КАРТОГРАФИРОВАНИЕ СОДЕРЖАНИЯ И ЗАПАСОВ ОРГАНИЧЕСКОГО УГЛЕРОДА ПОЧВ НА РЕГИОНАЛЬНОМ И ЛОКАЛЬНОМ УРОВНЯХ: АНАЛИЗ СОВРЕМЕННЫХ МЕТОДИЧЕСКИХ ПОДХОДОВ Текст научной статьи по специальности «Науки о Земле и смежные экологические науки»

DOI 10.31509/2658-607x-202361-120 УДК 631.4

КАРТОГРАФИРОВАНИЕ СОДЕРЖАНИЯ И ЗАПАСОВ ОРГАНИЧЕСКОГО УГЛЕРОДА ПОЧВ НА РЕГИОНАЛЬНОМ И ЛОКАЛЬНОМ УРОВНЯХ: АНАЛИЗ СОВРЕМЕННЫХ МЕТОДИЧЕСКИХ

ПОДХОДОВ

© 2023 г. Н. В. Гопп1, Ю. Л. Мешалкина2, А. Н. Нарыкова3,

А. С. Плотникова3, О. В. Чернова4

11Институт почвоведения и агрохимии СО РАН Россия, 630099, Новосибирск, проспект Академика Лаврентьева, 8/2 2 Московский государственный университет им. М. В. Ломоносова Россия, 119234, Москва, ул. Ленинские горы, д. 1, стр.12 3 Центр по проблемам экологии и продуктивности лесов РАН Россия, 117997, Москва, ул. Профсоюзная, 84/32, стр. 14 4Институт проблем экологии и эволюции им. А. Н. Северцова РАН Россия, 119071, Москва, Ленинский просп., 33

E-mail: gopp@issa-siberia.ru

Поступила в редакцию 04.02.2023 После рецензирования: 18.03.2023 Принята к печати: 20.03.2023

В настоящей работе приводится обзор отечественных и зарубежных литературных источников, посвященных картографированию содержания и запасов почвенного органического углерода (ПОУ) на региональном и локальном уровнях. Анализ работ показал, что картографическая оценка содержания и запасов ПОУ в почвах основана на различных подходах, выбор которых зависит от размера территории (континентальный, национальны^ региональны^ локальныи уровни), наличия картографическои основы (карты типов почв, ландшафтов, растительных формации, данные дистанционного зондирования Земли и др.) и данных лабора-торно-полевых обследовании. Картографирование в основном осуществляется с использованием следующих подходов: (1) на основе имеющихся тематических карт; (2) цифровое почвенное картографирование. В обзоре также приведен набор пространственных данных, характеризующих факторы почвообразования согласно модели SCORPAN, активно используемои в цифровом почвенном картографировании. Пространственные данные о рельефе были одними из наиболее часто используемых предикторов, за которыми следовали переменные, характеризующие растительность и климат. Добавление в модели пространственных данных о классификационных единицах почв значительно повышало точность картографирования. Авторы работ отмечали, что переменные климата оказывают существенное влияние на пространственное варьирование содержания и запасов ПОУ на региональном уровне, в то время как на локальном уровне влияние климатических переменных было менее значимым. Анализ исследовании показал, что наиболее часто в цифровом картографировании изучаемых своиств почв используются методы машинного обучения, среди которых метод случаиного леса (Random Forest) чаще показывал лучшие результаты. Практически во всех исследованиях проводилась кросс-валидация

построенных карт, проверка точности картографирования с использованием внешней независимой выборки проводилась в редких случаях, хотя эта важнеишая составляющая цифровои почвеннои картографии. Наиболее часто для моделирования содержания и запасов ПОУ использовалось программное обеспечение R, для подготовки предикторов чаще использовались SAGA GIS, QGIS, ArcGIS и облачная платформа Google Earth Engine (GEE).

Ключевые слова: цифровое почвенное картографирование, почвенные предикторы, машинное обучение, случайный лес, регрессионный кригинг, метод опорных векторов, кросс-валидация, бутстреп, градиентный бустинг, мониторинг

Важная роль в углеродном обмене между наземными экосистемами и атмосферой принадлежит почвам, так как они являются одновременно источником выбросов и поглотителями парниковых газов, которые оказывают как положительное, так и отрицательное влияние на изменение климата Земли (Руководящие принципы МГЭИК, 2006). Для моделеи земнои системы (ESMs — Earth System Models) представление о глобальном распределении существующих запасов углерода в почве является необходимым условием для прогнозирования обратных связеи углерода и климата (Todd-Brown et al., 2013). Уточнение запасов органического углерода почв имеет важное значение для разработки стратегии устоичивого развития регионов и прогноза влияния климатических изменении на баланс углерода (Чернова и др., 2021).

Наземные экосистемы Земли характеризуются большим разнообразием и разным набором компонентов, поэтому в них по-разному протекают процессы депонирования и эмиссии углерода. Учет и отображение содержания и запасов почвенного органического углерода (ПОУ) в картографическом виде является необходимым

для построения прогнозов и мониторинга. В настоящее время составление карт осуществляется с использованием геоинформационных систем, в которых реализованы современные методы обработки пространственно распределеннои информации, позволяющие совместно анализировать различные виды наземнои, лабо-раторно-полевои и дистанционнои информации о компонентах экосистем. Помимо настольных ГИС, в последнее время активно развивается веб-направление в цифровом почвенном картографировании (ЦПК), например, в работах широко используется облачная платформа компании Google — Google Earth Engine (Google Earth Engine..., 2017), позволяющая использовать вычислительные мощности серверов Google для геопространственного анализа большого числа данных: космические снимки, карты земного покрова, топографические и социально-экономические данные, различные параметры окружающеи среды и т. д. (Gorelick et al., 2017). Также на платформу можно загружать и анализировать собственные данные. Главные ее преимущества — это открытость и возможность использовать вычислительные мощности бесплатно. Другим примером может слу-

жить веб-сервис SoLIM (The SoLIM Project..., 2004), где можно проводить картографирование, используя методы ГИС, нечеткои логики и экспертные знания. В работе ис-следователеи (Jiang et al., 2016) представлен веб-сервис «CyberSoLIM», на котором можно обрабатывать не только большие объемы пространственно распределенных данных, но и обмениваться моделями и алгоритмами.

Современные методические подходы по картографированию содержания и запасов почвенного углерода можно разделить на две группы: (1) на основе имеющихся тематических карт — присвоение «эталонных», среднеарифметических или полученных в результате моделирования значении содержания и запасов ПОУ определенным картографическим единицам (почвенным, ландшафтным, климатическим и т. д.); (2) на основе цифровых пространственно распределенных данных — совместная обработка данных лабораторно-полевых обследовании и пространственных предикторов с использованием методов машинного обучения, геостатистики и гибридных подходов. Второи подход в литературе более известен как ЦПК. Рассмотрим более подробно вышеперечисленные подходы.

ПОДХОД I — КАРТОГРАФИРОВАНИЕ НА ОСНОВЕ ИМЕЮЩИХСЯ ТЕМАТИЧЕСКИХ КАРТ

Картографирование на основе имеющихся тематических карт — традицион-

ный подход, который используется при отсутствии или недостаточном количестве пространственных данных почвенных обследовании. Картографирование выполняется на основе существующеи ба-зовои карты известного масштаба; обычно используют карты почв, ландшафтов, биомов и других целостных природных образовании, но в зависимости от цели исследования возможно использование и карт типов землепользования. Дополнительная информация: природная (тип растительности, рельеф, генезис и/или состав почвообразующих пород...), хо-зяиственная (тип и/или структура землепользования, структура севооборотов, тип мелиорации.), историческая (возраст растительнои ассоциации, возраст/стадия залежнои сукцессии, ретроспективные данные об истории землепользования) в векторнои или растровои форме с помощью ГИС-технологии может быть совмещена с исходнои картои, позволяя повысить ее разрешение и точность. В результате собирается база данных о средних или типичных значениях содержания или запасов ПОУ характерных для определенного типа, подтипа или инои почвеннои классификационнои единицы (или других целостных природных либо природ-но-хозяиственных образовании). Средние или типичные значения могут быть получены также в результате использования локальных моделеи при их наличии. Эти значения присваиваются соответствую-щеи пространственнои единице картогра-

фирования. По возможности оценивают изменчивость показателей, отражающих природное разнообразие почв в пределах картографическое единицы, или неопределенность предсказания.

В данном подходе большую роль играет экспертное оценивание (Soil organic carbon..., 2018). При большем количестве данных точечных почвенных обследовании с известными пространственными координатами, которые формируют обучающую выборку, возможно совмещение традиционных подходов с методами цифрового картографирования (Hugelius et al., 2014; Пастухов и др., 2016). Картографи-

рование с использованием этого подхода включает два этапа (рис. 1).

Ниже приведено описание основных этапов картографирования содержания и запасов ПОУ на основе различных тематических карт:

1. Подготовка данных и предикторов включает их разделение на относительно однородные по структуре органического вещества группы. Принципы разделения на группы определяются целью исследования, масштабом рассмотрения, а также характеристиками и объемом име-ющеися в распоряжении информации, например: по типу растительности (лесные,

Рисунок 1. Блок-схема картографирования на основе имеющихся тематических карт

степные, болотные и др.); по типу землепользования (сельскохозяиственные, селитебные, лесные и др.); структуре сель-скохозяиственных угодии (пашня, залежь, сенокосы и пастбища, мелиорированные земли и др.) и т. д. Производится оценка полноты имеющеися фактическои информации по точечным объектам, возможности ее обобщения для характеристики классификационных и картографических почвенных выделов. Затем выбирается алгоритм пересчета значении по горизонтам/слоям из почвенных разрезов на фиксированные целевые глубины и проводится «гармонизация» данных. Если для каких-то глубин нет данных, они дополняются средними показателями для контура или аналогичного объекта, либо экспертными значениями.

При определении содержания органического углерода в образцах почв в настоящее время используются метод «сухого сжигания», основанньш на высокотемпературном каталитическом окислении органического вещества и прямом учете образовавшегося диоксида углерода и обе-спечивающии максимальное окисление органического вещества, и метод «мокрого сжигания», основанныи на окислении органического вещества хромовои кислотои. Химические методы не приводят к полному окислению углерода органических соединении, поэтому для корректировки полученных результатов используют пересчетные коэффициенты. В мировои практике широко используется метод Уолкли

и Блэка (Walkley, Black, 1934), для которого принято использовать поправочныи коэффициент 1.32 (Soil organic carbon., 2018). В отечественнои практике значительно шире используется метод Тюрина в различных модификациях. Для пересчета полученных этим методом показателеи Б. М. Когутом и А. С. Фридом предложен усредненныи корректировочныи коэффициент (К = 1.28) (1993). Последние исследования показали, что более применим коэффициент 1.15 (ФАО, 2021; Шамрикова и др., 2022; Shamrikova et al., 2022).

При использовании метода высокотемпературного сжигания для карбонатных почв содержание органического углерода определяется как разница между содержанием общего углерода и углерода неорганических соединении.

Содержание ПОУ в почвах часто пересчитывают на содержание гумуса с использованием коэффициента 1.724. Коэффициент был предложен еще в 19 в. на основании данных о содержании в гуми-новои кислоте 58% углерода и является общепринятым для неорганических горизонтов почв. Из-за разнообразия органогенных горизонтов содержание углерода в них заметно варьирует. Кроме того, количество результатов прямых определении углерода методом сухого сжигания ограничено, в большинстве случаев в литературе в качестве характеристики обогащен-ности горизонта органическим веществом приводятся сведения о потере при прокаливании. Для органических горизонтов

коэффициенты пересчета могут колебаться от 1.9 до 2.5 (Soil organic carbon., 2018). Для расчета содержания углерода в лесных подстилках в отечественных работах использованы различные пересчетные коэффициенты: от 2.0 (Алексеев, Бердси, 1994) до 2.6 (Щепащенко и др., 2013).

Важным расчетным параметром для оценки запасов углерода в почвах является плотность почвы в естественном сложении или объемная масса (dv). При недостатке прямых определении плотности почвы используют средние значения или медианы, полученные по имеющимся экспериментальным данным. Также широко используются педотрансферные функции (ПТФ), позволяющие вычислить значение плотности по другим доступным почвенным характеристикам. ПТФ являются эмпирическими, имеют ограниченную область применения, поэтому их следует с осторожностью использовать в условиях, отличных от тех, для которых они были получены. Огромное разнообразие природ-но-географических условии России делает выбор ПТФ, позволяющеи с минимальнои ошибкои определять плотность сложения почв конкретного региона, важным этапом работы. Специально проведенньш сравнительныи анализ пяти наиболее пригодных для почв России методов оценки плотности почв показал, что для минеральных горизонтов лесных почв Евро-пеискои России лучшие результаты демонстрирует ПТФ, предложенная О. В. Честных и Д. Г. Замолодчиковым (2004) (Чернова

и др., 2020). Применимость этои функции с различными параметрами уравнения для групп генетически сходных почв показана и в других работах (Пастухов и др., 2016; Чернова и др., 2021). Плотность сложения органогенных горизонтов редко определяют экспериментально, кроме того, этот показатель характеризуется высокои изменчивостью как пространственнои, так и определяющеися спецификои горизонтов. При вычислении запасов углерода в лесных подстилках возможно использование экспертных значении с учетом типа и возраста растительных ассоциации (Soil organic carbon., 2018). Для оценки запасов органического углерода в торфяных почвах различных регионов могут быть использованы обобщенные данные о плотности сложения торфа в зависимости от его зрелости, степени разложения и зольности, например, торфяных почв тропиков (Agus et al., 2011) или Западнои Сибири (Инишева и др., 2012).

Для минеральных почв, особенно горных областеи и сформированных на слабо-выветрелых отложениях, важно оценить содержание камнеи и гравия, т. е. частиц, размер которых превышает 1 мм. Исследователи редко располагают достаточным количеством прямых определении каменистости различных почв и почвенных горизонтов для расчета средних показа-телеи. В большинстве случаев используют поправочные коэффициенты для групп сходных почв, полученные экспертным путем на основании обобщения результа-

тов исследовании, типичных для соответ-ствующеи группы профилеи (Soil organic carbon., 2018).

Этап подготовки данных завершается вычислением запасов органического углерода в почвенных горизонтах, слоях или для целевых глубин с последующим расчетом средних арифметических значении для каждои пространственнои единицы картографирования.

2. Картографирование. Собственно картографическая работа заключается в подготовке набора предикторов, определяемого целью исследования и набора имеющеися информации, посредством пространственнои идентификации в ГИС. Далее определяются своиства предикторов для каждого точечного наблюдения и формируется перечень пространственных единиц картографирования, характеризующихся сходными параметрами (тип/подтип/класс почвы, растительности, ландшафта, землепользования и т. п.), извлекается ковариационная информация для контуров, обеспеченных достаточным количеством данных точечных обследовании, и усредняются значения содержания/ запасов углерода внутри этих контуров. При сложном почвенном покрове территории при усреднении могут быть введены весовые коэффициенты, учитывающие состав почвенного покрова в соответствии с пропорциями площадеи доминирующих, сопутствующих и ассоциированных почв. Полученные усредненные значения при-

писываются всем аналогичным по характеристикам пространственным единицам картографирования независимо от местоположения профилеи.

Точная оценка пространственнои неопределенности построенных таким образом карт затруднена. Погрешности картографического отображения в них могут быть вызваны: неточностями в отображении границ полигонов или ошибками в определении средних показателеи для единиц картографирования из-за недостаточности, субъективности, нерепрезентативности выборки, высокого природного варьирования показателеи в условиях сложного почвенного покрова, а также ошибками лабораторных и полевых изменении. Однако в литературе имеются примеры ко-личественнои оценки отдельных аспектов неопределенности при достаточном объеме аналитическои информации, например, возможно использование статистики каппа (Rossiter, 2001) для оценки согласованности между данными полевых обследовании и полученнои картои (Пастухов и др., 2016) или для сопоставления двух почвенных карт детального масштаба, построенных двумя независимыми группами иссле-дователеи (Самсонова, Мешалкина, 2011).

Завершающим этапом работы является оценка и, при необходимости, коррекция полученных результатов группои экспертов-почвоведов региона исследования. Примеры регионального картографирования запасов органического углерода в со-

ответствии с описанным подходом приведены в Приложении А.

Рассмотрим подробнее один из примеров реализации первого подхода. Группои исследователеи предложен метод получения ориентировочных региональных оценок запасов органического углерода в почвах при недостаточном количестве точечных данных обследовании (Чернова и др., 2016). В расчеты максимально вовлекаются доступные разноплановые источники информации: картографические материалы, базы данных, данные государ-ственнои и ведомственнои статистиче-скои отчетности, опубликованные результаты локальных исследовании и результаты моделирования круговорота углерода. Применимость метода опробована на примере территории двух административных областеи Европеискои России: Костром-скои и Курскои.

Картографическая основа для площадных расчетов получена путем пересечения слоев векторных карт: Скоррек-тированнои цифровои версии почвеннои карты РСФСР (2007), Карты растительности СССР (1990) на уровне типов домини-рующеи растительности и схемы административного деления Россиискои Федерации масштаба 1: 1000 000. При расчетах учитывали классификационную принадлежность и гранулометрическии состав почв, структуру земельных угодии, типо-возрастную структуру лесных насаждении

и данные о месторождениях торфа в регионах. Запасы углерода в автономных естественных почвах рассчитывали на основе нелинеинои модели круговорота углерода NAMSOM (Nonlinear Analytical Model of Soil Organic Matter) (Рыжова, Подвезенная, 2003) для каждого типа/подтипа почв с учетом их гранулометрического состава. Чтобы восполнить недостаток данных экспериментальных исследовании почв и растительных ассоциации, характеризующих рассматриваемую территорию, были использованы показатели из доступных баз данных, усредненные в границах почвенных провинции Карты почвенно-экологического раионирования масштаба 1:15 000 000 (2011). Для актуализации оценок полученные усредненные показатели скорректированы с учетом типа землепользования и категории земель (пашни; сенокосы и пастбища; молодые залежи (до 20-25 лет); разновозрастные леса и нелесная древесная растительность; земли под вырубками, гарями, погибшими насаждениями; болота; дороги; земли за-строики; нарушенные; прочие).

На основе предложенного единого подхода рассчитаны актуальные запасы органического углерода в почвах Костром-скои (южная таига) и Курскои (лесостепь) областеи и ориентировочно оценено снижение этих запасов за историческии период в различных природно-географических и хозяиственных условиях регионов.

