CC BY
0
ISSN 1026-2237BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION NATURAL SCIENCE. 2024. No. 2
Научная статья
УДК 631.459.21:632.125
doi: 10.18522/1026-2237-2024-2-72-83
ПРОГНОЗ РАЗВИТИЯ ПРОЦЕССОВ ДЕГРАДАЦИИ НА ЭРОЗИОННО ОПАСНЫХ СКЛОНАХ ЧЕРНОЗЕМОВ ОБЫКНОВЕННЫХ РОСТОВСКОЙ ОБЛАСТИ
Эмма Анатольевна Гаевая1 Ольга Степановна Безуглова2
1,2Федеральный Ростовский аграрный научный центр, п. Рассвет, Россия 1emmaksay@inbox. ruB 2lola314@mail. ru
Аннотация. Снижение почвенного плодородия в последние десятилетия повлекло за собой ряд проблем в земледелии. Распространение процессов деградации вынуждает использовать современные методы моделирования и прогнозирования эрозии. Целью данной работы было составление долгосрочного прогноза процессов деградации черноземов обыкновенных на склоновых землях в севооборотах различных конструкций и при использовании различных агротехнологий с помощью автоматизированных нейронных сетей. Исследования были проведены в многофакторном длительном опыте, который расположен на склоне балки Большой Лог, в 1990-2022 гг. Севообороты были заложены в 1986 г. в системе контурно-ландшафтной организации территории склона крутизной до 3,5-4°. Изучались севообороты с различным соотношением доли чистого пара и многолетних трав в структуре посевов, а также две системы обработки почвы. В результате исследований был составлен прогноз на 100 лет с использованием автоматизированных нейронных сетей, который выявил общую тенденцию затухания процессов эрозии на склонах, но с различной степенью интенсивности как в севооборотах различной конструкции, так и при использовании различных агротехнологий возделывания сельскохозяйственных культур. Возделывание культур в севооборотах с различной долей от 20 до 40 % многолетних трав в структуре посевных площадей сокращает сток талых и ливневых вод на 22,9-24,9 %, смыв почвы - на 26,4-28,6 %, а в отдельных случаях -полностью. Применение почвозащитной обработки сократит сток талых и ливневых вод на 39,2-72,0 %, а смыв - на 41,5 %.
Ключевые слова: прогноз, автоматизированные нейронные сети, сток, смыв, севооборот, способ обработки почвы
Для цитирования: Гаевая Э.А., Безуглова О.С. Прогноз развития процессов деградации на эрозионно опасных склонах черноземов обыкновенных Ростовской области // Изв. вузов. Сев.-Кавк. регион. Естеств. науки. 2024. № 2. С. 72-83.
Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Original article
FORECAST OF THE DEVELOPMENT OF DEGRADATION PROCESSES ON EROSION-HAZARDOUS SLOPES OF ORDINARY CHERNOZEMS
OF THE ROSTOV REGION
Emma А. Gaevaya1B, Olga S. Bezuglova2
1,2 Federal Rostov Agricultural Research Centre, Rassvet, Russia 1emmaksay@inbox. ruB 2lola314@mail. ru
© Гаевая Э.А., Безуглова О.С., 2024
Abstract. The decline in soil fertility in recent decades has led to a number ofproblems in agriculture. The spread of degradation processes forces the use of modern methods of modeling and forecasting erosion. The purpose of this work was to make a long-term forecast of the degradation processes of ordinary chernozems on sloping lands in crop rotations of various designs and using various agricultural technologies using automated neural networks. The research was conducted in a multifactorial long-term experiment, which is located on the slope of the Bolshoy Log beam, in 1990-2022. The experience was laid down in 1986 in the system of contour and landscape organization of the slope area with a steepness of up to 3.5-4°. In the experiment, crop rotations with a different ratio of the proportion ofpure steam and perennial grasses in the structure of crops, as well as two tillage systems, were studied. As a result of the research, a forecast was made for a hundred years ahead using automated neural networks, which revealed a general trend of attenuation of erosion processes on slopes, but with varying degrees of intensity, both in crop rotations of various designs and when using various agricultural technologies for cultivating crops. Cultivation of crops in crop rotations with a different proportion from 20 to 40 % ofperennial grasses in the structure of sown areas reduces the runoff of meltwater and stormwater by 22.9-24.9 %, washing away the soil by 26.4-28.6 %, and in some cases completely, under existing conditions. The use of soil protection treatment will reduce the runoff of meltwater and stormwater by 39.2-72.0 %, and flushing by 41.5 %.
