их предобработки, а также отличающимся методом расчета величины смыва. Модель RUSLE2 была успешно адаптирована к почвенно-климатическим условиям территории Пекина.

Информация о финансировании работы

Исследование выполнено при финансовой поддержке Министерства образования провинции Гуандун (проект № 2023KQNCX095).

СОБЛЮДЕНИЕ

ЭТИЧЕСКИХ СТАНДАРТОВ

В данной работе отсутствуют исследования человека или животных.

КОНФЛИКТ ИНТЕРЕСОВ

Авторы заявляют об отсутствии конфликта интересов.

СПИСОК ЛИТЕРАТУРЫ

1. Ермолаев О.П., Медведева Р.А., Платончева Е.В. Методические подходы к мониторингу процессов эрозии

на сельскохозяйственных землях Европейской части России с помощью материалов космических съемок // Учен. зап. Казан. ун-та. Сер. Естеств. науки. 2017. Т. 159, № 4.

2. Лисецкий Ф.Н., Светличный А.А., Черный С.Г. Современные проблемы эрозиоведения. Белгород,2012.

3. Agarwal D., Tongaria K., Pathak S. et al. Soil erosion mapping of watershed in Mirzapur district using RUSLE model in GIS environment // IJSRTM. 2016. № 4(3).

4. Almagro A., Thome T.C., Colman C.B., et al. Improving cover and management factor (C-factor) estimation using remote sensing approaches for tropical regions // ISWCR. 2019. 08.005.

5. Beijing Municipal Water Bureau. [Электронный ресурс] Bulletin on Soil and Water Conservation, 2005-2015. URL: http://swj.beijing.gov.cn/zwgk/stbcgb/ (на китайском языке)

6. Chen J., Wang D., Li G. et al. Spatial and Temporal Heterogeneity Analysis of Water Conservation in Beijing-Tianjin-Hebei Urban Agglomeration Based on the Geodetector and Spatial Elastic Coefficient Trajectory Models // GeoHealth. 2020. № 4(8).

7. Chen J., Chen A., Liao A. et al. Global land cover mapping at 30 m resolution: A POK-based operational approach // P&RS. 2015. Vol. 103.

8. Gonde G.E., Kitila G. Assessment of farmers' perception towards soil and water conservation measures at Bako Tibe district, western Ethiopia // J. Geogr. Nat. Disasters. 2023. 13: 261.

9. Gong W., Liu T., Duan X. et al. Estimating the soil erosion response to land-use land-cover change using GIS-based RUSLE and remote sensing: a case study of Miyun Reservoir, North China // Water. 2022. Vol. 14(5).

10. KriuchkovN.R., Makarov O.A. Modeling Dynamics of Soil Erosion by Water Due to Soil Organic Matter Change (1980-2020) in the Steppe Zone of Russia // Agronomy. 2023. 13, 2527.

11. Naipal V., Reick C., Pongratz J. et al. Improving the global applicability of the RUSLE model - adjustment of the topographical and rainfall erosivity factors // GMD. 2015. Vol. 8.

12. Panagos P., Borrelli P., Meusburger K. A New European Slope Length and Steepness Factor (LS-Factor) for Modeling Soil Erosion by Water // Geosciences. 2015. Vol. 5(2).

13. Peel M.C., Finlayson B.L., McMahon T.A. Updated World Map of the Koppen-Geiger Climate Classification // Hydrol. Earth Syst. Sci. 2007. Vol. 11.

14. Renard K., Kenneth G. Science Documentation Revised Universal Soil Loss Equation Version 2. Washington, D.C.: USDA-Agricultural Research Service, 2013.

15. Shangguan W., Dai Y., Liu B. et al. A China data set of soil properties for land surface modeling // JAMES. 2013. Vol. 5(2).

16. USGS Shuttle Radar Topography Mission (SRTM) [Электронный ресурс], https://dwtkns.com/srtm30m/ (дата доступа: 10 октября 2023).