ПОДХОД II — ЦИФРОВОЕ ПОЧВЕННОЕ КАРТОГРАФИРОВАНИЕ

Современные методы картографирования почвенных свойств основаны на модели SCORPAN, активно используемой в последнее время в цифровом почвенном картографировании. Модель SCORPAN предложена для эмпирического количественного описания взаимосвязеи между почвои и пространственно распределенными предикторами. Формулы моделеи SCORPAN выглядят следующим образом (McBratney et al., 2003; Флоринскии, 2012):

Sc = f (s, c, o, r, p, a, n)

и Sa = f (s, c, o, r, p, a, n), (1),

где Sc — почвенные таксономические единицы; Sa — количественная характеристика почвы; s — почва (другие характеристики почвы); c — климат (климатические характеристики); o — организмы, растительность, фауна, человек; r — рельеф (ЦМР и морфометрические величины); p — материнская порода, литология; a — возраст, время, повторность при мониторинге; n — пространственное положение.

Формула 1 является результатом трудов многих поколении ученых-почвоведов (например, С. А. Захарова (1927), С. Ф. Шоу (Shaw, 1930), Х. Дженни (Jenny,1941), которые развивали основнои закон почвоведения, сформулированньш В. В. Докучаевым (Флоринскии, 2012). Она также объединяет генетические и так называемые «формальные» подходы в почвоведении.

Цифровое картографирование требует большого числа точечных наблюдении, для которых известны географические координаты. При увеличении количества предикторов и их сочетании необходимое число наблюдении возрастает. Для разработки оптимальнои схемы опробования для целеи ЦПК предложен специальныи метод — «латинскии гиперкуб», назван-ныи по аналогии с латинским квадратом. Метод основан на выборе местоположении точек пробоотбора в зависимости от вероятности совместного появления индикаторных переменных (Minasny, МсВгаШеу, 2006).

ЦПК включает в себя интеллектуаль-ныи анализ данных, геостатистику, гибридные подходы и подразумевает выполнение трех последовательных этапов (рис. 2).

Ниже приведено описание основных этапов цифрового почвенного картографирования содержания и запасов ПОУ:

1. Подготовка обучающей выборки и предикторов.

Обучающии и валидационныи наборы данных должны содержать следующую информацию: идентификационныи номер образца, географические координаты, название почвы, название и буквенное обозначение почвенных горизонтов, диапазон глубин, данные о плотности сложения горизонтов, содержании и запасах ПОУ доле крупнозема (камни и гравии). При отсутствии данных о плотности почв проводят моделирование с использованием педотрансферных функции, результаты

Рисунок 2. Блок-схема цифрового почвенного картографирования содержания и запасов органического углерода

(СПОУ и ЗПОУ, соответственно)

которого вносят в обучающии и валидаци-онныи наборы данных.

Пространственные предикторы, используемые для моделирования содержания и запасов ПОУ характеризуют факторы почвообразования и индикаторные переменные. Подготовка предикторов, характеризующих рельеф местности, заключается в использовании цифровои модели рельефа (ЦМР) при создании карт морфо-

метрических величин. Под морфометри-ческои величинои понимается числовая характеристика рельефа, определенная в каждои точке карты, такая как высота, крутизна, ориентация склона и другие (Шарьш, 2006). Обозначенные морфоме-трические величины наряду с расчлененностью местности, геометрическими формами и терморежимом склонов являются одними из основных аспектов деиствия

рельефа на функционирование экосистемы. В работах (Шарыи, 2006; Флоринскии, 2016) систематизированы основные аспекты деиствия рельефа: поверхност-ныи сток, расчлененность (изрезанность) местности, геометрические формы, терморежим склонов, высотная поясность. Так, согласно системе базовых морфометриче-ских величин, поверхностныи сток описывают: ориентация и крутизна склонов; горизонтальная, вертикальная, разностная и полная аккумуляционная кривизна; площадь водосбора и дисперсивная площадь. Морфометрические величины, определяющие расчлененность рельефа: горизонтальная и вертикальная избыточная кривизна; полная кольцевая кривизна; ротор. Морфометрические величины, описывающие геометрические формы рельефа: несферичность; минимальная, максимальная и средняя кривизна; полная гауссова кривизна. Терморежим склонов определяет их освещенность, высотную зональность — высота земнои поверхности.

Подготовка предикторов, характеризующих растительность, заключается в использовании мультиспектральных снимков, на основе которых рассчитывают различные показатели, например вегетационные индексы, отражение в синем/ красном/зеленом/ближнем ИК диапазоне и т. д. Также в качестве предикторов при картографировании содержания и запасов ПОУ используются показатели, характеризующие климат и почвообразующие породы (Приложение Б). Наиболее часто

при подготовке предикторов используется программное обеспечение SAGA GIS, QGIS, ArcGIS, и облачная платформа Google Earth Engine (GEE). Моделирование содержания и запасов ПОУ чаще всего проводится в программном обеспечении R, QGIS, ArcGIS, SAGA GIS и другие.

2. Моделирование факторно-индикаторных связей и пространственных зависимостей выполняется посредством методов машинного обучения — деревьев решении (DT, RF, BaRT, BRT, CART), кригин-га (OK, RK, GWRK), неиронных сетеи (ANN, CNN), линеиных регрессии (GLM, MLR) и других. Выполненньш обзор исследовании показал, что в настоящее время наиболее часто применяются следующие методы: случаиныи лес (RF, 24% от включенных в обзор исследовании), регрессион-ныи кригинг (RK, 11%) и опорные вектора (SVM, 7%) (Приложение А).

В ряде исследовании для моделирования запасов ПОУ авторы используют несколько методов машинного обучения — GWRK и RK (Kumar et al., 2012); BART, RF, XGBoost (Чинилин, Савин, 2018); RF, Cubist, RK (Kaya et al., 2022). Исследователи обращают внимание на недостаточность использования только одного метода моделирования и целесообразность проверки различных моделеи для конкретнои территории картографирования. В Приложении А столбец «Используемые методы» содержит перечисление всех примененных в исследовании методов. Жирным шрифтом выделены методы, показавшие

наилучшие результаты моделирования содержания или запасов ПОУ. В этих методах по обучающеи выборке, где в конкретных точках известно содержание/запас углерода и значения предикторов, моделируются факторно-индикаторные связи. Далее смоделированные связи используются для «распознавания» остальнои территории картографирования, в которои известны предикторы, но неизвестно содержание и/или запас углерода. Методы машинного обучения могут быть дополнены исследованием пространственных зависимостеи и интерполяциеи остатков методом простого кригинга. Полученная таким образом карта должна быть проверена. Во многих работах используется проверка устоичивости модели с помощью метода «складного ножа», кросс-валидации или бутстрепа. Наиболее предпочтительным подходом для проверки является дополнительная (внешняя) вероятностная выборка.

Случайный лес — алгоритм машинного обучения, заключающиися в использовании ансамбля решающих деревьев (Вгетап, 2001). Алгоритм создания дерева решении или рекурсивного разбиения предполагает выбор переменнои и точки разделения, которая приведет к лучшим результатам классификации. Далее для каждои из результирующих ветвеи проверяется соблюдение критериев остановки. Как правило, критерием остановки является определенная глубина роста дерева либо минимальное количество наблю-

дении, для которых листовои узел далее классифицировать не может. Согласно алгоритму, из основнои выборки формируются подвыборки с заменои (бутстреп). По каждои подвыборке строится своя модель дерева решении. Так как таких моделеи много (обычно около 200), то метод и получил свое название «случаиного леса», поскольку обобщает множество деревьев, полученных по случаиным выборкам. Конечная модель представляет собои взвешенное среднее из всех построенных деревьев решении.

К преимуществам использования метода относятся: высокая производительность прогнозирования; отсутствие переобучения; низкая корреляция отдельных деревьев между собои, поскольку разнообразие лесов увеличивается за счет использования ограниченного числа переменных-предсказателеи; небольшие смещение и дисперсия из-за усреднения по большому количеству деревьев. Также в этом методе предикторы могут быть как качественными, так и количественными, и для количественных показателеи отсутствует требование нормальности распределения, так как метод относится к непараметрическим. Одним из основных недостатков метода является внутренняя сложность получаемого леса моделеи, которая затрудняет интерпретацию взаимо-зависимостеи между зависимыми переменными и переменными-предсказателями, поскольку невозможно исследовать строение всех деревьев в лесу.

Регрессионный кригинг — это гибрид-ныи метод, сочетающии простую или множественную линеиную регрессию с кри-гингом остатков прогнозирования. Суть метода состоит в нахождении связи между предикторами с однои стороны и содержанием/запасом углерода с другои, используя методы регрессии или машинного обучения, тогда термин «регрессионныи кригинг» используется в более широком смысле. После этого остатки проверяют на наличие пространственных зависимостеи. Ограничениями применения метода являются: размер обучающеи выборки не менее 100-150 точек; выполнение условия стационарности для остатков — транзитивности вариограммы; нормальное распределение остатков.

Метод опорных векторов также относится к непараметрическим методам машинного обучения. Суть метода заключается в переводе исходных векторов в пространство более высокои размерности и поиск в нем разделяющеи гиперплоскости с максимальным зазором ^аршк, 1998). Две параллельных гиперплоскости строятся по обеим сторонам разделяющеи классы гиперплоскости. Алгоритм работает в предположении, что чем больше разница или расстояние между параллельными гиперплоскостями, тем меньше средняя ошибка классификатора.

Преимуществами метода опорных векторов является эффективность в пространствах большои размерности, а также в случаях, когда количество призна-

ков больше, чем количество наблюдении (Pedregosa et al., 2011). Используется подмножество обучающих точек в функции принятия решения, поэтому метод эффективен с точки зрения использования памяти компьютера. Метод характеризуется универсальностью — для функции принятия решения могут быть заданы различные функции ядра, в том числе пользователь может задать свои опорные вектора.

3. Оценка качества моделирования выполняется с использованием независимого валидационного набора данных, либо устоичивость модели можно проверить с привлечением методов: «складного ножа», кросс-валидации и бутстреп-мо-делирования. Для оценки точности карт используются различные показатели, например корень из среднеквадратическои ошибки или средняя абсолютная ошибка в процентах.

Использование независимого набора данных для проверки модели. Для проверки картографическои модели рекомендуется использовать специально отобранную дополнительную (внешнюю) вероятностную выборку. В идеальном случае эта выборка создается отдельно в результате независимых полевых исследовании изучаемои территории. Она называется «вероятностной» в том смысле, что является репре-зентативнои для территории исследования, т. е. вероятность попадания объектов (точек) в выборку равна вероятности того, как они представлены на территории в зависимости от степени ее неоднородности.

Например, если территория включает разные типы и подтипы почв, то в выборке они должны быть представлены с тои же вероятностью, что и на территории.

В случае отсутствия независимого полевого исследования рабочая выборка делится на два набора: обучающии и ва-лидационныи. Обучающии набор данных используется для построения моделеи. Валидационныи набор данных обычно составляет от 10 до 30% (в среднем 20%) от общего объема данных в зависимости от числа точек. Он должен быть проверен на репрезентативность относительно общего набора данных. Важно, что независимая или валидационная выборка создается один раз и используется для проверки модели после завершения моделирования.

Проверка устойчивости модели. Методы «складного ножа», кросс-валидации и бутстреп-моделирования относятся к методам формирования достаточно большого числа подвыборок на основе единствен-нои рабочеи выборки. Подвыборки могут быть использованы в различных целях как в процессе моделирования, так и для проверки модели. В любом случае подвы-борки являются зависимыми по отношению к рабочеи выборке. Если исходная рабочая выборка будет содержать искажения репрезентативности, то порождаемые перечисленными методами подвыборки будут иметь аналогичные искажения. При использовании перечисленных методов проверяется только устоичивость модели без проверки ее адекватности исследуе-мои территории.

Метод «складного ножа» ЦАСКШШЕ, джекнайф, поэлементная кросс-валидация) подразумевает систематическии перерасчет нужнои статистики (среднего, медианы, коэффициента корреляции или регрессии и других), удаляя из выборки случаиным образом по одному наблюдению. Можно «выбросить» какую-то часть наблюдении, но обычно процедура продолжается до тех пор, пока не охватит все точки наблюдения. Таким образом, может быть получена несмещенная оценка статистики и ее ошибка.

Процедура джекнаиф носит менее об-щии характер по сравнению с бутстреп-моделированием. Однако джекнаиф проще применять для сложных схем пробо-отбора, таких, например, как многосту-пенчатыи отбор с различными весами. Джекнаиф и бутстреп-моделирование часто приводят к одинаковым результатам. В то же время бутстреп-моделирование может давать немного разные результаты для повторностеи на одних и тех же данных, тогда как джекнаиф дает одинаковый результат каждыи раз (при условии, что подмножества выбираются из однои и тои же выборки). Джекнаиф часто используется ввиду простоты процедуры и возможности наглядного представления результатов в виде графика наблюдаемых и предсказанных значении.

Метод кросс-валидации (перекрестная проверка, метод скользящего контроля, метод наибольшей беспристрастности) подразумевает деление случаиным образом подмножества наблюдении на

обучающую и проверяющую выборку. По обучающей выборке происходит процесс настройки модели, по второй выборке производится ее проверка. Этот процесс повторяется многократно — от 10 до 100 или 1000 раз. Мерои точности прогноза считают среднюю оценку, полученную по результатам оценки каждого значения проверяющеи выборки.

Бутстреп-моделирование — это ста-тистическии метод оценки распределения случаинои величины, когда из исходнои выборки отбираются достаточное число раз подвыборки с заменои (то есть подвы-борки каждыи раз возвращаются в исход-

ную выборку). Чаще всего формируются подвыборки, составляющие 99%, 95% или 90% от исходнои выборки (Мешалкина и др., 2010). В результате такои процедуры получают ошибку или доверительныи интервал для параметров генеральнои совокупности — среднего, медианы, коэффициента корреляции или регрессии. Бут-стреп-моделирование используется для построения и проверки гипотез в случае небольшои исходнои выборки.

Показатели, используемые для проверки точности карт количественных почвенных своиств. Все показатели оценки точности цифровых карт (табл. 1)

Таблица 1. Основные показатели, используемые для оценки точности карт

количественных почвенных своиств

Средняя абсолютная ошибка (англ. Mean Absolute Error, MAE)

МАЕ =

¡=1

Средняя квадратичная ошибка (англ. Mean Squared Error, MSE)

MSE =

i=1

Корень из средней квадратичной ошибки (англ. Root Mean Squared Error, RMSE)

Средняя абсолютная ошибка в процентах (англ. Mean Absolute Percentage Error, MAPE)

МАРЕ = 100x

1 V]Z(si)-Z(si)|

lyi

NA.j

i=1

1ВД1

Коэффициент детерминации

(англ. Amount of Variance Explained, AVE)

AVE = 1-

2f=1(Z(s£)-Z)2

Коэффициент среднеквадратичного отклонения (англ. Mean Squared Deviation Ratio, MSDR)

MSDR =

1 V(Z(S;)-Z(Si))

nAj

i=l

Условные обозначения: е(б.) — разность между предсказанными и наблюдаемыми значениями: ¿(б.) — предсказанное значение; 1(б) — наблюдаемое значение; N — количество точек пробоотбора в анализируемом/валидационном наборе данных; о — дисперсия; z — среднее значение своиства почвы в анализируемом наборе данных

количественных почвенных своиств, в том числе запасов и/или содержания углерода, основаны на анализе «остатков» или «невязок», получаемых как разности e(s.) предсказанных картографическои моделью Z(s.) и наблюдаемых Z(s.) значении в точках (s.), используемых для проверки:

Ф,)= Z(s.) - Z(s.) (2).

Средняя абсолютная ошибка (MAE) и средняя квадратичная ошибка (MSE) показывают точность картографирования и отображают среднии разброс невязок. Они применяются в ситуациях, когда необходимо выявить большие ошибки и выбрать модель, которая дает меньше больших ошибок прогноза. При использовании любои из этих оценок может быть полезно проанализировать, какие объекты вносят наибольшии вклад в общую ошибку — не исключено, что на этих объектах была допущена ошибка при вычислении предикторов или содержания/запасов ПОУ Корень из среднеи квадратичнои ошибки (RMSE) используется чаще, так как имеет одинаковую размерность с исходными данными. Этот показатель очень зависит от наличия больших значении невязок, поэтому часто используют не среднее, а рассчитывают медианное значение MSE и извлекают из него корень. Среднюю абсолютную процентную ошибку (MAPE) можно измерять в долях или процентах.

Например, МАРЕ = 6% означает, что ошибка составила 6% от фактических значении. Основная проблема даннои ошибки — нестабильность.

Коэффициент детерминации ^2), или «эффективность модели», показывает процент объясненнои моделью дисперсии от общеи дисперсии предсказываемои пе-ременнои. Фактически данная мера качества — это нормированная среднеквадратичная ошибка. Если она близка к единице, то модель хорошо объясняет данные, если близка к нулю — прогнозы сопоставимы по качеству с предсказанием только по среднему значению. Коэффициент среднеквадратичного отклонения (MSDR) показывает, насколько модель хорошо предсказывает неопределенность моделирования. В случае, если к остаткам применялся кри-гинг, то неопределенность предсказания будет соответствовать ошибке кригинга.

Анализ используемых предикторов. Анализ работ показал, что пространственные данные о рельефе были одними из наиболее часто используемых предикторов, за которыми следовали переменные, представляющие растительность и климат (рис. 3, Приложение А). Добавление в модели пространственных данных о классификационных единицах почв значительно повышало точность картографирования, однако эти данные использовались в 5.6% исследовательских работ.

Рисунок 3. Процентное соотношение предикторов, рассмотренных в литературном обзоре, в рамках

модели SCORRAN (Приложение Б)

Наиболее информативными в цифровом картографировании содержания и запасов ПОУ являлись следующие предикторы: классификационные единицы почв, среднегодовое количество осадков, NDVI, высота над уровнем моря, уклон, топографическии индекс влажности (Приложение Б, рис. 4, 5).