Keywords: forecast, automated neural networks, runoff, flushing, crop rotation, method of tillage
For citation: Gaevaya E.A., Bezuglova O.S. Forecast of the Development of Degradation Processes on Erosion-Hazardous Slopes of Ordinary Chernozems of the Rostov Region. Bulletin of Higher Educational Institutions. North Caucasus Region. Natural Science. 2024;(2):72-83. (In Russ.).
This is an open access article distributed under the terms of Creative Commons Attribution 4.0 International License (CC-BY4.0).
Введение
Проблема почвенного плодородия появилась вместе со сложными процессами освоения земель не сегодня и не вчера. Водная эрозия приводит к деградации земель, которая затрагивает около миллиарда гектаров в мире. Особенно возросла нагрузка на почву в последние десятилетия с внедрением интенсивных систем земледелия, созданием новых сортов, увеличением урожайности сельскохозяйственных культур и процессов деградации [1].
Последствия водной эрозии: снижение плодородия почвы, сокращение роста растительности, заполнение долин и водохранилищ, опустынивание и разрушение инфраструктуры человека, ухудшение качества воды, экономический и экологический ущерб [2].
Повсеместное распространение процессов деградации вынуждает использовать современные методы моделирования и прогнозирования эрозионных процессов. Долгосрочные прогнозы позволяют своевременно проводить комплекс предупредительных мероприятий по защите земель сельскохозяйственного назначения от эрозии, планировать систему лесомелиоративных и агротехнических почвозащитных мероприятий, оптимизировать организацию системы землепользования [3].
При составлении долгосрочных прогнозов с помощью искусственного интеллекта анализируются большие объемы данных, выявляются скрытые закономерности, будущие тенденции и зависимости, что помогает улучшить их точность. Искусственные нейронные сети (ANN) являются полезным инструментом, поскольку они могут иметь дело с нелинейной функциональной регрессией. Использование ANN позволяет сделать долгосрочные прогнозы: развития темпов эрозии [4, 5], моделирования стока [6, 7], качества ливневой воды в городах [8], влияния изменения климата на риск развития эрозии [9], карт оползней и эрозии [10], мониторинга окружающей среды [11], распределения нитратов в грунтовых водах [12] и в стоке из зон землепользования [13], урожайности кукурузы [14], пшеницы и др. [15].
Целью данной работы было составление долгосрочного прогноза процессов деградации черноземов обыкновенных на склоновых землях в севооборотах различных конструкций и при использовании различных агротехнологий с помощью автоматизированных нейронных сетей.
Объект и методы исследования
Исследования были проведены в многофакторном длительном опыте, который расположен на склоне балки Большой Лог Аксайского района Ростовской области в 1990-2022 гг. Площадка была заложена в 1986 г. в системе контурно-ландшафтной организации территории склона крутизной до 3,5-4°, с комплексом гидротехнических приемов и простейших сооружений. Опыт зарегистрирован в российской Географической сети длительных опытов с удобрениями (аттестат № 169).
Почвенный покров участка представлен черноземом обыкновенным карбонатным на лёссовидном суглинке (согласно международной классификации WRB - Calcic Chernozem (Loamic)) [16]. Среднегодовой сток - 20 мм (максимальный - 34,4 мм), среднегодовой смыв почвы -18,5 т/га (максимальный - 42 т/га), почвенный покров при закладке опыта среднеэродирован.