17. USGS. United States Geological Survey [Электронный ресурс], Satellite images collected of "Landsat 7 Level-2" for 2000 - 2010. URL: https://earthexplorer.usgs.gov/

18. Wang L., Liu H. An efficient method for identifying and filling surface depressions in digital elevation models for hydrologic analysis and modelling // IJGIS. 2006. 20(2).

19. Wang L., Xiao Y., Rao E. et al. An assessment of the impact of urbanization on soil erosion in Inner Mongolia // IJERPH. 2018. 15(3), 550.

20. Woldesenbet A.B., Wudmatas S.D., Argaw M. et al. Enset-based land use land cover change detection and its impact on soil erosion in Meki River watershed for sustainability of Lake Ziway, Western Lake Ziway Sub-Basin, Central Rift Valley of Ethiopia // Environ Syst Res. 2020. 9(37).

21. Xu Y., Yao Z., Zhao D. Estimating Soil Erosion in North China Plain Based on RS/GIS and RUSLE // Bulletin of Soil and Water Conservation. 2012. Vol. 32(6) (на китайском языке).

22. Zhang W., Li H. RUSLE and GIS-based assessment of soil erosion in the mountain areas of Beijing, China // Proceedings of the 3rd International Conference on Advances in Energy and Environmental Science 2015 / Eds. Prof. Prasad Y. Zhuhai, 2015.

23. ZhangH., LiZ. The impact of soil erosion on internal migration in China // PloS ONE. 2019. 14(4).

24. Zhou P., Ge Y., Jiang Y. et al. Assessment of Soil Erosion by the RUSLE Model Using Remote Sensing and GIS: A Case Study of Jilin Province of China // Preprints. 2020. 2020110435.

Поступила в редакцию 25.02.2024 После доработки 27.04.2024 Принята к публикации 06.05.2024

ВЕСТНИК МОСКОВСКОГО УНИВЕРСИТЕТА. СЕРИЯ 17. ПОЧВОВЕДЕНИЕ. 2024. Т. 79. № 3 LOMONOSOV SOIL SCIENCE JOURNAL. 2024. Vol. 79. No. 3

ADAPTATION OF THE RUSLE2 MODEL TO ASSESS SOIL LOSSES DUE TO WATER EROSION IN THE NORTHERN PART OF THE GREAT CHINESE PLAIN (USING THE EXAMPLE OF BEIJING)

X. Li , J. Gao, N. R. Kriuchkov

Water erosion is one of the most extensive processes of soil and land degradation. This process significantly deteriorates the quality of ecosystem services provided. Studying the mechanism and consequences of this phenomenon will help develop strategies to mitigate its impact on the environment. One of the challenges in studying water erosion is the high cost of conducting field research over large areas. Another challenge is the limitation of existing models, which are often developed for specific regions. Our research aims to address these problems by adapting the widely used RUSLE2 model to local conditions. Beijing was chosen as the study area due to its rich information resources and extensive results from field measurements of soil water erosion. Calculations were performed using a raster data model, which included a slope angle model, slope length, soil erodibility, rainfall erosion potential factors from precipitation and snowmelt, land use types, and vegetation cover management factors. All data were taken from open sources. The average soil erosion in the studied area was 25 t-ha-1 per year. The discrepancy with other studies was less than 1%. The modified RUSLE2 model showed good results, correlating with other studies in this area.

Keywords: urbanized territories, spatial modeling, soil erosion, erosion modelling, soil degradation, rainfall erosivity, soil erodibility, slope length and steepness, land-use, soil support conservation practices, China.

СВЕДЕНИЯ ОБ АВТОРАХ

Ли Синьжань (Li Xinran), студент биологического факультета Университета МГУ-ППИ в Шэньчжэне, e-mail: [email protected]

Гао Цзинъюнь (Gao Jingyun), студент биологического факультета Университета МГУ-ППИ в Шэньчжэне, e-mail: [email protected]

Крючков Никита Романович, канд. биол. наук, преподаватель биологического факультета МГУ-ППИ в Шэньчжэне, науч. сотр. биологического факультета МГУ имени М.В. Ломоносова, e-mail: [email protected]

© Li X., Gao J., Kriuchkov N.R., 2024