Классификационные единицы почв

Среднегодовое количество осадков

NDVI

Высота над уровнем моря

Уклон

Топографический индекс влажности

0 2 4 6

Рисунок 4. Наиболее информативные предикторы (Приложение Б)

10

Классификационные единицы почв

Среднегодовое количество осадков

Среднегодовая температура

Отражение в в/с/1*/1\1т

Высота над уровнем моря

Экспозиция

Уклон

Различные кривизны Топографический индекс влажности

15

12

18

27

11

Рисунок 5. Десять наиболее часто используемых предикторов для картографирования содержания и запасов ПОУ

в почвах на основе рассмотренных работ (Приложение Б)

В настоящей работе были изучены опубликованные исследования в зависимости от природнои зоны, основываясь на карте природных зон Д. Олсона и соавторов (Olson et al., 2001) (рис. 6). Для исследовании, охватывающих несколько природных зон одновременно, были учтены все природные зоны, находящиеся в границах исследуемои территории. В зоне широколиственных и смешанных (хвоино-широ-колиственных) лесов умеренного пояса

было проведено наибольшее количество исследовании, далее в порядке убывания следовали зоны: жестколистных лесов и кустарников средиземноморского типа; пустынь, полупустынь и засушливых кустарников; степеи и лесостепеи, саванн и кустарниковых экосистем умеренного пояса (рис. 6). Данное исследование не является исчерпывающим и представленное распределение на графике может измениться по мере добавления новых работ.

20

15

10

6 7 8 9 10 11 12 13 14 15 Природные зоны Земли

Рисунок 6. Распределение исследовании по картографированию содержания/запасов органического почвенного углерода по природным зонам (Olson et al., 2001) на региональном и локальном уровнях. Природные зоны Земли (Olson et al., 2001): 1 — влажные широколиственные леса тропического и субтропического поясов; 2 — переменно влажные широколиственные леса тропического и субтропического поясов; 3 — хвоиные леса тропического и субтропического поясов; 4 — широколиственные и смешанные (хвоино-широколиственные) леса умеренного пояса; 5 — хвоиные леса умеренного пояса (преимущественно в горных экосистемах); 6 — бореальные леса/таига; 7 — степь и лесостепь, саванны, кустарниковые экосистемы тропических и субтропических поясов; 8 — степь и лесостепь, саванны и кустарниковые экосистемы умеренного пояса; 9 — заливные луга и саванны; 10 — горные луга и кустарниковые экосистемы; 11 — тундры; 12 — жестколистные леса и кустарники средиземноморского типа; 13 — пустыни, полупустыни и засушливые кустарники; 14 — мангровые леса; 15 — ледяные полярные пустыни

Анализ географии исследований. Вы-

полненныи обзор современных публикации показал, что цифровое почвенное картографирование на региональном и локальном уровнях является наиболее популярным подходом для картографирования содержания и запасов ПОУ Примеры подобных исследовании можно наити на всех

континентах, за исключением Антарктиды (рис. 7). На территории России выделим региональные и локальные исследования в Воронежскои (Чинилин, Савин, 2018), Брянскои (Гаврилюк и др., 2021) и Новоси-бирскои (Гопп, 2022) областях, Красноярском крае (Шарьш и др., 2018), в Республике Башкортостан ^и1еутапоу et а1., 2021)

Количество исследований, включенных в литературный обзор

• 1-2

# 3-5

2 3 н 4 5

Природные зоны Земли 6 7 8 9 10

11 ■ 12 13 14 15

Рисунок 7. География включенных в обзор исследовании по картографированию содержания/запасов почвенного органического углерода на региональном и локальном уровне. Природные зоны Земли (Olson et al., 2001): 1 — влажные широколиственные леса тропического и субтропического поясов; 2 — переменно влажные широколиственные леса тропического и субтропического поясов; 3 — хвоиные леса тропического и субтропического поясов; 4 — широколиственные и смешанные (хвоино-широколиственные) леса умеренного пояса; 5 — хвоиные леса умеренного пояса (преимущественно в горных экосистемах); 6 — бореальные леса/таига; 7 — степь и лесостепь, саванны, кустарниковые экосистемы тропических и субтропических поясов; 8 — степь и лесостепь, саванны и кустарниковые экосистемы умеренного пояса; 9 — заливные луга и саванны; 10 — горные луга и кустарниковые экосистемы; 11 — тундры; 12 — жестколистные леса и кустарники средиземноморского типа; 13 — пустыни, полупустыни и засушливые кустарники; 14 — мангровые леса; 15 — ледяные полярные пустыни

и в Республике Карелия (Нарыкова, Плотникова, 2022). Следует отметить, что точная количественная оценка, например, запасов ПОУ в почве является проблематич-нои главным образом из-за разреженности точек наблюдения, особенно на больших глубинах, что приводит к большои неопределенности и расхождению результатов у разных авторов в 2-3 раза (Piao et al., 2009; Шарьш и др., 2018).

Публикации первых работ по направлению ЦПК относятся к 1980-м гг. В 2003 г. вышла статья Алекса МакБратни c соавторами «О цифровои почвеннои картографии», в которои были сформулированы основные положения подхода (McBratney et al., 2003). Основными центрами развития этого направления стали Австралия, Голландия, США и Франция (Lagacherie et al., 2007; Hartemink et al., 2008).

В ноябре 2008 г. стартовал глобальныи проект GlobalSoilMap.net (GlobalSoilMap. net., 2008) с целью создания цифровои почвеннои карты мира, основаннои на картограммах отдельных почвенных своиств. Методическое обоснование проекта было опубликовано в журнале Science (Sanchez et al., 2009). Картографируемыми свои ствами почв были заявлены: содержание углерода и гравия, гранулометрическии состав, плотность почвы, запас доступ-нои влаги. Данные своиства должны были оцениваться по шести глубинам (в см): 0-5, 5-15, 15-30, 30-60, 60-100, 100-200 с указанием средних значении и доверительных интервалов. Планировалось вы-

полнить картографирование 80% миро-вои поверхности суши с разрешением 90 м. К настоящему времени проект реализован только для стран Африки.

На глобальном уровне также отметим проект SoilGrids (SoilGrids — global gridded soil information) — систему цифрового картографирования почв, использующую современные методы машинного обучения для отображения пространственного распределения своиств почв (содержания органического углерода, общего азота, фракции гранулометрического состава (песка, глины, крупнозема), рН воднои вытяжки, катионообменнои способности и плотности) по всему земному шару. Картографические модели SoilGrids 2.0 построены на основе более чем 240 000 наблюдении, полученных из Всемирнои службы по-чвеннои информации ISRIC (база данных WoSIS), и глобальных экологических ко-вариат (более 400), описывающих растительность, рельеф, климат, геологию и гидрологию (Poggio et al., 2021). В этои системе глобальные карты своиств почвы с пространственным разрешением 250 м представлены в соответствии со спецификациями рабочеи группы GlobalSoilMap IUSS для шести стандартных интервалов глубины (0-5, 5-15, 15-30, 30-60, 60-100 и 100-200см). Карта запасов ПОУ представлена для почвенного слоя с интервалом глубины 0-30 см.

Также стоит упомянуть о платформе GLOSIS (Global Soil Information System), которая объединяет информацию о почвах,

собранную национальными учреждениями (URL: https://goo.su/V3Jw). В частности, на этой платформе размещена глобальная карта запасов ПОУ в слое 0-30 см под названием GSOCmap v.1.5.0 (FAO and ITP ..., 2018). Растровая карта GSOCmap имеет пространственное разрешение 30 угловых секунд (приблизительно 1 х 1 км). Часть карты, относящаяся к территории России, была построена на основе скорректированнои цифровои версии Почвеннои карты РСФСР масштаба 1 : 2 500 000 и информационнои системы «Почвенно-географическая база данных Россиискои Федерации», в кото-рои по большеи части содержатся результаты исследовании почвенных разрезов, относящихся к 1960-1980-м гг. (Чернова и др., 2021).

Многочисленны исследования по картографированию содержания и запасов ПОУ на территории Европы — континентальная часть (CEF Telecom project, 2018); Нидерланды (Wadoux et al., 2022); Дания (Adhikari et al., 2014); Шотландия, Великобритания (Poggio, Gimona, 2014); Бавария, Германия (Wiesmeier et al., 2014); Бельгия (Meersmans et al., 2008); Франция (Arrouays et al., 2001; Chen et al., 2018; Martin et al., 2011; Meersmans et al., 2012; Mulder et al., 2016); Швеицария (Nussbaum et al., 2014; Zhou et al., 2021); Венгрия (Szatmari et al., 2021); Италия (Fantappie et al., 2011; Francaviglia et al., 2014); Украина (Вяткин и др., 2018). Среди стран Азии картографирование запасов почвенного ОУ наиболее развито в Китае (Wiesmeier et al.,

2011; Zhou et al., 2019; Wang et al., 2021; Gu et al., 2022; Zhu et al., 2022; Guo et al., 2015) и Иране (Taghizadeh-Mehrjardi et al., 2016; Hateffard et al., 2019; Fathizad et al., 2022; Kaya et al., 2022). Также выделим работы на территории Индии (Lo Seen et al., 2010) и Тибета (Yang et al., 2008).

Примерами исследовании на региональном уровне является картографирование запасов ПОУ в разных регионах мира, в частности в отдельных штатах США: Пенсильвания (Kumar et al., 2012), Висконсин (Adhikari et al., 2019), Флорида (Kim, Grunwald, 2016; Keskin et al., 2019), Индиана (Mishra et al., 2009); в Южнои Америке: Чили (Rojas et al., 2018; Padarian et al., 2017), Бразилии (Bonfatti et al., 2016; Gomes et al., 2019) и Колумбии (Rainford et al., 2021); на африканском континенте: ЮАР (Venter et al., 2021) и Мозамбик (Cambule et al., 2014); в Австралии (Gray, Bishop, 2016; Padarian et al., 2019; Somarathna et al., 2016; Wang et al., 2018).

ЗАКЛЮЧЕНИЕ

В рамках выполненного анализа современных методических подходов к картографированию содержания и запасов почвенного органического углерода на различных пространственных уровнях были изучены два подхода: (1) на основе существующих тематических карт и архивных данных, а также (2) цифровое почвенное картографирование, сочетающее

интеллектуальный и пространственный анализ данных. При картографировании содержания и запасов органического углерода в почвах на территории России целесообразно применение обоих подходов. По каждому подходу сформулированы условия применения и необходимые этапы. Так, картографирование на основе тематических карт и архивных данных состоит из двух этапов: подготовка данных и предикторов посредством ГИС; картографирование содержания и запасов ПОУ с учетом типа землепользования и классификаци-оннои принадлежности почвы. Проверка результата носит экспертныи характер и производится специалистами, знающими картографируемую территорию.

Цифровое картографирование выполняется в три этапа: подготовка двух независимых наборов данных (обучающего и валидационного), а также предикторов; моделирование факторно-индикаторных связеи и пространственных зависимостеи с последующеи оценкои качества предсказания. Моделирование факторно-индикаторных связеи выполняется посредством методов машинного обучения, геостатистики и гибридных подходов (RF, BRT, SVM, GLM, MLR, CART, ANN, CNN, RK, OK и другие). При выявлении пространственных зависи-мостеи остатков используют разные виды кригинга. Оценка качества моделирования, то есть насколько картографическая модель соответствует фактическим данным, выполняется с использованием независимого валидационного набора данных,

обозначаемого в цифровои картографии термином «внешняя вероятностная выборка». При использовании кригинга качество моделирования может быть оценено через карту ошибок интерполяции. Устоичивость модели проверяется методами «складного ножа», кросс-валидации и бутстреп-моделирования и отражает, насколько модель хорошо описывает обучающую выборку. Для оценки точности карт количественных признаков используются различные критерии: cредняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE), корень из среднеи квадра-тичнои ошибки (RMSE), средняя абсолютная процентная ошибка (MAPE) и другие.

Для проведения картографирования содержания и запасов ПОУ на локальном и региональном уровнях необходимы обучающая выборка и набор пространственных предикторов, характеризующих факторы почвообразования объекта исследования согласно модели SCORPAN. Такими предикторами являются данные о: растительности — тип растительного покрова, преобладающая порода, категория землепользования; климате — температура воздуха и почвы, количество осадков; рельефе — морфометрические параметры; почвообразующеи породе и почве — генетические типы почвообразующих пород, классификационные единицы почв, химические и физические своиства почв, распространение вечнои мерзлоты; антропогенном влиянии — категория землепользования, вырубки, гари. Кроме дан-

ных, получаемых из архивных источников, в цифровом картографировании используются данные дистанционного зондирования Земли, на основе которых получают различные показатели. Например, для такого фактора почвообразования, как растительность, на основе ДДЗ можно рассчитать не менее 200 показателеи, для рельефа — 40, для климата — 20, для по-чвообразующеи породы — 10.

Таким образом, проведенныи обзор литературных источников позволил выявить особенности основных методических подходов, применяемых для картографирования содержания и запасов органического углерода в почвах практически на всех континентах Земли и разных природных зон. Достигнутый прогресс в области ЦПК остается недостаточным для России в целом, так как число работ по этои теме незначительно и недостаточно освещена в литературе сравнительная оценка результатов картографирования неоднородности почвенных своиств на основе муль-ти- и гиперспектральных снимков, а так-

же цифровых моделеи высот и радарных снимков в разных природных зонах. Поэтому необходимо продолжать исследования в этом направлении и разрабатывать современные методы, которые позволяют в автоматизированном режиме обрабатывать данные дистанционного зондирования Земли, идентифицировать и оценивать разнообразие почв и почвенных своиств.

ФИНАНСИРОВАНИЕ

Работа выполнена в рамках реализации важнеишего инновационного проекта государственного значения «Разработка системы наземного и дистанционного мониторинга пулов углерода и потоков парниковых газов на территории Россиискои Федерации, обеспечение создания системы учета данных о потоках климатически активных веществ и бюджете углерода в лесах и других наземных экологических системах» (рег. № 123030300031-6).

СПИСОК ЛИТЕРАТУРЫ

Алексеев В. А., Бердси Р. А. Углерод в экосистемах лесов и болот России. Красноярск: ВЦ СО РАН, 1994. 226 с.

Вяткин К. В., Залавский Ю. В., Бигун О. Н., Лебедь В. В., Шерстюк А. И., Плиско И. В., Накисько С. Г. Создание национальнои карты запасов органического угле-

рода в почвах Украины с использованием цифровых методов почвенного картографирования // Почвоведение и агрохимия. 2018. № 2. С. 5-17.

Гаврилюк Е. А., Кузнецова А. И., Горнов А. В. Геопространственное моделирование содержания и запасов азота и углерода в леснои подстилке на основе разно-

сезонных спутниковых изображении Sentinel // Почвоведение. 2021. Т. 54. № 2. С. 168-182.

Гопп Н. В. Углерод в почвах Кузнецко-Сала-ирскои геоморфологическои провинции: база данных, цифровое картографирование, геопространственныи анализ // Сборник научных трудов Международнои научнои конференции «Эволюция почв и развитие научных представлении в почвоведении», посвященнои 90-летию со дня рождения Л. М. Бурлаковои. г. Барнаул, 16-21 августа 2022 г. Барнаул: РИО Алтаи ского ГАУ 2022. С. 55-58.

Захаров С. А. Курс почвоведения. М.-Л.: Госиздат, 1927. 440 с.

Инишева Л. И., Сергеева М. А., Смирнова О. Н. Депонирование и эмиссия углерода болотами Западнои Сибири // Науч-ныи диалог. Естествознание и экология. 2012. № 7. С. 61-74.

Карта почвенно-географического раио-нирования. М: 1:15 000 000 // Нацио-нальныи атлас почв Россиискои Федерации. Под ред. Г. В. Добровольского, И. С. Урусевскои, И. О. Алябинои. М.: Астрель: АСТ, 2011. С. 196-201.

Карта растительности СССР. Масштаб 1:4 000 000. М.: ГУГК, 1990.

Когут Б. М., Фрид А. С. Сравнительная оценка методов определения содержания гумуса в почвах // Почвоведение. 1993. № 9. С. 119-123.

Мешалкина Ю. Л., Васенев И. И., Кузяко-ва И. Ф., Романенков В. А. Геоинформационные системы в почвоведении и экологии. Интерактивныи курс. М.: РГАУ-МСХА, 2010. 95 с.

Нарыкова А. Н., Плотникова А. С. Подготовка предикторов для моделирования климаторегулирующих экосистемных услуг лесов на региональном уровне с помощью Google Earth Engine // Материалы Всероссиискои научнои конференции с международным участием, посвященнои 30-летию ЦЭПЛ РАН «Научные основы устоичивого управления лесами». Москва, 25-29 апреля 2022 г. С. 182-184.

Пастухов А. В., Каверин Д. А. Запасы почвенного углерода в тундровых и таежных экосистемах Северо-Восточнои Европы // Почвоведение. 2013. № 9. С. 1084-1094.

Пастухов А. В., Каверин Д. А., Щанов В. М. Построение региональных цифровых тематических карт (на примере карты запасов углерода в почвах бассеи-на р. Уса) // Почвоведение. 2016. № 9. С. 1042-1051.

Почвенная карта РСФСР. Масштаб 1:2 500 000 / Под ред. В. М. Фридлан-да. М.: ГУГУК, 1988 (Скорректированная цифровая версия, 2007).

Руководящие принципы национальных инвентаризации парниковых газов МГЭИК / Под ред. Х. С. Игглестон,

Л. Буэндиа, К. Мива, Т. Нгара, К. Танабе. Т. 4. Сельское хозяйство, лесное хозяйство и другие виды землепользования. Япония, ИГЕС, 2006. URL: https:// goo.su/bZ5Vk5q (дата обращения 15.02.2023).

Рыжова И. М., Подвезенная М. А. Запасы гумуса в автономных почвах природных экосистем Восточно-Европеи-скои равнины и их чувствительность к изменениям параметров круговорота углерода // Почвоведение. 2003. № 9. С. 1043-1049.

Самсонова В. П., Мешалкина Ю. Л. Количе-ственныи метод сравнения почвенных карт и картограмм // Вестник Московского университета. Серия 17. Почвоведение. 2011. № 3. C. 3-5.

ФАО. Стандартная рабочая методика для органического углерода почвы. Спектрофотометрическии метод Тюрина. 2021. 26 с. URL: https://goo.su/ cvVhzWh (дата обращения 15.02.2023).

Флоринский И. В. Гипотеза Докучаева как основа цифрового прогнозного почвенного картографирования (к 125-летию публикации) // Почвоведение. 2012. № 4. C. 500-506.

Флоринский И. В. Иллюстрированное введение в геоморфометрию // Электронное научное издание Альманах Пространство и Время. 2016. Т. 11. № 1. С. 1-20.