Исследовали две системы основной обработки почвы: чизельная обработка и отвальная вспашка (контроль), в трех пятипольных севооборотах с разным соотношением чистого пара и многолетних трав. Севооборот А: 20 % чистого пара, 60 % колосовых, 20 % пропашных и 0 % многолетних трав. Севооборот Б: 0 % чистого пара, 60 % колосовых и зернобобовых, 20 % пропашных и 20 % многолетних трав. Севооборот В: 0 % чистого пара, 40 % колосовых, 20 % пропашных и 40 % многолетних трав. Определение смыва и размыва почвы проводили измерением объема водороин по методу В.Н. Дьякова [17].
Составление долгосрочного прогноза было осуществлено с помощью нейросетевых моделей с использованием программы Statistica 13.3 [18] - автоматизированных нейронных сетей (АНС). Тип сети при использовании АНС - многослойный персептрон (MLP). Количество входных нейронов равнялось длине ряда данных, используемых для составления прогноза. Размер подвы-борок равнялся: обучающей - 70 %, контрольной - 30 %. Сложность нейронной сети определялась количеством нейронов на внутреннем слое. Число скрытых нейронов на внутреннем слое: минимальных - 2, максимальных - 8. Число обучаемых АНС составляло 50, а сохраняемых сетей АНС - 5 лучших сетей, созданных в процессе обучения. Используемый метод обучения нейронных сетей - алгоритм BFGS (Broyden-Fletcher-Goldfarb-Shanno) с применением итерационного алгоритма, который предназначен для решения нелинейных задач с большим количеством неизвестных.
Из построенных 5 АНС были выбраны три сети, которые имели наибольшую обучающую и контрольную производительность и наименьшую ошибку. В качестве меры производительности программы был использован коэффициент корреляции между входными и выходными (предсказанными значениями сети) переменными. Вторым критерием оценки качества построенных нейронных сетей является распределение остатков сети (разность между фактическими и предсказанными значениями) на гистограмме, т.е. расположение блоков должно соответствовать нормальному распределению Гаусса. Еще одним критерием является диаграмма рассеяния фактически наблюдаемых и предсказанных значений, или насколько фактическая функция соответствует прогнозной. Чем лучше между ними соответствие, тем ближе точки ложатся на прямой линии в 45°, которая отображается на графике. В действительности этот график представляет не что иное, как визуализацию коэффициента корреляции, который играет ключевую роль в выборе сетей.
Результаты и обсуждение
Длительные опыты позволяют вести наблюдение в динамике за несколькими показателями одновременно. Проявление процессов эрозии было не каждый год, а только в 22 годах наблюдений из 32, что составило 71 % [19].
Для изучения эрозионной устойчивости склонов за контрольный вариант был взят полевой севооборот А, в структуру посевных площадей которого входило 20 % чистого пара. Эрозионная устойчивость других севооборотов была сопоставлена с севооборотом А. За период исследований наибольший сток зарегистрирован в севообороте А с 20 % чистого пара и без многолетних трав и составлял 22,7±1,7 мм (p<0,05). Самый низкий (9,5±1,0 мм; (p<0,05)) - в севообороте В -без чистого пара и с 40 % многолетних трав в структуре посевов. В севообороте В с 40 % многолетних трав в структуре посевов отмечена наибольшая эрозионная устойчивость - сток был на
56,3 % (р<0,05) меньше, чем в севообороте без многолетних трав. Севооборот Б с 20 % многолетних трав занимал промежуточное положение: в нём сток составлял 13,3±1,3 мм, что на 33,9 % меньше, чем в севообороте с 20 % чистого пара, и больше на 25,6 %, чем в севообороте с 40 % многолетних трав в структуре посевов (рис. 1).