Чернова О. В., Голозубов О. М, Алябина И. О., Щепащенко Д. Г Комплексныи подход к картографическои оценке запа-

сов органического углерода в почвах России // Почвоведение. 2021. № 3. С. 273-286.

Чернова О. В., Рыжова И. М., Подвезенная М. А. Опыт региональнои оценки изменении запасов углерода в почвах южнои таиги и лесостепи за истори-ческии период // Почвоведение. 2016. № 8. С. 1013-1028.

Чернова О. В., Рыжова И. М., Подвезенная М. А. Оценка запасов органического углерода лесных почв в региональном масштабе // Почвоведение. 2020. № 3. С. 340-350.

Честных О. В., Замолодчиков Д. Г. Зависимость плотности почвенных горизонтов от глубины их залегания и содержания гумуса // Почвоведение. 2004. № 8. С. 937-944.

Чинилин А. В., Савин И. Ю. Крупномасштабное цифровое картографирование содержания органического углерода почв с помощью методов машинного обучения // Бюллетень Почвенного института им. В. В. Докучаева. 2018. Вып. 91. С. 46-62.

Шамрикова Е. В., Ванчикова Е. В., Кондратё-нок Б. М., Лаптева Е. М., Кострова С. Н. Проблемы и ограничения дихромато-метрического метода измерения содержания почвенного органического вещества (обзор) // Почвоведение. 2022. № 7. С. 787-794.

Шарый П. А. Геоморфометрия в науках о Земле и экологии, обзор методов и приложении // Известия Самарско-

го научного центра РАН. 2006. Т. 8. № 2. С. 458-473.

Шарый П. А., Шарая Л. С., Пастухов А. В., Каверин Д. А. Пространственное распределение органического углерода в почвах Восточно-Европеискои тундры и лесотундры в зависимости от климата и рельефа // Известия РАН. Серия географическая. 2018. № 6. С. 39-48.

Шепелев А. Г. Геоинформационное картографирование почвенного углерода на примере Центральнои Якутии // Вестник науки и образования. 2022. № 9. С. 38-44.

Щепащенко Д. Г., Мухортова Л. В., Шви-денко А. З., Ведрова Э. Ф. Запасы органического углерода в почвах России // Почвоведение. 2013. № 2. С. 123-132.

Adhikari K., Hartemink A. E., Minasny B., Kheir R. B., Greve M. B., Greve M. H. Digital mapping of soil organic carbon contents and stocks in Denmark // PLoS ONE. 2014. Vol. 9. No 8. Article: e105519.

Adhikari K., Owens P., Libohova Z., Miller D., Wills S., Nemecek J. Assessing soil organic carbon stock of Wisconsin, USA and its fate under future land use and climate change // Science of The Total Environment. 2019. Vol. 667. P. 833-845.

Agus F., Hairiah K., Mulyani A. Measuring carbon stock in peat soils: practical guidelines. Bogor, Indonesia: World Agrofor-estry Centre (ICRAF) Southeast Asia Regional Program, Indonesian Centre for Agricultural Land Resources Research and Development, 2011. 60 p.

Arrouays D., Deslais W., Badeau V. The carbon content of topsoil and its geographical distribution in France // Soil Use and Management. 2001. Vol. 17. Issue 1. P. 7-11.

Bonfatti B. R., Hartemink A. E., Giasson E., Torn-quist C. G., Adhikari K. Digital mapping of soil carbon in a viticultural region of Southern Brazil // Geoderma. 2016. Vol. 261. P. 204-221.

Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. No 1. P. 5-32.

Cambule A. H., Rossiter D. G., Stoorvogel J. J., Smaling E. M. A. Soil organic carbon stocks in the Limpopo National Park, Mozambique: amount, spatial distribution and uncertainty // Geoderma. 2014. Vol. 213. P. 46-56.

CEF Telecom project 2018-EU-IA-0095: "Geo-harmonizer: EU-wide automated mapping system for harmonization of Open Data based on FOSS4G and Machine". URL: https://ecodatacube.eu/ (дата обращения 25.02.2023).

Chen S., Martin M. P., Saby N. P. A., Walter C., Angers D. A., Arrouays D. Fine resolution map of top- and subsoil carbon sequestration potential in France // Science of The Total Environment. 2018. Vol. 630. P. 389-400.

Duarte E., Zagal E., Barrera J., Dube F., Casco F., Hernandez A. Digital mapping of soil organic carbon stocks in the forest lands of Dominican Republic // European journal of remote sensing. 2022. Vol. 55. No 1. P. 213-231.

Ellili Y., Walter Ch., MichotD., Pichelin P., Lemer-cier B. Mapping soil organic carbon stock change by soil monitoring and digital soil mapping at the landscape scale // Geo-derma. 2019. Vol. 351. P. 1-8.

Fantappie M., LAbate G., Costantini E. The influence of climate change on the soil organic carbon content in Italy from 1961 to 2008 // Geomorphology. 2011. Vol. 135. Issues 3-4. P. 343-352.

FAO and ITPS. Global Soil Organic Carbon Map (GSOCmap) Technical Report, 2018. Rome. 162 pp.

Fathizad H., Taghizadeh-Mehrjardi R., Hakim-zadeh Ardakani M. A., Zeraatpisheh M. Heung B., Scholten T. Spatiotemporal Assessment of Soil Organic Carbon Change Using Machine-Learning in Arid Regions // Agronomy. 2022. Vol. 12. Issue 3. Article: 628.

Francaviglia R., Renzi G., Rivieccio R., Mar-chetti A., Piccini C. Spatial analysis and prediction of soil organic carbon in Friuli Venezia Giulia region (Northern Italy) // Geoinformatic and Geostatistic: An Overview. 2014. Vol. 2. Issue 3. P. 1-8.

GlobalSoilMap.net, 2008, URL: https://www. isric.org/projects/globalsoilmapnet (дата обращения 03.02.2023).

Gomes L., Faria R., de Souza E., Veloso G., Schaefer C., Fernandes Filho E. Modelling and mapping soil organic carbon stocks in Brazil // Geoderma. 2019. Vol. 340. P. 337-350.

Google Earth Engine. 2017. URL: https: //earthengine.google.com/ (дата обращения 03.02.2023).

Gorelick N., Hancher M., Dixon M., Ilyushch-enko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. 2017. Vol. 202. P. 18-27.

Gray J. M., Bishop T. F. A. Change in soil organic carbon stocks under 12 climate change projections over New South Wales, Australia // Soil Science Society of America Journal. 2016. Vol. 80. P. 12961307.

Gu J., Bol R., Sun Y., Zhang H. Soil carbon quantity and form are controlled predominantly by mean annual temperature along 4000 km North-South transect of Eastern China // Catena. 2022. Vol. 217. Article: 106498.

Guo P.-T., Li M.-F., Luo W., Tang Q.-F., Liu Z.-W., Lin Z.-M. Digital mapping of soil organic matter for rubber plantation at regional scale: An application of random forest plus residuals kriging approach // Geo-derma. 2015. Vol. 237-238. P. 49-59.

Hartemink A., McBratney A. B., Mendonca L. Digital soil mapping with limited data. Montpellier: Springer-Verlag, 2008. P. 3-181.

Hateffard F., Dolati P., Heidari A., Zolfaghari A. Assessing the performance of decision tree and neural network models in mapping soil properties // Journal of Mountain Science. 2019. Vol. 16. Issue. 8. P. 1833-1847.

Hugelius G., Strauss J., Zubrzycki S., Harden J. W., Schuur E. A. G., Ping C.-L., Schirrmeister L., Grosse G., Michaelson G. J., Koven C. D., O'Donnell J. A., Elberling B., Mishra U., Camill P., Yu Z., Palmtag J., Kuhry P. Esti-

mated stocks of circumpolar permafrost carbon with quantified uncertainty ranges and identified data gaps // Biogeosci-ence. 2014. Vol. 11. P. 6573-6593.

Jenny H. Factors of Soil Formation. A System of Quantitative Pedology. New York: McGraw Hill, 1941. 281 p.

Jiang J., Zhu A. X., Qin C. Z., Zhu T., Liu J., Du F., Liu J., Zhang Y. An CyberSoLIM: A cyber platform for digital soil mapping // Geo-derma. 2016. Vol. 263. Р. 234-243.

Kaya F., Keshavarzi A., Francaviglia R., Kaplan G., Basayigit L., Dedeoglu M. Assessing Machine Learning-Based Prediction under Different Agricultural Practices for Digital Mapping of Soil Organic Carbon and Available Phosphorus // Agriculture. 2022. Vol. 12. Issue 7. Article: 1062.

Keskin H., Grunwald S., Harris W. Digital mapping of soil carbon fractions with machine learning // Geoderma. 2019. Vol. 339. P. 40-58.

Kim J., Grunwald S. Assessment of carbon stocks in the topsoil using Random Forest and remote sensing images // Journal of Environmental Quality. 2016. Vol. 45. P. 1910-1918.

Kumar S., Lal R., Liu D. A geographically weighted regression kriging approach for mapping soil organic carbon stock // Geoderma. 2012. Vol. 189. P. 627-634.

Lagacherie P., McBratney A. B., Voltz M. Digital Soil Mapping. An Introductory Perspective // Developments in Soil Science. 2007. Vol. 31. P. 3-22.

Lo Seen D., Ramesh B. R., Nair K. M., Martin M., Arrouays D., Bourgeon G. Soil carbon stocks, deforestation and landcover changes in the Western Ghats biodiversity hotspot (India) // Global Change Biology. 2010. Vol. 16. Issue 6. P. 1777-1792.

Martin M., Wattenbach M., Smith P., Meers-mans J., Jolivet C., Boulonne L., Arrouays D. Spatial distribution of soil organic carbon stocks in France // Biogeosciences. 2011. Vol. 8. Issue 5. P. 1053-1065.

McBratney A. B., Mendoca Santos M. L., Mi-nasny B. On digital soil mapping // Geo-derma. 2003. Vol. 117. Issues 1-2. P. 3-52.

Meersmans J., De Ridder F., Canters F., De Baets S., Van Molle M. A multiple regression approach to assess the spatial distribution of Soil Organic Carbon (SOC) at the regional scale (Flanders, Belgium) // Geoderma. 2008. Vol. 143. P. 1-13.

Meersmans J., Martin M., Lacarce E., De Baets S., Jolivet C., Boulonne L., Lehmann S., Saby N., Bispo A., Arrouays D. A high resolution map of French soil organic carbon // Agronomy for Sustainable Development. 2012. Vol. 32. No. 4. P. 841-851.

Minasny B, Mcbratney A. Chapter 12 Latin Hy-percube Sampling as a Tool for Digital Soil Mapping. // Developments in Soil Science. 2006. Vol. 31. P. 153-165.

Mishra U., Lal R., Liu D., Van Meirvenne M. Predicting the spatial variation of the soil organic carbon pool at a regional scale. // Soil Science Society of America Journal. 2010. Vol. 74. P. 906-914.

Mishra U., Lal R., Slater B., Calhoun F., Liu D. S., Van Meirvenne M. Predicting Soil Organic Carbon Stock Using Profile Depth Distribution Functions and Ordinary Kriging // Soil Science Society of America Journal. 2009. Vol. 73. Issue 2. P. 614-621.

Mulder V. L., Lacoste M., Richer-de-Forges A. C., Martin M. P., Arrouays D. National versus global modelling the 3D distribution of soil organic carbon in mainland France // Geoderma. 2016. Vol. 263. P.16-34.

Nussbaum M., Papritz A., Baltensweiler A., Walthert L. Estimating soil organic carbon stocks of Swiss forest soils by robust external-drift kriging // Geoscientific Model Development Discussions. 2014. Vol. 7. P. 1197-1210.

Olson D. M., Dinerstein E., Wikramanayake E. D., Burgess N. D., Powell G. V. N., Underwood E. C., DAmico J. A., Itoua I., Strand H. E., Morrison J. C., Loucks C. J., Allnutt T. F., Ricketts T. H., Kura Y., Lamoreux J. F., Wettengel W. W., Hedao P., Kas-sem K. R Terrestrial ecoregions of the world: a new map of life on Earth // Bioscience. 2001. Vol. 51. Issue 11. P. 933938.

Padarian J., Minasny B., McBratney A. Using deep learning to predict soil properties from regional spectral data // Geoderma Regional. 2019. Vol. 16. Article: e00198.

Padarian J., Minasny B., McBratney A. B. Chile and the Chilean soil grid: a contribution to GlobalSoilMap // Geoderma Regional. 2017. Vol. 9. P. 17-28.

Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M.,

Prettenhofer P., Weiss R., Dubourg V., Van-derplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay E. Scikitlearn: Machine learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825-2830.

Piao S. L., Fang J., Ciais P., Peylin P., Huang Y., Sitch S., Wang T. The carbon balance of terrestrial ecosystems in China // Nature. 2009. Vol. 458. P. 1009-1013.

Poggio L., de Sousa L., Batjes N., Heuvelink G., Kempen B., Ribeiro E., Rossiter D. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty // Soil. 2021. Vol. 7. Issue 1. P. 217-240.

Poggio L., Gimona A. National scale 3D modelling of soil organic carbon stocks with uncertainty propagation — An example from Scotland // Geoderma. 2014. Vol. 232-234. Issue 1. P. 284-299.

Rainford S., Martin-Lopez J. M., Da Silva M. Approximating Soil Organic Carbon Stock in the Eastern Plains of Colombia // Frontiers in Environmental Science. 2021. Vol. 9. Article: 685819.

Rojas R, Adhikari K., Ventura S. J. Projecting soil organic carbon distribution in Central Chile under future climate scenarios // Journal of Environmental Quality. 2018. Vol. 47. P. 735-745.

Rossiter D. G. Assessing the thematic accuracy of area-class soil maps. Enschede, Holland: Soil Science Division, 2001. 46 p.

Sanchez P. A., Ahamed S., Carré F., Harte-mink A. E., Hempel J., Huising J., Lagach-erie P., McBratney A. B., McKenzie N. J.,

Mendonça-Santos M. L., Minasny B., Mon-tanarella L., Okoth P., Palm C. A., Sachs J. D., Shepher K. D., Vagen T.-G., Vanlauwe B., Walsh M. G., Winowiecki L. A., Zhang G.-L. Digital Soil Map of the World // Science. 2009. Vol. 325. No 5941. P. 680-681.

Shamrikova E. V., Kondratenok B. M., Tumano-va E. A., Vanchikova E. V., Lapteva E. M., Zo-nova T. V., Lu-Lyan-Min E. I., Davydova A. P., Libohova Z., Suvannang N. Transferability between soil organic matter measurement methods for database harmonization // Geoderma. 2022. Vol. 412. Article: 115547.

Shaw C. F. Potent factors in soil formation // Ecology. 1930. Vol. 11. № 2. P. 239-245.

Soil organic carbon mapping cookbook. Rome: FAO, 2018. 205 с.

SoilGrids — global gridded soil information. URL: https://goo.su/W7IJFT (дата обращения 15.02.2023).

Somarathna P. D. S. N., Malone B. P., Minasny B. Mapping soil organic carbon content over New South Wales, Australia using local regression kriging // Geoderma Regional. 2016. Vol. 7. Issue 1. P. 38-48.

Suleymanov A., Abakumov E., Suleymanov R., Gabbasova I., Komissarov M. The Soil Nutrient Digital Mapping for Precision Agriculture Cases in the Trans-Ural Steppe Zone of Russia Using Topographic Attributes // ISPRS International Journal of Geo-Information. 2021. Vol. 10. Issue 4. Article: 243.

Szatmari G., Pasztor L., Heuvelink G. B. M. Estimating soil organic carbon stock change

at multiple scales using machine learning and multivariate geostatistics // Geoder-ma. 2021. Vol. 403. Article: 115356.

Taghizadeh-Mehrjardi R., Nabiollahi K., Kerry R. Digital mapping of soil organic carbon at multiple depths using different data mining techniques in Baneh region, Iran // Geoderma. 2016. Vol. 266. P. 98-110.

The SoLIM Project. 2004. URL: https://goo. su/Bblpp (дата обращения 03.02.2023).

Todd-Brown K. E. O., Randerson J. T., Post W. M., Hoffman F. M., Tarnocai C., Schuur E. A. G., Allison S. D. Causes of variation in soil carbon simulations from CMIP5 Earth system models and comparison with observations // Biogeosciences. 2013. Vol. 10. Issue 3. P. 1717-1736.

Vapnik V. N. Statistical learning theory. New York: John Wiley and Sons, 1998. 768 p.

Venter Z., Hawkins H., Cramer M., Mills A. Mapping soil organic carbon stocks and trends with satellite-driven high-resolution maps over South Africa // Science of The Total Environment. 2021. Vol. 771, Article: 145384.

Wadoux A. M. J. C., Walvoort D. J. J., Brus D. J. An integrated approach for the evaluation of quantitative soil maps through Taylor and solar diagrams // Geoderma. 2022. Vol. 405. Article: 115332.

Walkley A., Black I. A. An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method // Soil science. 1934. Vol. 37. Issue 1. P. 29-38.

Wang B., Waters C., Orgill S., Gray J., Cowie A., Clark A., Liu D. High resolution mapping of soil organic carbon stocks using remote sensing variables in the semi-arid rangelands of eastern Australia // Science of The Total Environment. 2018. Vol. 630. P. 367-378.

Wang S., Xu L., Zhuang Q., He N. Investigating the spatio-temporal variability of soil organic carbon stocks in different ecosystems of China // Science of the Total Environment. 2021. Vol. 758. Article: 143644.

Wang S., Zhuang Q., Yang Z., Yu N., Jin X. Tem-poral and spatial changes of soil organic carbon stocks in the forest area of northeastern China // Forests. 2019. Vol. 10. Issue 11. Article: 1023.

Wiesmeier M., Barthold F., Blank B., Kogel-Knabner I. Digital mapping of soil organic matter stocks using Random Forest modeling in a semi-arid steppe ecosystem // Plant Soil. 2011. Vol. 340. P. 7-24.

Wiesmeier M., Barthold F., Sporlein P., Geufe U., Hangen E., Reischl A., Schilling B., Angst G., von Lutzow M., Kogel-Knabner I. Estimation of total organic carbon storage and its driving factors in soils of Bavaria (southeast Germany) // Geoderma Regional. 2014. Vol. 1. P. 67-78.

Yang Y. H., Fang J. Y., Tang Y. H., Ji C. J., Zheng C. Y., He J. S., Zhu B. A. Storage, patterns and controls of soil organic carbon in the Tibetan grasslands // Global Change Biology. 2008. Vol. 14. P. 1592-1599.

Zhang Z., Zhang H., Xu E. Enhancing the digital mapping accuracy of farmland soil organic carbon in arid areas using agri-

cultural land use history // Journal of Cleaner Production. 2022. Vol. 334. Article: 130232.

Zhou T., Geng Y., Ji Ch., Xuc 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 Land-sat-8 images // Science of the Total Environment. 2021. Vol. 755. Article: 142661.

Zhou Y., Hartemink A. E., Shi Z., Liang Z., Lu Y. Land use and climate change effects on soil organic carbon in North and Northeast China // Science of The Total Environment. 2019. Vol. 647. P. 1230-1238.

Zhu X., Junxiu Li, Cheng H., Zheng L., Huang W., Yan Y., Liu H., Yang X. Assessing the impacts of ecological governance on carbon storage in an urban coal mining subsidence area // Ecological Informatics. 2022. Vol. 72. Article: 101901.

REFERENCES

Adhikari K., Hartemink A. E., Minasny B., Kheir R. B., Greve M. B., Greve M. H., Digital mapping of soil organic carbon contents and stocks in Denmark, PLoS ONE, 2014, Vol. 9, No 8, Article: e105519.

Adhikari K., Owens P., Libohova Z., Miller D., Wills S., Nemecek J., Assessing soil organic carbon stock of Wisconsin, USA and its fate under future land use and climate change, Science of The Total Environment, 2019, Vol. 667, pp. 833-845.

Agus F., Hairiah K., Mulyani A., Measuring carbon stock in peat soils: practical guidelines. Bogor, Indonesia: World Agroforestry Centre (ICRAF) Southeast Asia Regional Program, Indonesian Centre for Agricultural Land Resources Research and Development, 2011, 60 p.

Alekseev V. A., Berdsi R. A., Uglerod v ekosis-temah lesov i bolot Rossii (Carbon storage in forests and peatlands of Russia), Krasnoyarsk: VC SO RAN, 1994, 226 p.

Arrouays D., Deslais W., Badeau V., The carbon content of topsoil and its geographical distribution in France, Soil Use and Management, 2001, Vol. 17, Issue 1, pp. 7-11.

Bonfatti B. R., Hartemink A. E., Giasson E., Tornquist C. G., Adhikari K., Digital mapping of soil carbon in a viticultural region of Southern Brazil, Geoderma, 2016, Vol. 261, pp. 204-221.

Breiman L. Random Forests, Machine Learning, 2001, Vol. 45, No 1, pp. 5-32.

Cambule A. H., Rossiter D. G., Stoorvogel J. J., Smaling E. M. A., Soil organic carbon stocks in the Limpopo National Park, Mozambique: amount, spatial distribution and uncertainty, Geoderma, 2014, Vol. 213, pp. 46-56.

CEF Telecom project 2018-EU-IA-0095: "Geo-harmonizer: EU-wide automated mapping system for harmonization of Open Data based on FOSS4G and Machine", available at: URL: https://ecodatacube. eu/ (February 25, 2023).

Chen S., Martin M. P., Saby N. P. A., Walter C., Angers D. A., Arrouays D., Fine resolu-

tion map of top- and subsoil carbon sequestration potential in France, Science of The Total Environment, 2018, Vol. 630, pp. 389-400.

Chernova O. V., Golozubov O. M, Aljabina I. O., Schepaschenko D. G., Kompleksnyj pod-hod k kartograficheskoj ocenke zapasov organicheskogo ugleroda v pochvah Rossii (Integrated approach to spatial assessment of soil organic carbon in Russian Federation), Eurasian Soil Science, 2021, No 3, pp. 273-286.

Chernova O. V., Ryzhova I. M., Podvezen-naja M. A., Ocenka zapasov organicheskogo ugleroda lesnyh pochv v regional'nom masshtabe (Assessment of organic carbon stocks in forest soils on a regional scale), Eurasian Soil Science, 2020, No 3, pp. 340-350.

Chernova O. V., Ryzhova I. M., Podvezen-naja M. A., Opyt regional'noj ocenki izme-nenij zapasov ugleroda v pochvah juzh-noj tajgi i lesostepi za istoricheskij period (An experience in regional estimates of changes in soil carbon pools of the southern taiga and forest-steppe during the historical period), Eurasian Soil Science, 2016, No 8, pp. 1013-1028.

Chestnyh O. V., Zamolodchikov D. G., Zavisi-most' plotnosti pochvennyh gorizontov ot glubiny ih zaleganija i soderzhanija gumusa (Bulk density of soil horizons as dependent on their humus conten), Eurasian Soil Science, 2004, No 8, pp. 937-944.

Chinilin A. V., Savin I. Ju., Krupnomasshtab-noe cifrovoe kartografirovanie soder-

zhanija organicheskogo ugleroda pochv s pomoshh'ju metodov mashinnogo obu-chenija (The large scale digital mapping of soil organic carbon using machine learning algorithms), Bjulleten' Pochven-nogo instituta im. V. V. Dokuchaeva, 2018, Vol. 91, pp. 46-62.

Dobrovol'skij G. V., Urusevskaya I. S., Alya-bina I. O., Karta pochvenno-geografich-eskogo rajonirovaniya (Map of soil-geographical zoning), In: Nacional'nyj atlas pochv Rossijskoj Federacii (National Soil Atlas of Russia), Moscow, 2011, pp. 196-201.

Duarte E., Zagal E., Barrera J., Dube F., Casco F., Hernandez A., Digital mapping of soil organic carbon stocks in the forest lands of Dominican Republic, European journal of remote sensing, 2022, Vol. 55, No 1, pp. 213-231.

Ellili Y., Walter Ch., Michot D., Pichelin P., Lemercier B., Mapping soil organic carbon stock change by soil monitoring and digital soil mapping at the landscape scale, Geoderma, 2019, Vol. 351, pp. 1-8.

Fantappie M., L'Abate G., Costantini E., The influence of climate change on the soil organic carbon content in Italy from 1961 to 2008, Geomorphology, 2011, Vol. 135, Issues 3-4, pp. 343-352.

FAO and ITPS, Global Soil Organic Carbon Map (GSOCmap) Technical Report, 2018. Rome. 162 p.

FAO, Standartnaja rabochaja metodika dlja organicheskogo ugleroda pochvy. Spektro-fotometricheskii metod Tjurina (Standard operating procedure for soil organic

carbon. The Tyurin spectrophotometric method), 2021, 26 p., available at: URL: https://goo.su/cvVhzWh (February 15, 2023).

Fathizad H., Taghizadeh-Mehrjardi R., Hakim-zadeh Ardakani M. A., Zeraatpisheh M. Heung B., Scholten T., Spatiotemporal Assessment of Soil Organic Carbon Change Using Machine-Learning in Arid Regions, Agronomy, 2022, Vol. 12, Issue 3, No 628.

Florinskij I. V., Gipoteza Dokuchaeva kak os-nova cifrovogo prognoznogo pochvenno-go kartografirovanija (k 125-letiju pub-likacii) (The Dokuchaev hypothesis as a basis for predictive digital soil mapping (on the 125th anniversary of its publication)), Eurasian Soil Science, 2012, No 4, pp. 500-506.

Florinskij I. V., Illjustrirovannoe vvedenie v geo-morfometriju (An illustrated introduction to geomorphometry), Jelektronnoe nauchnoe izdanie Al'manah Prostranstvo i Vremja, 2016, Vol. 11, No 1, pp. 1-20.

Francaviglia R., Renzi G., Rivieccio R., Mar-chetti A., Piccini C., Spatial analysis and prediction of soil organic carbon in Friuli Venezia Giulia region (Northern Italy), Geoinformatic and Geostatistic: An Overview, 2014, Vol. 2, Issue 3, pp. 1-8.

Gavrilyuk E. A., Kuznecova A. I., Gornov A. V., Geo-prostranstvennoe modelirovanie soder-zhaniya i zapasov azota i ugleroda v le-snoj podstilke na osnove raznosezonnyh sputnikovyh izobrazhenij Sentinel (Geo-spatial Modeling of Nitrogen and Carbon Content and Stock in the Forest Soil Or-

ganic Horizon Based on Sentinel-2 Multi-Seasonal Satellite Imagery), Eurasian Soil Science, 2021, Vol. 54, No 2, pp. 168-182.

GlobalSoilMap.net, 2008, available at: URL: https://www.isric.org/projects/ globalsoilmapnet (Februaty 03, 2023).

Gomes L., Faria R., de Souza E., Veloso G., Schaefer C., Fernandes Filho E., Modelling and mapping soil organic carbon stocks in Brazil, Geoderma, 2019, Vol. 340, pp. 337-350.

Google Earth Engine, 2017, available at: URL: https://earthengine.google.com/ (February 03, 2023).

Gopp N. V., Uglerod v pochvah Kuznecko-Salairskoj geomorfologicheskoj provincii: baza dannyh, cifrovoe kartografirovanie, geoprostranstvennyj analiz (Carbon in the soils of the Kuznetsk-Salair geomor-phological province: database, digital mapping, geospatial analysis), Sbornik nauchnyh trudov Mezhdunarodnoj nauch-noj konferencii "Evolyuciya pochv i razvi-tie nauchnyh predstavlenij v pochvovede-nii", posvyashchennoj 90-letiyu so dnya rozhdeniya L. M. Burlakovoj (Sourcebook of the International scientific conference dedicated to the 90th anniversary of the birth of L. M. Burlakova), Barnaul, 2022, pp. 55-58.

Gorelick N., Hancher M., Dixon M., Ilyushchen-ko S., Thau D., Moore R., Google Earth Engine: Planetary-scale geospatial analysis for everyone, Remote Sensing of Environment, 2017, Vol. 202, pp. 18-27.

Gray J. M., Bishop T. F. A., Change in soil organic carbon stocks under 12 climate change

projections over New South Wales, Australia, Soil Science Society of America Journal, 2016, Vol. 80, pp. 1296-1307.

Gu J., Bol R., Sun Y., Zhang H., Soil carbon quantity and form are controlled predominantly by mean annual temperature along 4000 km North-South transect of Eastern China, Catena, 2022, Vol. 217. Article: 106498.

Guo P.-T., Li M.-F., Luo W., Tang Q.-F., Liu Z.-W., Lin Z.-M., Digital mapping of soil organic matter for rubber plantation at regional scale: An application of random forest plus residuals kriging approach, Geoderma, 2015, Vol. 237-238, pp. 49-59.

Hartemink A., McBratney A. B., Mendonca L., Digital soil mapping with limited data. Montpellier: Springer-Verlag, 2008, pp. 3-181.

Hateffard F., Dolati P., Heidari A., Zolfaghari A., Assessing the performance of decision tree and neural network models in mapping soil properties, Journal of Mountain Science, 2019, Vol. 16, Issue 8, pp. 18331847.

Hugelius G., Strauss J., Zubrzycki S., Harden J. W., Schuur E. A. G., Ping C.-L., Schirrmeister L., Grosse G., Michaelson G. J., Koven C. D., O'Donnell J. A., Elberling B., Mishra U., Camill P., Yu Z., Palmtag J., Kuhry P., Estimated stocks of circumpolar permafrost carbon with quantified uncertainty ranges and identified data gaps, Biogeoscience, 2014, Vol. 11, pp. 6573-6593.

Inisheva L. I., Sergeeva M. A., Smirnova O. N., De-ponirovanie i emissiya ugleroda bolotami Zapadnoj Sibiri (Deposition and emission

of carbon by Western Siberian Mires), Nauchnyj dialog, 2012, No 7, pp. 61-74.

Jenny H., Factors of Soil Formation. A System of Quantitative Pedology, New York: McGraw Hill, 1941, 281 p.

Jiang J., Zhu A.X., Qin C.Z., Zhu T., Liu J., Du F., Liu J., Zhang Y., An CyberSoLIM: A cyber platform for digital soil mapping, Geoderma, 2016, Vol. 263, pp. 234-243.

Karta rastitel'nosti SSSR Masshtab 1:4 000 000 (Vegetation map of the USSR, Scale 1:4 000 000), Moscow: GUGK, 1990.

Kaya F., Keshavarzi A., Francaviglia R., Kaplan G., Basayigit L., Dedeoglu M., Assessing Machine Learning-Based Prediction under Different Agricultural Practices for Digital Mapping of Soil Organic Carbon and Available Phosphorus, Agriculture, 2022, Vol. 12, Issue 7, Article: 1062.

Keskin H., Grunwald S., Harris W., Digital mapping of soil carbon fractions with machine learning, Geoderma, 2019, Vol. 339, pp. 40-58.

Kim J., Grunwald S., Assessment of carbon stocks in the topsoil using Random Forest and remote sensing images, Journal of Environmental Quality, 2016, Vol. 45, pp. 1910-1918.

Kogut B. M., Frid A. S., Sravnitel'naya ocenka metodov opredeleniya soderzhaniya gu-musa v pochvah (Comparative evaluation of methods for determining humus content in soils), Eurasian Soil Science, 1993, No 9, pp. 119-123.

Kumar S., Lal R., Liu D., A geographically weighted regression kriging approach for

mapping soil organic carbon stock, Geoderma, 2012, Vol. 189, pp. 627-634.

Lagacherie P., McBratney A.B., Voltz M., Digital Soil Mapping. An Introductory Perspective, Developments in Soil Science, 2007, Vol. 31, pp. 3-22.

Lo Seen D., Ramesh B. R., Nair K. M., Martin M., Arrouays D., Bourgeon G., Soil carbon stocks, deforestation and landcover changes in the Western Ghats biodiversity hotspot (India), Global Change Biology, 2010, Vol. 16, Issue 6, pp. 1777-1792.

Martin M., Wattenbach M., Smith P., Meers-mans J., Jolivet C., Boulonne L., Arrouays D., Spatial distribution of soil organic carbon stocks in France, Biogeosciences, 2011, Vol. 8, Issue 5, pp. 1053-1065.

McBratney A. B., Mendoca Santos M. L., Minas-ny B., On digital soil mapping, Geoderma, 2003, Vol. 117, Issues 1-2, pp. 3-52.

Meersmans J., De Ridder F., Canters F., De Ba-ets S., Van Molle M., A multiple regression approach to assess the spatial distribution of Soil Organic Carbon (SOC) at the regional scale (Flanders, Belgium), Geoderma, 2008, Vol. 143, pp. 1-13.

Meersmans J., Martin M., Lacarce E., De Ba-ets S., Jolivet C., Boulonne L., Lehmann S., Saby N., Bispo A., Arrouays D., A high resolution map of French soil organic carbon, Agronomy for Sustainable Development, 2012, Vol. 32, No 4, pp. 841-851.

Meshalkina Yu. L., Vasenev I. I., Kuzyakova I. F., Romanenkov V. A., Geoinformacionnye sis-temy v pochvovedenii i ekologii. Interak-tivnyj kurs (Geoinformation systems in

soil science and ecology. Interactive course), Moscow: RGAU-MSKHA, 2010, 95 p.

Minasny B., Mcbratney A., Chapter 12 Latin Hypercube Sampling as a Tool for Digital Soil Mapping, Developments in Soil Science, 2006, Vol. 31, pp. 153-165.

Mishra U., Lal R., Liu D., Van Meirvenne M., Predicting the spatial variation of the soil organic carbon pool at a regional scale, Soil Science Society of America Journal, 2010, Vol. 74, pp. 906-914.

Mishra U., Lal R., Slater B., Calhoun F., Liu D. S., Van Meirvenne M., Predicting Soil Organic Carbon Stock Using Profile Depth Distribution Functions and Ordinary Kriging, Soil Science Society of America Journal, 2009, Vol. 73, Issue 2, pp. 614-621.

Mulder V. L., Lacoste M., Richer-de-Forges A. C., Martin M. P., Arrouays D., National versus global modelling the 3D distribution of soil organic carbon in mainland France, Geoderma, 2016, Vol. 263, pp.16-34.

Narykova A. N., Plotnikova A. S., Podgotovka prediktorov dlya modelirovaniya kli-matoreguliruyushch ih ekosistemnyh uslug lesov na regional'nom urovne s pomoshch'yu Google Earth Engine (Preparation predictors for modeling climate-regulating forest ecosystem services at the regional level using Google Earth Engine), Vserossijskoya nauchnaya kon-ferenciya s mezhdunarodnym uchastiem, posvyashchennoj 30-letiyu CEPL RAN "Nauchnye osnovy ustojchivogo upravleni-ya lesami" (All-Russian scientific conference with international participation

"Scientific foundations of sustainable forest management", dedicated to the 30th anniversary of the CEPL RAS), Moscow: CEPF RAS, 2022, pp. 182-194.

Nussbaum M., Papritz A., Baltensweiler A., Walthert L., Estimating soil organic carbon stocks of Swiss forest soils by robust external-drift kriging, Geoscientific Model Development Discussions, 2014, Vol. 7, pp. 1197-1210.

Olson D. M., Dinerstein E., Wikramanayake E. D., Burgess N. D., Powell G. V. N., Underwood E. C., DAmico J. A., Itoua I., Strand H. E., Morrison J. C., Loucks C. J., Allnutt T F., Ricketts T. H., Kura Y, Lamoreux J. F., Wettengel W. W., Hedao P., Kas-sem K. R., Terrestrial ecoregions of the world: a new map of life on Earth, Bioscience, 2001, Vol. 51, Issue 11, pp. 933-938.

Padarian J., Minasny B., McBratney A. Using deep learning to predict soil properties from regional spectral data, Geoderma Regional, 2019, Vol. 16. Article: e00198.

Padarian J., Minasny B., McBratney A. B. Chile and the Chilean soil grid: a contribution to GlobalSoilMap, Geoderma Regional, 2017, Vol. 9, pp. 17-28.

Pastuhov A. V., Kaverin D. A., Postroenie regional'nyh cifrovyh tematicheskih kart (na primere karty zapasov ugleroda v pochvah bassejna r. Usa) (Construction of regional digital thematic maps (on the example of a map of carbon stocks in soils of the Usa river basin)), Eurasian Soil Science, 2016, No 9, pp. 1042-1051.

Pastuhov A. V., Kaverin D. A., Zapasy pochven-nogo ugleroda v tundrovyh i taezhnyh ekosistemah Severo-Vostochnoj Evropy

(Soil carbon stocks in the tundra and taiga ecosystems of northeastern Europe), Eurasian Soil Science, 2013, No 9, pp. 1084-1094.