О
0
I
-г- 1 Г
1
L О J
Чиэельная обработка Отвальная обработка Севообороты
— Медиана □ 25%-75% I Размах без выбр. о Выб[>осы
Рис. 1. Сток талой и ливневой воды и смыв почвы на эрозионно опасном склоне в зависимости от конструкции севооборота и агротехнологии возделывания сельскохозяйственных культур, т/га / Fig. 1. Runoff of melt and stormwater and soil flushing on an erosion-hazardous slope, depending on the design of crop rotation and agrotechnology of crop cultivation, t/ha
Способы обработки почвы по-разному влияют на проявление процессов эрозии, вызванных стоком талых и ливневых вод. Применение почвозащитной обработки почвы (чизельной) сокращало сток воды на 23,9 % (p<0,05) по сравнению с контрольным вариантом - отвальной обработкой в севообороте А. Введение в севооборот многолетних трав от 20 до 40 % и применение чизельной обработки почвы сократило сток талых и ливневых вод на 21,0-21,5 %.
Одним из признаков деградации склоновых земель является смыв почвы, вызванный стоком талых и дождевых вод. Наибольшее количество смытой почвы было отмечено в севообороте с 20 % чистого пара и составляло в среднем 5,8 т/га. Севооборот с 20 % многолетних трав занимал промежуточное положение. Смыв почвы в среднем составлял 3,8 т/га, количество смытой почвы было меньше на 35,5 %, чем в севообороте Б. По мере увеличения доли многолетних трав до 40 % количество смытой почвы уменьшилось более чем в два раза - до 2,8 т/га, и соответственно, уменьшение смыва достигало 52,5 %.
Применение чизельной обработки почвы имело тенденцию к уменьшению смыва почвы: в севообороте А - с 5,8 до 5,0 т/га (13,0 %); в севообороте Б - c 3,8 до 2,9 т/га (22,2 %), а в севообороте В - с 2,8 до 2,1 т/га (22,7 %) по сравнению с отвальной обработкой почвы (p>0,05).
Нами был составлен долгосрочный прогноз развития эрозионных процессов с использованием АНС. В результате проведения анализа показателей стока талых и ливневых вод в севооборотах различных конструкций с 1990 по 2022 г. были отобраны три АНС с наилучшими статистическими параметрами.
В табл. 1 представлены статистические параметры построенных нейронных сетей. Архитектура нейронной сети - многослойный персептрон (MLP), имеющий 32 входных нейрона, от 2 до 6 нейронов на внутреннем слое и 1 нейрон на выходе. В дальнейшем все нейронные сети будут построены по этому принципу. Высокие коэффициенты корреляции производительности обучения (0,99) и низкие ошибки (0,01-0,08) подтверждают хорошее качество построенных нейронных сетей.
Таблица 1 / Table 1
Статистические параметры АНС, построенных для показателей стока талых и ливневых вод в севооборотах различной конструкции / Statistical parameters of the constructed automated neural networks for indicators of melt and stormwater runoff in crop rotations of various designs
Архитектура нейронной сети Производительность обучения Контрольная производительность Ошибка обучения Контрольная ошибка Алгоритм обучения
Севооборот А
MLP 32-3-1 0,99 0,46 0,40 18,82 BFGS 17
MLP 32-2-1 0,99 0,42 0,001 24,81 BFGS 0
MLP 32-6-1 0,99 0,42 0,001 27,05 BFGS 0
Севооборот Б
MLP 32-2-1 0,99 0,61 0,01 4,11 BFGS 22
MLP 32-2-1 0,99 0,61 0,01 4,09 BFGS 23
MLP 32-2-1 0,99 0,60 0,08 3,87 BFGS 16
Севооборот В
MLP 32-4-1 0,99 0,64 0,02 2,47 BFGS 9
MLP 32-5-1 0,99 0,66 0,05 2,06 BFGS 8
MLP 32-5-1 0,99 0,64 0,02 2,40 BFGS 5
Чизельная обработка
MLP 48-8-1 0,98 0,75 0,20 1,41 BFGS 15
MLP 48-2-1 0,98 0,74 0,23 1,50 BFGS 10
MLP 48-5-1 0,98 0,74 0,21 1,52 BFGS 11
Отвальная обработка
MLP 48-5-1 0,98 0,76 0,05 2,48 BFGS 32
MLP 48-5-1 0,98 0,76 0,03 2,49 BFGS 23
MLP 48-5-1 0,98 0,77 0,05 2,34 BFGS 22
Контрольная производительность показывает тесноту связи полученных и фактических значений. Чем меньше разница между производительностью обучения и контрольной производительностью, тем построенная сеть лучше работает, или точнее дает предсказания. Контрольная производительность, полученная для данных стока воды в севообороте А, несколько снижена (0,42-0,46) по сравнению с результатами, полученными для севооборотов Б и В (0,60-0,66), но в севообороте А и разброс исходных значений был достаточно велик (7,1-44,8 мм) (табл. 2).