Pedregosa F., Varoquaux G., Gramfort A., Michel V, Thirion B., Grisel O., Blondel M., Pretten-hofer P., Weiss R., Dubourg V., Vanderp-las J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay E. Scikitlearn: Machine learning in Python, Journal of Machine Learning Research, 2011, Vol. 12, pp. 2825-2830.

Piao S. L., Fang J., Ciais P., Peylin P., Huang Y., Sitch S., Wang T., The carbon balance of terrestrial ecosystems in China, Nature, 2009, Vol. 458, pp. 1009-1013.

Pochvennaya karta RSFSR. Masshtab 1:2 500 000 (Soil map of the RSFSR, Scale 1:2 500 000, V. M. Friedland (ed.), Moscow: GUGUK, 1998 (Corrected digital version, 2007).

Poggio L., de Sousa L., Batjes N., Heuvelink G., Kempen B., Ribeiro E., Rossiter D., Soil-Grids 2.0: producing soil information for the globe with quantified spatial uncertainty, SOIL, 2021, Vol. 7, Issue 1, pp. 217240.

Poggio L., Gimona A., National scale 3D modelling of soil organic carbon stocks with uncertainty propagation — An example from Scotland, Geoderma, 2014, Vol. 232234, Issue 1, pp. 284-299.

Rainford S., Martin-Lopez J. M., Da Silva M., Approximating Soil Organic Carbon Stock in the Eastern Plains of Colombia, Frontiers

in Environmental Science, 2021, Vol. 9. Article: 685819.

Rojas R., Adhikari K., Ventura S. J., Projecting soil organic carbon distribution in Central Chile under future climate scenarios, Journal of Environmental Quality, 2018, Vol. 47, pp. 735-745.

Rossiter D. G., Assessing the thematic accuracy of area-class soil maps, Enschede, Holland: Soil Science Division, 2001, 46 p.

Rukovodjashhie principy nacional'nyh inven-tarizacij parnikovyh gazov MGJelK (IPCC Guidelines for National Greenhouse Gas Inventories, Vol. 4: Sel'skoe hozja-jstvo, lesnoe hozjajstvo i drugie vidy zemlepol'zovanija (Agriculture, forestry and other types of land use.), Japan, IGES, 2006, available at: URL: https://goo.su/ bZ5Vk5q (February 15, 2023).

Ryzhova I. M., Podvezennaja M. A., Zapasy gu-musa v avtonomnyh pochvah prirodnyh jekosistem Vostochno-Evropejskoj ravn-iny i ih chuvstvitel'nost' k izmenenijam parametrov krugovorota ugleroda (Humus reserves in autonomous soils of native ecosystems in the East European plain and their sensitivity to changes in carbon cycle parameters), Eurasian Soil Science, 2003, No 9, pp. 1043-1049.

Samsonova V. P., Meshalkina J. L., Kolichest-vennyj metod sravnenija pochvennyh kart i kartogramm (Quantitative method of soil maps and cartograms comparison), Vestnik Moskovskogo universiteta. Serija 1 Pochvovedenie, 2011, No 3, pp. 3-5.

Sanchez P. A., Ahamed S., Carré F., Harte-mink A. E., Hempel J., Huising J., Lagach-erie P., McBratney A. B., McKenzie N. J., Mendonça-Santos M. L., Minasny B., Mon-tanarella L., Okoth P., Palm C. A., Sachs J. D., Shepher K. D., Vagen T.-G., Vanlauwe B., Walsh M. G., Winowiecki L. A., Zhang G.-L., Digital Soil Map of the World, Science, 2009, Vol. 325, No 5941, pp. 680-681.

Schepaschenko D. G., Muhortova L. V., Shvi-denko A. Z., Vedrova Je. F., Zapasy or-ganicheskogo ugleroda v pochvah Rossii (The Pool of Organic Carbon in the Soils of Russia), Eurasian Soil Science, 2013, Vol. 46, No 2, pp. 107-116.

Shamrikova E. V., Kondratenok B. M., Tu-manova E. A., Vanchikova E. V., Lapte-va E. M., Zonova T. V., Lu-Lyan-Min E. I., Davydova A. P., Libohova Z., Suvannang N., Transferability between soil organic matter measurement methods for database harmonization, Geoderma, 2022, Vol. 412, Article: 115547.

Shamrikova E. V., Vanchikova E. V., Kondrat-jonok B. M., Lapteva E. M., Kostrova S. N., Problemy i ogranichenija dihromatomet-richeskogo metoda izmerenija soder-zhanija pochvennogo organicheskogo veshhestva (obzor) (Approaches and methods for studying soil organic matter (review), Eurasian Soil Science, 2022, No 7. pp. 787-794.

Sharyj P. A., Geomorfometrija v naukah o Zemle i jekologii, obzor metodov i priloz-henij (Geomorphometry in Earth scien-cies and ecology, an overview of methods

and applications), Izvestija Samarskogo nauchnogo centra RAN, 2006, Vol. 8, No 2, pp. 458-473.

Sharyj P. A., Sharaja L. S., Pastuhov A. V., Ka-verin D. A., Prostranstvennoe raspredele-nie organicheskogo ugleroda v pochvah Vostochno-Evropejskoj tundry i leso-tundry v zavisimosti ot klimata i rel'efa (Spatial Distribution of Organic Carbon in Soils of Eastern European Tundra and Forest-Tundra Depending on Climate and Topography), Izvestiya Rossiiskoi Akademii Nauk. Seriya Geograficheskaya, 2018, No 6, pp. 39-48.

Shaw C. F., Potent factors in soil formation, Ecology, 1930, Vol. 11, No 2, pp. 239-245.

Shepelev A. G., Geoinformacionnoe kartogra-firovanie pochvennogo ugleroda na prim-ere (Geoinformation mapping of soil carbon on the example of Central Yakutia), Vestnik nauki i obrazovanija, 2022, No 9, pp. 38-44.

Soil organic carbon mapping cookbook, Rome: FAO, 2018, 205 p.

SoilGrids — global gridded soil information, available at: URL: https://www.isric.org/ explore/soilgrid (February 15, 2023).

Somarathna P. D. S. N., Malone B. P., Minasny B., Mapping soil organic carbon content over New South Wales, Australia using local regression kriging, Geoderma Regional, 2016, Vol. 7, Issue 1, pp. 38-48.

Suleymanov A., Abakumov E., Suleymanov R., Gabbasova I., Komissarov M., The Soil Nutrient Digital Mapping for Precision Agriculture Cases in the Trans-Ural Steppe

Zone of Russia Using Topographic Attributes, ISPRS International Journal of Geo-Information, 2021, Vol. 10, Issue 4, Article: 243.

Szatmari G., Pasztor L., Heuvelink G. B. M., Estimating soil organic carbon stock change at multiple scales using machine learning and multivariate geostatistics, Geoderma, 2021, Vol. 403, Article: 115356.

Taghizadeh-Mehrjardi R., Nabiollahi K., Kerry R., Digital mapping of soil organic carbon at multiple depths using different data mining techniques in Baneh region, Iran, Geoderma, 2016, Vol. 266, pp. 98-110.

The SoLIM Project, 2004, available at: URL: https://goo.su/Bblpp (February 03, 2023).

Todd-Brown K. E. O., Randerson J. T., Post W. M., Hoffman F. M., Tarnocai C., Schuur E. A. G., Allison S. D., Causes of variation in soil carbon simulations from CMIP5 Earth system models and comparison with observations, Biogeosciences, 2013, Vol. 10, Issue 3, pp. 1717-1736.

Vapnik V. N., Statistical learning theory, New York: John Wiley and Sons, 1998, 768 p.

Venter Z., Hawkins H., Cramer M., Mills A., Mapping soil organic carbon stocks and trends with satellite-driven high resolution maps over South Africa, Science of The Total Environment, 2021, Vol. 771, Article: 145384.

Viatkin K., Zalavskyi Yu., Bihun О., Leb-ed V., Sherstiuk O., Plisko I., Nakisko S., Sozdanie nacional'noj karty zapasov organicheskogo ugleroda v pochvah

Ukrainy s ispol'zovaniem cifrovyh me-todov pochvennogo kartografirovaniya (Creation of the Ukrainian National soil organic carbon stocks map using digital soil mapping methods), Soil Science and Agrochemistry, 2018, Vol. 2, pp. 5-17.

Wadoux A. M. J. C., Walvoort D. J. J., Brus D. J., An integrated approach for the evaluation of quantitative soil maps through Taylor and solar diagrams, Geoderma, 2022, Vol. 405, Article: 115332.

Walkley A., Black I. A., An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method, Soil science, 1934, Vol. 37, Issue 1, pp. 29-38.

Wang B., Waters C., Orgill S., Gray J., Cowie A., Clark A., Liu D., High resolution mapping of soil organic carbon stocks using remote sensing variables in the semi-arid rangelands of eastern Australia, Science of The Total Environment, 2018, Vol. 630, pp. 367-378.

Wang S., Xu L., Zhuang Q., He N., Investigating the spatio-temporal variability of soil organic carbon stocks in different ecosystems of China, Science of the Total Environment, 2021, Vol. 758, Article: 143644.

Wang S., Zhuang Q., Yang Z., Yu N., Jin X., Temporal and spatial changes of soil organic carbon stocks in the forest area of northeastern China, Forests, 2019, Vol. 10, Issue 11, Article: 1023.

Wiesmeier M., Barthold F., Blank B., Kogel-Knabner I., Digital mapping of soil organic matter stocks using Random Forest

modeling in a semi-arid steppe ecosystem, Plant Soil, 2011, Vol. 340, pp. 7-24.

Wiesmeier M., Barthold F., Sporlein P., Geufe U., Hangen E., Reischl A., Schilling B., Angst G., von Lutzow M., Kogel-Knabner I., Estimation of total organic carbon storage and its driving factors in soils of Bavaria (southeast Germany), Geoderma Regional, 2014, Vol. 1, pp. 67-78.

Yang Y. H., Fang J. Y., Tang Y. H., Ji C. J., Zheng C. Y., He J. S., Zhu B. A., Storage, patterns and controls of soil organic carbon in the Tibetan grasslands, Global Change Biology, 2008, Vol. 14, pp. 1592-1599.

Zaharov S. A., Kurs pochvovedeniya (Soil science course), M.-L.: Gosizdat, 1927, 440 p.

Zhang Z., Zhang H., Xu E., Enhancing the digital mapping accuracy of farmland soil organic carbon in arid areas using agricultural land use history, Journal of Cleaner Production, 2022, Vol. 334, Article: 130232.

Zhou T., Geng Y., Ji Ch., Xuc 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, Science of the Total Environment, 2021, Vol. 755, Article: 142661.

Zhou Y., Hartemink A.E., Shi Z., Liang Z., Lu Y., Land use and climate change effects on soil organic carbon in North and Northeast China, Science of The Total Environment, 2019, Vol. 647, pp. 1230-1238.

Zhu X., Junxiu Li, Cheng H., Zheng L., Huang W., Yan Y., Liu H., Yang X., Assessing the impacts of ecological governance on carbon storage in an urban coal mining subsidence area, Ecological Informatics, 2022, Vol. 72, Article: 101901.

MAPPING OF SOIL ORGANIC CARBON CONTENT AND STOCK AT THE REGIONAL AND LOCAL LEVELS: THE ANALYSIS OF MODERN METHODOLOGICAL

APPROACHES

N. V. Gopp1 J. L. Meshalkina2, A. N. Narykova3, A. S. Plotnikova3, O. V. Chernova4

1 Institute of Soil Science and Agrochemistry of the Siberian Branch of the Russian Academy of Sciences pr. Akademika Lavrentieva 8/2, Novosibirsk, 630099, Russian Federation

2 Lomonosov Moscow State University Leninskie Gory 1 bldg. 12, Moscow, 119234, Russian Federation

3 Center for Forest Ecology and Productivity of the Russian Academy of Sciences Profsoyuznaya st. 84/32 bldg. 14, Moscow, 117997, Russian Federation

4A. N. Severtsov Institute of Ecology and Evolution Leninskii pr. 33, Moscow, 119071, Russian Federation

E-mail: gopp@issa-siberia.ru

Received 04.02.2023 Revised: 18.03.2023 Accepted: 20.03.2023

This paper provides an overview of scientific publications in Russia and other countries devoted to the soil organic carbon (SOC) content and stocks mapping at regional and local levels. The analysis showed that the cartographic assessment of the SOC content and stocks was conducted using various approaches that the choice depends on the multiple factors: the size of the territory (continental, national, regional, local levels); the cartographic basis availability (maps of soil types, of landscapes, of vegetation formations, remote sensing data, etc.) and laboratory and field surveys data. Two main approaches were generally used for SOC content and stocks mapping: (1) based on available thematic maps; (2) digital soil mapping. The review also provides the analysis of all spatial predictors that were used in collected papers in concordance with the SCORPAN model widely used in digital soil mapping. Spatial terrain data was one of the most commonly used predictors, followed by the vegetation and climate variables. The accuracy of predictive maps significantly increased by using soil maps. The reviewed studies showed that climate variables had a significant impact on the spatial variation of the SOC content and stocks at the regional level, while at the local level the influence of climatic variables was less significant. The analysis showed that the most common methods used in digital mapping were machine learning algorithms. Random Forest method often showed the best results. Results were cross-validated almost in all studies. Tests of the map's accuracy using an external independent validation dataset were rare, although this was the most important stage of digital soil mapping. R was the most popular software, that was used for modeling the SOC content and stocks. SAGA GIS, QGIS, ArcGIS, and cloud platform Google Earth Engine (GEE) were most commonly used to prepare predictors.

Key words: digital soil mapping, soil predictors, machine learning, Random Forest, Regression Kriging, Support Vector Machine, cross-validation, bootstrap, Gradient Boosting, monitoring

Рецензент: д. б. н. Щепащенко Д. Г.

О 3

5 с3

« <5

§ Ь

05 '

Р S?

Приложение А

Современные методические подходы к картографированию содержания/запасов ПОУ на региональном и локальном уровнях

о

13

cog го с

ж

о ^

а: а

о

"О £

о

05 о

"О

ж о

05 о

Природная зона (Olson et al., 2001), рис. 6

Территория исследования

Типы землепользования / растительности

Содер-

жание/

Про- запасы

стран- ОУ/ Как

ственное полу-

разре- чена

шение / плот-

масштаб ность

(С1/С1У/

ПТФ)

Почвенный

горизонт

и/или

глубина

Обучающая выборка/ размер БД (число точек наблюдений)

Почвенная карта / Предикторы на основе модели SCORPAN

Использованные методы

Валида-ция карты / Оценки точности модели

Программное обеспечение

Ссылка на публикацию

Со О

"о о

п ^

сч п =с

0

1

Nj CS Nj CjO

H

P^

TS

n

0" So

S

TS

Nj CS

Подход I — Картографирование на основе почвенных карт

6,11

Россия,

республика Коми

Все типы растительности

1:25 000 30 м

ЗПОУ

0-2 м

200

БД WRB, 2006; Landsat ЕТМ+ и QuickBird; Топографические и карты четвертичных отложений

Метод автоматической управляемой классификации (Supervised Classification]. Нахождение среднего арифметического значения

Валидация по литературным данным

ERDAS Imagine и ArcGIS

Пастухов, Каверин, 2013

00

4,8

Россия,

Московская, Ростовская и Белгородская области

Земли с/х использования 3-х областей (МО, РО и БО]

1:300000

ЗПОУ

dv, ПТФ

0-30 см

ПГБД РФ 2000

Почвенная

карта

РСФСР

(1:2 500 000]; Почвенная карта Крыма (1:2 500 000]; среднемасштаб-ные почвенные карты МО, БО, РО;

ПГБД РФ

1. Расчет ЗПОУ на основании данных государственных Центров агрохимической службы (содержание гумуса в почвах и плотность почв]

2. Наложение на мелкомасштабные растровые карты ЗПОУ в почвах областей

Не проводилась

ArcGIS

Чернова и др., 2021

О 3

5 с3

« <5

§ Ь

05 '

Р S?

cog го с

"а ж о

05 О

ж о

ЕС о

"О £

о

05 О

Природная зона (Olson et al., 2001), рис. 6 Территория исследования Типы землепользования / растительности Пространственное разрешение / масштаб Содержание/ запасы ОУ/ Как получена плотность (С1/С1У/ ПТФ) Почвенный горизонт и/или глубина Обучающая выборка/ размер БД (число точек наблюдений) Почвенная карта / Предикторы на основе модели 5С01«^Ш Использованные методы Валида-ция карты / Оценки точности модели Программное обеспечение Ссылка на публикацию

11 Россия, Республика Коми Все типы землепользования 30 м ЗПОУ 0-2.5 м 152 ЦМР ЭСТМ; топографическая карта (1: 100 000]; почвенная карта (1:25 000]; карта растительности на основе Ьапс1за^7; почвенная карта ключевых участков Создание карты растительности по данным Ьапс1за^7, выявление связей между типами растительности и почвами с учетом ландшафтных факторов и ЦМР, составление почвенной карты. Составление тематической карты ЗПОУ: добавление БД почвенных профилей к каждой группе почв с вычисленными средними значениями углерода Оценка точности управляемой классификации на основе матрицы совпадений и коэффициента Каппа-статистики Классификация снимков в ERDAS Imagine, ArcGIS Пастухов и др., 2016

6,11 Россия, Центральная Якутия Все типы землепользования Ландшафтный комплекс ЗПОУ 0-0,2 м; 0-1 м; 0-2 м; 0-3 м; 0-4 м ИС5С0 - Лабораторный анализ запасов углерода и многокомпонентный анализ на основе ГИС стандартное отклонение. QGIS Шепелев, 2022

Подход II- Цифровое почвенное картографирование

РОССИЯ

4,8 Россия, Воронежская область Тестовые участки на с/х землях [СХП] 30 м, Юм СПОУ Пахотный горизонт почв 22 0, R 19 предикторов RF, XGBoost, BART Метод перекрестной проверки R2, МАЕ, RMSE Обработка спутниковых данных: QGIS. Подготовка предикторов: Saga GIS Чини-лин, Савин, 2018

о тз

Со о

"о о

п ^

сч п а:

0

1

Nj CS Nj CjO

н

p^

n

0" So

Nj CS

О 3

5 с3

« <5

§ Ь

05 '

Р S?

çag го с

"а ï о

05 О

Ï о

а

о

"О £ S

о

05 О

сл

Природная зона (Olson et al., 2001), рис. 6 Территория исследования Типы землепользования / растительности Пространственное разрешение / масштаб Содержание/ запасы ОУ/ Как получена плотность (С1/С1У/ ПТФ) Почвенный горизонт и/или глубина Обучающая выборка/ размер БД (число точек наблюдений) Почвенная карта / Предикторы на основе модели SCORPAN Использованные методы Валида-ция карты / Оценки точности модели Программное обеспечение Ссылка на публикацию

4 Россия, Брянская область, ЗП «Брянский лес» Все типы растительности Юм СПОУ, ЗПОУ Лесная подстилка (подгори-зонты Ь, ГН) 33 14 предикторов RF Информативность переменных: MDA Р2, РМ5Е Подготовка предикторов: Saga GIS Моделирование: R, пакеты «caret», «ranger» Гаври-люк и др., 2021

11 Россия, Республика Коми Естественные ландшафты 300 м СПОУ, ЗПОУ с!у, ПТФ 150 5, С, Я 5 предикторов Нелинейная множественная регрессия Гистограмма стандартного отклонения Аналитическая ГНС Эко, версия 1.08г. Шарый и др., 2018

8,4 Россия, Республика Башкортостан Антропогенно преобразованные угодья 30 м СПОУ 0-10 см 76 Я 17 предикторов MLR, SVM Р2, РМ5Е R Suley-manov et al., 2021

8 Россия, Новосибирская область Естественные и антропогенно преобразованные угодья 30 м СПОУ 0-30 см 263 Я 1 предиктор OK, RK Р2, РМ5Е Surfer, SAGA GIS Гопп, 2022

ЕВРОПА

Европа: 4, 5, 6, 8, 12 Австралия: 4, 8,12, 13 Европа, Австралия: Новый Южный Уэльс и Северная Виктория Европа: все типы землепользования Австралия: с/х угодья - СПОУ Европа: 0-30 см Австралия: 0-1 м Европа: набор данных LUCAS — 19 036 Австралия: 72 S CNN, PLS, Cubist Данные LUCAS: 50% — обучение, 25% — валидация, 25% —тестирование. Данные на Австралию: 75% — обучение, 25% — валидация RMSE, R2, МЕ CNN: Python v3.6.2, Keras V2.1.2 и Tensorflow vl.4.1 Cubist и PLS: R v3.3.1, пакеты Cubist vO.2.1 и pis V2.6-0 Pa darían et al., 2019

О 13

Со

о

"о о

п ^

сч п а:

0

1

Nj Ci Nj CjO

H

P^ ?

TS

n

0"

So ?

TS

Nj es

Ссылка на публикацию Ellii et al., 2019 Martin et al., 2011 Meers-mans et al., 2012 Szat-mari et al., 2021 Fant-appie et al., 2011 Fran-caviglia et al., 2014

Программное обеспечение C£ R, пакет «gbm» Картографирование в Агс^ 9.3. Валидация модели в R v2.9.0 i R R, ArcGis

Валида-ция карты / Оценки точности модели Оценка неопределенности в каждой точке, R2, RMSE K-кратная перекрестная валида-ция MPE, SDPE, RMSPE, R2 RMSE 10-кратная перекрестная валида-ция ME, RMSE, LCCC E, on § ^ Rs , e ™ ~ 4-» C£ .M ME, RMSE, RMNSE

Использованные методы MLR, RK, RF BRT MLR, AIC, AICc KC ь о S С£ 8 J i ^ MR RK

Почвенная карта / Предикторы на основе модели SCORPAN O, R, P 17 предикторов S, C, O S, C, O S, C, O, R, P 26 предикторов S, C, O, R, P O, R, P 10 предикторов

Обучающая выборка/ размер БД (число точек наблюдений) ЧО RMQS 2158 RMQS 2158 SIMS 1236 17 817 8 5 2

Почвенный горизонт и/или глубина 0-45 см: 0-7.5 см, 7.5-15 см, 15-30 см, и 30-45 см 0-30 см 0-30 см 0-30 см 0-50 см 0-20 см

Содержание/ запасы ОУ/ Как получена плотность Р^У/ ПТФ) ЗПОУ dv измерена ЗПОУ dv измерена СПОУ ЗПОУ dv измерена в 1992 г. СПОУ СПОУ

Про-стран-ственное разрешение / масштаб s 0 5 12 км 250 м 100 м 100 м s 0 3

Типы зем-леполь-зования / растительности Естественные и антропогенно преобразованные угодья 3 модели: 1. лесные экосистемы; 2. возделываемые земли, 3. все типы землепользования Все типы землепользования Построены две модели Все типы землепользования Построены две модели: 1992, 2010 гг. Все типы землепользования Все типы землепользования

Территория исследования Франция Франция Франция Венгрия Италия Италия, С-В часть

Природная зона (Olson et al., 2001), рис. 6 4, 12 4, 12 4, 12 4 4, 12, 5 4, 12, 5

« а

3 с® и 2 ч и I о

г г

а

и о о ш щ

ЕЯи

ш 15 Я

Ш Г

, ня£

а и Я ^ЗЯоЧ

ч« Я Я ч

я & ° ° §

СОЯ' Н 2

я ч

» «и м & св # о _

I * * ш *

И н ..

а *

^ — я о

Осе Я и и С« чои

52 2

п со п о -р — —

Й 2

Л со

л ^

О I-н УЗ

и м- О ^ О СВ ш

оЭ\оаМчяч

я

Ш

И _

у в

С я

н

я св

° я *

я § \о а® ^

о ч

и я е

Л я>

Л Я

Ш я

О 3

и я

_ а

ЛСВ „

св Ь« Ь н тза, с>4 Я О " -^Е

соОС:тСЯ'—'С

ш О I я

■ 3 ®

о св ш

Сн н

и и

^ СВ

I Ш н

£

3 | |

аЭ г

г

Ш

со

С Я Е-

Л Я

01

о й

5 я л « ш Я

« Я

я

СВ

п о л ч

1 чО

¡3

¡5 15 о «3

>& 0 оо *■> 0 ®

С & со ш см &

<и СМ

ад о

С СМ

£

> 03

С С

о Е-

а „

ж <

ч . .

ш (0

а о

—

3 о

У я.

к М ч 03 си СЛ Ч

а ^

Ж си

Ж И

03 03 1-

Ш Ж п

а ОЙ

си к ж си

„ ЕТ „

О \о о со о см

«

к и

03

:

м

сл

Ой и

ЁЙ со

«

ч ч

к и ^

4 Е-н и

<и х, X

о

5 СО н

А а^ о

см ^ч см

к о

и

си

си

О о

03 ^ ^

О! и о

оз см

о

см

I

о

о

о

н ч

си 2

и 5

СО со

>я

СВ

н я ¡£

о" го

ГО

^Ч 1Л

с см

03 03 см

■С.М О

N т см

. 1/3

сз 3

£ й

к < :

ш щ

а О ю -

с аг аа:

а Е- с

к си о

® Кт)

03 03 с

Я с чд

О Ой

-Ц £ I

КОЗ

и оп

к и а о ю

к ч

03 Щ

си I

к I

X чР

щ ^ „

ЕГ О 03

^ го ч

«

к и

м

1-й ОЙ

ш о а о Ем

и- С

о

см

I

о

о

о

го

ж

я 1 т ,—^

4+ Ж 03

я л 03 Ж

С1) ж Ы Ж п,

со : : ^

X ж ж ш н И

а О! о п ^

и 03 ч н И

«

к и ж

гз =Ж

Ю ™ ° &

о Ж

С и

4-» С^

си ^ч м о С см

> 03

03

ад

03 —

сл >

ш о

О Е-

Н И

о ж

^ ч.. о

5 ® я и И'

а О и —-

сл ^ ч

« Ш Ю

:

Ж си Ж И 03 03

С Ж аСЙ

и и , и и -3

см

2 Ой

ЁЙ со

Щ

о а о Е-

и ж

ей 4

^ си

с^4 л

. ж ^

о 1Л

О^ N Н О^

о* ю о ^

н сч м ю

о

го I

о

о с

го

«

ч .

Ч I*

о °

К о^

о

с1 « с ^

=я" ж « и ж & Ж ж Я Ж ж ■Сто

с

3

см см о см

° 3

■2 .с

X N 03

03 Щ

о и а

03

ж ж

< и

ш о а о Е-

и ж

:

^ си ^ Ср О с - см и Т-Ч

О Ч <и^

Ч Ж ^ 03

си 03

ш ш я ^

. , § §

р^ о 3 3

О п М Я ®

2 ° Ж Ж ж

С О Ч 03 03

ГО ж ю со Ч

о

го

:ж о И

:ж

^со

Ч и Ю

О ^ :ж

Ср а 03

и о >< т

:ж

I о

£ 3

к ж

т 3 о <. СХ н Ж к

О 3

5 с3

« <5

§ Ь

05 '

Р S?

çag го с

"а ï о

05 О

Ï о

а:

о

"О £ S

о

05 О

00

Природная зона (Olson et al., 2001), рис. 6 Территория исследования Типы землепользования / растительности Пространственное разрешение / масштаб Содержание/ запасы ОУ/ Как получена плотность (с1/С1У/ ПТФ) Почвенный горизонт и/или глубина Обучающая выборка/ размер БД (число точек наблюдений) Почвенная карта / Предикторы на основе модели Использованные методы Валида-ция карты / Оценки точности модели Программное обеспечение Ссылка на публикацию

1 Китай, остров Хай-нань Все типы землепользования 90 м СПОУ 0-20 см 2511 С, 0, Я, Р, N 21 предиктор RFRK, SLR, RF Из выборки: 70% — обучение, 30% — вали-дация МЕ, МАЕ, РМ5Е, И2 - Guo et al., 2015

13 Иран Все типы землепользования 30 м СПОУ 0-20 см 201 0 37 предикторов RF, SVRANN Р2, РМ5Е R Fathi-zad et al„ 2022

13 Иран, С-В часть Все типы землепользования 30 м СПОУ 0-20 см 288 5, С, 0, Я, Р 30 предикторов RF, Cubist, RK NRMSE R Kaya et al„ 2022

13 Иран, провинция Альборз Все типы землепользования 30 м СПОУ 0-30 см 362 Я 0,11 ANN, DT (CART) Из выборки: 70% — обучение, 15% — тестирование 15% — вали-дация Р2, РМ5Е, коэфф. корреляции Пирсона Подготовка предикторов: ERDAS IMAGINE, SAGA, ArcGIS 9.3 Моделирование: MATLAB, команды «RegTree», «nftool» Hatef-fard et al., 2019

13 Иран, провинция Курдистан Все типы землепользования 30 м ЗПОУ 0-1 м: 0-15 см и 15-30 см; 30-60 см и 60-100 см 188 0,11 18 предикторов ANN, SVR, RF, метод к-средних 5-кратная перекрестная валида-ция ЯМ5Е, ЬССС - Taghi-zadeh-Mehr-jardi et al., 2016

О 13

Со

о

"о о

п ^

сч п а:

0

1

Nj Ci Nj CjO

H

P^ ?

TS

n

0"

So ?

TS

Nj es

О 3

5 с3

« <5

§ Ь

05 '

го с

Жз ж о

05 О

ж о

а

о жз £

о

05 О

40

Природная зона (Olson et al., 2001), рис. 6 Территория исследования Типы землепользования / растительности Пространственное разрешение / масштаб Содержание/ запасы ОУ/ Как получена плотность (с1/с1у/ ПТФ) Почвенный горизонт и/или глубина Обучающая выборка/ размер БД (число точек наблюдений) Почвенная карта / Предикторы на основе модели SCORPAN Использованные методы Валида-ция карты / Оценки точности модели Программное обеспечение Ссылка на публикацию

СЕВЕРНАЯ АМЕРИКА

4 США, штат Пенсильвания Все типы землепользования 30 м ЗПОУ с!у, ПТФ из ИС55 0-100 см 878 0, R 12 предикторов GWRK, RK Из выборки: 80% — обучение, 20% — валидация МЕЕ, МАЕЕ, RMSE Анализ предикторов: GWR software. Регрессионный анализ: SAS, Подготовка предикторов: Surfer 9 Kumar et al., 2012

4 США, штат Висконсин Лесные экосистемы; с/х; пастбища и прерии; водно-болотные угодья 90 м ЗПОУ с!У, ПТФ из ИС55 иЯаСА 0-30 см 280 S, С, 0, R, Р Cubist Из выборки: 75% — обучение; 25% — валидация R2, RMSE, ME - Adhi-kari et al., 2019

5,9 США, штат Флорида Естественные угодья Юм 30 м 250 м 2000 м ЗПОУ (1 определена в лабораторных условиях 0-10 см 10-20 см 108 0, R, Р 62 предиктора RF R2, RMSE Leave-one-out cross-validation R Kim, Grun-wald, 2016

5,9 США, штат Флорида Все типы землепользования 30 м ЗПОУ с1у измерена 0-20 см SSURG0 1014 S, С, 0, R, Р 53 предиктора Выбор предикторов: Во ruta Моделирование: MLR, CART, RF, SVM, BoRT, BaRT, OK, RK Из выборки: 70% — обучение; 30% — валидация R2, RMSD, RPD, RPIQ R 3.2.0, пакеты «rpart», «ip- red», «gbm», «gstat», «random- Forest», «kernlab», «pis» Keskin et al., 2019

О 13

Со

о

Чэ

о

<ч>

(ч п а:

0

1

с ^

CjO Н Р^

IS

п

О"

So

IS

С

О 3

5 с3

« <5

§ Ь

05 '

го с

Жз ж о

05 О

ж о

а

о жз £

о

05 О

сл о

Природная зона (Olson et al., 2001), рис. 6 Территория исследования Типы землепользования / растительности Пространственное разрешение / масштаб Содержание/ запасы ОУ/ Как получена плотность (С1/С1У/ ПТФ) Почвенный горизонт и/или глубина Обучающая выборка/ размер БД (число точек наблюдений) Почвенная карта / Предикторы на основе модели SC0RPAN Использованные методы Валида-ция карты / Оценки точности модели Программное обеспечение Ссылка на публикацию

1,2,3 Доминиканская Республика Лесные экосистемы 30 м ЗПОУ 0-15 см 268 Модель А: С, 0, Я Модель В: С, Я Модель С: 0 20 предикторов RF Из выборки: 70% — обучение, 30% — валидация. Р2, ьссс, РМ5Е, МАРЕ, МАО GEE Duarte et al., 2022

ЮЖНАЯ АМЕРИКА

1,2,7, 9,13, 14 Бразилия Все типы землепользования 1 км ЗПОУ 10% — dv измерена, 90% — ПТФ 0-1 м 8227 S, С, 0, R, Р 74 предиктора Выбор предикторов: RFE Моделирование: RF, Cubist, SVM, GLM Из выборки: 80% — обучение, 20% — валидация R2, RMSE, МАЕ Подготовка предикторов: RSAGA Моделирование: R, пакет «Caret» Gomes et al., 2019

1,2,7 Колумбия Все типы землепользования 90 м ЗПОУ dv из ISRIC 0-30 см 653 С, 0, R, Р 9 предикторов RF R2, RMSE R Подготовка предикторов: SAGA GIS, ArcGIS Rain-ford et al., 2021

АФРИКА

1,10, 12,13, 14 ЮАР Все типы землепользования 30 м ЗПОУ dv измерена/БД betaSoil Grids 2019 0-20 см 0-30 см 5834 С, 0, R 40 предикторов RF Из выборки: 70% — обучение, 30% — валидация R2, RMSE, МАЕ GEE Venter et al., 2021

О 13

Со

о

Чэ

о

<ч>

(ч п а:

0

1

с ^

CjO Н Р^

IS

п

О"

So

IS

С

О 3

5 с3

« <5

§ Ь

05 '

го с

Жз ж о

05 о

ж о

а

о жз £

о

05 о

сл

Природная зона (Olson et al., 2001), рис. 6 Территория исследования Типы землепользования / растительности Пространственное разрешение / масштаб Содержание/ запасы ОУ/ Как получена плотность (С1/С1У/ ПТФ) Почвенный горизонт и/или глубина Обучающая выборка/ размер БД (число точек наблюдений) Почвенная карта / Предикторы на основе модели Использованные методы Валида-ция карты / Оценки точности модели Программное обеспечение Ссылка на публикацию

АВСТРАЛИЯ

4, 8,12, 13 Австралия, Новый Южный Уэльс Все типы землепользования 100 м СПОУ 0-5 см, 5-15 см, 15-30 см, 30-60 см, бО-ЮОсм 5386 С, 0, Я, 8 предикторов MLR, Cubist, SVM Из выборки: 70% — обучение, 30% — валидация Р2, РМ5Е, ССС - Somar-atha et al., 2016

7 Австралия, штат Новый Южный Уэльс Кустарниковые заросли, редколесья, пастбища 30 м СПОУ dv измерена 0-5 см, 0-30 см 705 5, С, 0, Я, Р 12 предикторов RF, BRT, SVM Р2, ЬССС, РМ5Е, МАЕ R, пакеты: «Random Forest» «gbm», «е1071» Wang et al., 2018

о

СП 00 О 13

Со

о

"о о п

п а:

0

1

с ^

CjO Н Р^

IS

п

О"

So

IS

С

Приложение Б

Используемые при цифровом картографировании содержания/запасов ПОУ предикторы

Группы предикторов (Модель SCORPAN) Исследование

S — ПОЧВА

Почвенная карта/классификационная единица почв Martin et al., 2011; Chen et al., 2018; Fantappie et al., 2011; Zhang et al., 2022; Szatmari et al., 2021; Keskin et al., 2019; Gomes et al., 2019; mapbift u gp., 2018

Необработанные спектральные данные (VNIR) образцов почв в виде спектрограммы Padarian et al., 2019

Содержание ила Zhang et al., 2022; Francaviglia et al., 2014; Kaya et al., 2022

Содержание песка Zhang et al., 2022; Kaya et al., 2022

Концентрации радиоэлементов калия/урана/ тория / гамма съемка Wang et al., 2018; Somaratha et al., 2016; Ellili et at., 2019

Класс дренажа почвы Keskin et al., 2019

Влагоудерживающая способность почвы (AWC -Available Water Capacity) Keskin et al., 2019

Температура почвы Fantappie et al., 2011

Индекс засушливости почвы/ Индекс сухости почв/ Степень увлажненности почвы Fantappie et al., 2011; Keskin et al., 2019

Набор данных LUCAS (почвенная БД) Padarian et al., 2019

Водньш режим почв Martin et al., 2011

Индекс солености (Salinity Index) Hateffard et al., 2019; Fathizad et al., 2022; Taghizadeh-Mehrjardi et al., 2016

Кислотность почв Kaya et al., 2022

C — КЛИМАТ

Осадки

Среднегодовое количество осадков (MAP — Mean Annual Precipitation) Adhikari et al., 2019; Chen et al., 2018; Fantappie et al., 2011; Somaratha et al., 2015; Wang et al., 2021; Zhang et al., 2022; Wang et al., 2018; Venter et al., 2021; Duarte et al., 2022; Kumar et al., 2012; Szatmari et al., 2021; Wang et al., 2019; Gomes et al., 2019; Gu et al., 2022; Kaya et al., 2022

Среднемесячное количество осадков Martin et al., 2011; Keskin et al., 2019; Rainford et al., 2021; Guo et al., 2015

Суммарное годовое количество осадков Meersmans et al., 2012; Kaya et al., 2022; Xiaojun Zhu et al., 2022

Сумма осадков самого холодного/теплого/сухого/ влажного квартала Venter et al., 2021

Сумма осадков самого холодного/теплого/сухого/ влажного месяца Venter et al., 2021; Gomes et al., 2019; mapwfl u gp., 2018

Сезонность осадков Venter et al., 2021; Kaya et al., 2022

Индекс эффективности осадков Rainford et al., 2021

Группы предикторов (Модель SCORPAN) Исследование

Температура / влажность воздуха / солнечная радиация / ветер

Среднегодовая температура (MAT — Mean Annual Temperature) Martin et al., 2011; Somaratha et al., 2016; Meersmans et al., 2012; Wang et al., 2021; Zhang et al., 2022; Wang et al., 2018; Venter et al., 2021; Duarte et al., 2022; Kumar et al., 2012; Szatmari et al., 2021; Wang et al., 2019; Gu et al., 2022

Среднегодовая минимальная температура Adhikari et al., 2019; Fantappie et al., 2011

ГодовоИ/сезонныИ/суточныи диапазон температур Venter et al., 2021

Температура самого влажного/сухого квартала Venter et al., 2021

Максимальная/минимальная/средняя температура по месяцам Keskin et al., 2019; Gomes et al., 2019; Rainford et al., 2021; Guo et al., 2015

Сумма среднемесячной температуры (SAMT — Sum of monthly mean temperature) Gomes et al., 2019

Потенциальное / Среднегодовое суммарное испарение Martin et al., 2011; Somaratha et al., 2016; Szatmari et al., 2021

Относительная влажность воздуха Duarte et al., 2022

Солнечная радиация Francaviglia et al., 2014; Kaya et al., 2022

Воздеиствие ветра (Windward effect) Adhikari et al., 2019

О — ОРГАНИЗМЫ, РАСТИТЕЛЬНОСТЬ, ФАУНА, ЧЕЛОВЕК

Тип растительности (Land Cover) / БД CORINE Land Cover / сезонно активная растительность / данные о сезонном фракционном покрытии на основе Landsat (Seasonal fractional cover data) / Фракционньш древесньш покров (Fractional woody cover) Keskin et al., 2019; Wang et al., 2018; Venter et al., 2021; Szatmari et al., 2021; Keskin et al., 2019; Ellii et al., 2019, Xiaojun Zhu et al., 2022

NPP Chen et al., 2018; Martin et al., 2011; Venter et al., 2021

GPP Gomes et al., 2019

NDVI / NDVI green Martin et al., 2011; Somaratha et al., 2016; Wang et al., 2021; Zhang et al., 2022; Venter et al., 2021; Duarte et al., 2022; Kumar et al., 2012;Wang et al., 2019; Keskin et al., 2019; Gomes et al., 2019; Hateffard et al., 2019; Francaviglia et al., 2014; Kaya et al., 2022; Kaya et al., 2022; Fathizad et al., 2022; Taghizadeh-Mehrjardi et al., 2016; Guo et al., 2015; Чинилин, Савин, 2018

EVI Duarte et al., 2022; Keskin et al., 2019; Kim, Grunwald, 2016; Чинилин, Савин, 2018

NDWI (green-NIR)/(green+NIR) Xiaojun Zhu et al., 2022

LAI Venter et al., 2021

SAVI (Soil-Adjusted Vegetation Index) Duarte et al., 2022; Taghizadeh-Mehrjardi et al., 2016; Чинилин, Савин, 2018

BSI (Bare Soil Index) / Частота открытых поверхностеи (Bare surface frequency) Duarte et al., 2022; Venter et al., 2021

Группы предикторов (Модель SCORPAN) Исследование

Индекс насыщения (Saturation index) Kaya et al., 2022

Индекс зернистости (Grain Size Index) Francaviglia et al., 2014; Kaya et al., 2022

RVI (Ratio vegetation index) Taghizadeh-Mehrjardi et al., 2016

Разносезонные мультиспектральные изображения Sentinel-2 Гаврилюк и др., 2021

Спутниковые данные Landsat / многолетние сезонные данные о наземном покрове на основе Landsat (AusCover) Wang et al., 2018; Hateffard et al., 2019; Xiaojun Zhu et al., 2022; Taghizadeh-Mehrjardi et al., 2016

Доля фотосинтетически активной радиации (fraction of photosynthetically active radiation) Venter et al., 2021

Отражение в синем/красном/зеленом/ближнем ИК диапазоне Venter et al., 2021; Duarte et al., 2022; Чинилин, Савин, 2018; Wang et al., 2019; Kim, Grunwald, 2016; Kaya et al., 2022; Fathizad et al., 2022; Xiaojun Zhu et al., 2022; Taghizadeh-Mehrjardi et al., 2016

Отражение в коротковолновом инфракрасном диапазоне 1/2 (SWIR 1/2) Venter et al., 2021; Duarte et al., 2022; Fathizad et al., 2022; Taghizadeh-Mehrjardi et al., 2016

Отражение в дальнем инфракрасном диапазоне (TIRS) Kaya et al., 2022

Землепользование

Данные/карты землепользования Fantappiè et al., 2011; Kumar et al., 2012; Rainford et al., 2021; Xiaojun Zhu et al., 2022

Данные LULC из БД NLCD Adhikari et al., 2019; Meersmans et al., 2012; Mishra et al., 2010; Mulder et al., 2016; Keskin et al., 2019

TERUTI (Utilisation du Territoire) Martin et al., 2011

Данные о внесении навоза Meersmans et al., 2012

Сценарии землепользования: Источник мелиорации (Reclamation source) / Севооборот, доля трав в севообороте (Cultivation year) Zhang et al., 2022; Ellili et at., 2019

Пастбищная нагрузка (Livestock density) Venter et al., 2021

Частота возникновения пожаров Venter et al., 2021

Индекс плотности застроики (Index-Based built-up Index) Duarte et al., 2022

R — РЕЛЬЕФ

Высота над уровнем моря (Elevation) Adhikari et al., 2019; Chen et al., 2018; Fantappie et al., 2011; Гаврилюк и др., 2021; Wang et al., 2021; Zhang et al., 2022; Wang et al., 2018; Venter et al., 2021;Duarte et al., 2022; Kumar et al., 2012; Szatmari et al., 2021; Wang et al., 2019; Keskin et al., 2019; Gomes et al., 2019; Hateffard et al., 2019; Gu et al., 2022; Ellili, 2019 (разрешение 50 м); Suleymanov et al., 2021; Гопп, 2022; Francaviglia et al., 2014; Шарьш и др., 2018; Kim, Grunwald, 2016; Kaya et al., 2022; Ellii et al., 2019 ; Xiaojun Zhu et al., 2022; Taghizadeh-Mehrjardi et al., 2016; Guo et al., 2015

Группы предикторов (Модель SCORPAN) Исследование

Нормализованная высота (Normalized height) / Стандартизированная высота (Standardized height) Adhikari et al., 2019; Gomes et al., 2019

Экспозиция (Aspect) Чинилин, Савин, 2018; Wang et al., 2021; Venter et al., 2021; Duarte et al., 2022; Gomes et al., 2019; Hateffard et al., 2019; Suleymanov et al., 2021; Francaviglia et al., 2014; Xiaojun Zhu et al., 2022; Taghizadeh-Mehrjardi et al., 2016; Guo et al., 2015

Уклон (Slope / Slope height / Mid-slope position / Slope-length factor/ local hillslope gradient/ MaxdownSlope) Adhikari et al., 2019; Chen et al., 2018; Fantappie et al., 2011; Чинилин, Савин, 2018; Гаврилюк и др., 2021; Wang et al., 2021; Zhang et al., 2022; Venter et al., 2021; Duarte et al., 2022; Kumar et al., 2012; Szatmari et al., 2021; Somaratha et al., 2016; Wang et al., 2019; Keskin et al., 2019; Gomes et al., 2019; Hateffard et al., 2019; Gu et al., 2022; Suleymanov et al., 2021; Ellii et al., 2019; Xiaojun Zhu et al., 2022; Taghizadeh-Mehrjardi et al., 2016; Guo et al., 2015

Кривизна вертикальная/горизонтальная и др. (Curvature flow line/ profile/ maximal/ minimal/ plan/total) Чинилин, Савин, 2018; Wang et al., 2021; Zhang et al., 2022; Szatmari et al., 2021; Gomes et al., 2019; Hateffard et al., 2019; Francaviglia et al., 2014; Шарыи и др., 2018; Kaya et al., 2022; Ellii et al., 2019; Taghizadeh-Mehrjardi et al., 2016; Guo et al., 2015

Ротор (Rotor) Шарыи и др., 2018

Формы рельефа (классификация геоморфонов) Rainford et al., 2021

Карта холмов (Hill) Gomes et al., 2019

Выпуклость/Текстура поверхности (Terrain surface convexity / Terrain surface texture) Gomes et al., 2019

Индекс влажности (SAGA wetness index) Adhikari et al., 2019; Szatmari et al., 2021

Скорость эрозии Chen et al., 2018

Отмывка рельефа (Hillshade) Kumar et al., 2012; Suleymanov et al., 2021

Потенциал почвенного стока Keskin et al., 2019

Топографическии индекс влажности (TWI — Topographic Wetness Index/ Modified topographic wetness index) Chen et al., 2018; Чинили, Савин, 2018; Somaratha et al., 2016; Adhikari et al., 2019; Wang et al., 2021; Duarte et al., 2022; Szatmari et al., 2021; Wang et al., 2019; Hateffard et al., 2019; Francaviglia et al., 2014; Шарыи и др., 2018; Kaya et al., 2022; Rainford et al., 2021; Suleymanov et al., 2021; Ellii et al., 2019; Taghizadeh-Mehrjardi et al., 2016; Guo et al., 2015

Индекс топографического разнообразия / положения (Topographic diversity / Position index / Relative Position index) Venter et al., 2021; Szatmari et al., 2021; Guo et al., 2015

Индекс расчлененности рельефа (Terrain ruggedness index) Adhikari et al., 2019; Szatmari et al., 2021

Индекс непрерывнои тепловои нагрузки от солнечного излучения (Continuous heat insolation load index) Venter et al., 2021

Группы предикторов (Модель SCORPAN) Исследование

Водосбор

Площадь / Удельная площадь водосбора (Specific catchment area) /MCA — Modified catchment area Adhikari et al., 2019; Чинили, Савин, 2018; Wang et al., 2021; Szatmari et al., 2021; Hateffard et al., 2019; Taghizadeh-Mehrjardi et al., 2016

Уклон водосбора (Catchment Slope) Adhikari et al., 2019; Hateffard et al., 2019

Индекс плоскостности вершины гребня/дна долины (MrRTF — Multiresolution ridge top / MrVBF — valley bottom flatness index) Szatmari et al., 2021; Somaratha et al., 2016; Hateffard et al., 2019; Suleymanov et al., 2021; Taghizadeh-Mehrjardi et al., 2016

Базовыи уровень сети каналов (Channel network base level) Adhikari et al., 2019; Hateffard et al., 2019

Расстояние по вертикали до сети каналов (Vertical distance to channel network) / Расстояние до водосбора Szatmari et al., 2021; Kim, Grunwald, 2016

Высота над сетью каналов (Altitude above channel network) Adhikari et al., 2019

Индекс баланса массы (Mass-balance index) Adhikari et al., 2019; Szatmari et al., 2021

Глубина долин (Valley depth) Adhikari et al., 2019; Gomes et al., 2019

Индекс мощности потока (Stream power index) Szatmari et al., 2021; Hateffard et al., 2019; Kaya et al., 2022; Guo et al., 2015

P — МАТЕРИНСКАЯ ПОРОДА, ЛИТОЛОГИЯ

Карта почвообразующих пород / геологическая карта Adhikari et al., 2019; Chen et al., 2018; Szatmari et al., 2021; Keskin et al., 2019; Gomes et al., 2019; Rainford et al., 2021; Ellii et al., 2019; Guo et al., 2015

Концентрация калия Kim, Grunwald, 2016

Сила тяжести Буге Kim, Grunwald, 2016

Изостатическая остаточная гравитационная аномалия / Магнитная аномалия Kim, Grunwald, 2016

Минералогическии состав: шдержание глины, иллита, смектита или каолинита; отношение смектита к каолиниту; индекс кремнезема, карбонатныи индекс, глинистыи индекс Zhang et al., 2022; Wang et al., 2018; Hateffard et al., 2019; Francaviglia et al., 2014; Taghizadeh-Mehrjardi et al., 2016

Индекс выветривания (Weathering index) Wang et al., 2018

Максимальная и минимальная глубина залегания грунтовых вод Meersmans et al., 2008

N — ПРОСТРАНСТВЕННОЕ ПОЛОЖЕНИЕ

Географические координаты (Широта/Долгота) Fantappiè et al., 2011; Гаврилюк и др., 2021

СПИСОК СОКРАЩЕНИЙ:

ГИС — геоинформационная система ЦМР — цифровая модель рельефа ДЗЗ — дистанционное зондирование Земли МВ — морфометрические величины

МГЭИК — Межправительственная группа экспертов по изменению климата

ПОУ — почвенныи органическии углерод

ЗПОУ — запасы органического углерода

СПОУ — содержание органического углерода

ЦПК — цифровое почвенное картографирование

VNIR — visible-near ranges (видимыи ближнии диапазон)

СХП — сельскохозяиственное предприятие

dv — Плотность почвы в естественном сложении/объемная масса d — Плотность твердои фазы ПТФ — Педотрансферные функции

Модель SCORPAN:

S — почва (другие характеристики почвы);

C- климат (локальные климатические характеристики);

O — организмы, растительность, фауна, человек;

R — рельеф (морфометрические величины);

P — материнская порода, литология;

A — возраст, время;

N — пространственное положение.

Предикторы:

BSI — Bare Soil Index (индекс открытои почвы) EVI — Enhanced Vegetation Index GPP — Gross Primary Production

IBI — Index-Based built-up Index (индекс застроики территории) LAI — Leaf Area Index (индекс листовои поверхности) NDVI — Normalized Difference Vegetation Index NDVI green — Normalized Difference Vegetation Green Index NDWI — Normalized Difference Water Index

NIR — Near-infrared

NPP — Net primary productivity

SWIR — Shortwave-infrared

TVI — Transformed Vegetation Index;

Методы моделирования:

ANN — Artificial Neural Network (Искусственная неиронная сеть) CA — Cellular Automata (клеточныи автомат)

CART — Classification and Regression Tree (Дерево классификации и регрессии)

CNN — Convolutional Neural Network (Сверточная неиронная сеть)

BaRT — баиесовские регрессионные деревья

BRT — Boosted Regression Trees (Улучшенные деревья решении)

DT — Decision Tree (Дерево решении)

GLM — Generalized Linear Model Boosting (Обобщенная линеиная модель)

GWR — Geographically weighted regression (Географически взвешенная регрессия)

GWRK — Geographically weighted regression kriging (Географически взвешенныи регрес-

сионныи кригинг) MLR / MLRA — множественная линеиная регрессия OK — Ordinary Kriging (Ординарныи кригинг)

PLSR — Partial Least Squares Regression (Частичная регрессия наименьших квадратов)

RF — Random Forest (Случаиныи лес)

RFRK — RF plus residuals kriging

RK — Regression Kriging (Регрессионныи кригинг)

RFE — Recursive Feature Elimination (Алгоритм рекурсивного устранения признаков) SLR — Stepwise Linear Regression (Пошаговая линеиная регрессия)

SVM / SVR — Support Vector Machine/Support Vector Regression (Метод опорных векторов) XGBoost — Бустинг регрессионных деревьев

Оценка точности модели:

ССС / LCCC — Concordance Correlation Coefficient / Lin's Concordance Correlation Coefficient

(Коэффициент корреляции соответствия) IQR — Интерквартильныш размах

MAE / MAEE — Mean Absolute Error / Mean Absolute Estimation Error (Средняя абсолютная ошибка)

MAPE — Mean Absolute Percentage Error (Средняя абсолютная ошибка в процентах)

MDA — Mean Decrease in Accuracy (Показатель среднего уменьшения общей точности модели)

ME / MEE — Mean Error / Mean Estimation Error (Средняя ошибка) R2 — Коэффициент детерминации

RMSD / RMSE — Root Mean Square Deviation / Root Mean Squared Error (Среднеквадрати-

ческая ошибка) RPD — Ratio of Performance of Deviation RPIQ — Ratio of performance to inter-quartile

Облачная платформа:

GEE — Google Earth Engine

Базы данных:

ISRIC — Международного справочно-информационного центра почв

NSSC — National Soil Survey Laboratory. Soil characterization database. National Soil Survey

Lab., Lincoln, NE. NCSS — National Cooperative Soil Survey NCSCD — Northern Circumpolar Soil Carbon Database RaCA — Rapid Carbon Assessment

RMQS — French National Soil Survey (Réseau de Mesures de la Qualité des Sols) — французская сеть почвенных исследовании SIMS — Венгерская система информации и мониторинга почв SSURGO — Soil Data Mart-Soil Survey

WRB — World Reference Base (Реферативная база почвенных ресурсов) ПГБД РФ — Почвенно-географическая база данных Россиискои Федерации

Географические названия:

МО — Московская область БО — Белгородская область РО — Ростовская область