Таблица 2 / Table 2
Фактические и предсказанные значения стока талых и ливневых вод в севооборотах различных конструкций, мм / Actual and predicted values of melt and stormwater runoff in crop rotations of various designs, mm
Показатель Фактические значения Предсказанные значения
Севооборот А 7,1-44,8 1,5-27,5 1,2-28,5 0,2-30,5
Севооборот Б 2,3-25,3 2,7-19,0 1,5-18,9 0,5-18,6
Севооборот В 1,0-17,9 0,4-13,7 0,1-13,1 0,3-13,8
Чизельная обработка 1,0-28,0 0,28-16,4 0,73-17,3 0,42-17,8
Отвальная обработка 1,0-44,8 0,2-24,0 0,1-24,2 0,8-24,0
Полученные нейронные сети для различных обработок почвы имеют аналогичные характеристики. Построенные нейронные сети характеризуются высокой степенью производительности (0,74-0,98) и низкими ошибками (0,03-2,49). Небольшая разница между производительностью обучения (0,98) и контрольной производительностью (0,74-0,76), используемой для проверки качества работы сети, является подтверждением хорошего качества построенной АНС.
На рис. 2 представлен долгосрочный прогноз стока талых и ливневых вод на 100 лет.
Из проекции временного ряда видно, что наибольшая частота проявления стока талых и ливневых вод отмечена в севообороте А, имеющем в структуре посевных площадей 20 % чистого пара. С введением в севооборот многолетних трав с долей в структуре посевных площадей от 20 до 40 % частота проявления и интенсивность стока сокращается.
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2024. No. 2
Рис. 2. Проекция временного ряда для стока талых и ливневых вод в севооборотах различных конструкций на 100 лет, мм / Fig. 2. Projection of a time series for a hundred years ahead for the flow of meltwater and stormwater in crop rotations of various designs, mm
Анализ предсказанных значений стока, полученный при помощи нейросетевого прогноза, подтвердил эту тенденцию. В севообороте А разброс фактических значений стока за весь период наблюдений колебался в пределах 7,1-44,8 мм. В результате проведенного анализа получены предсказанные значения стока (0,2-30,5 мм), что меньше на 31,9-83,3 % фактически полученных результатов. Можно предположить, что при существующих условиях сток талых и ливневых вод в севообороте А сократится на треть, а в севооборотах с 20 и 40 % многолетних трав в структуре посевных площадей - на 22,9-24,9 % (с 17,9-25,3 до 13,1-19,0 мм) (табл. 2).
Большое значение для сокращения процессов эрозии имеет выбор агротехнологии возделывания сельскохозяйственных культур. Нами были проанализированы две агротехнологии с использованием отвальной вспашки и почвозащитной (чизельной) обработки почвы. На основе фактических данных стока талых и ливневых вод были построены нейронные сети для двух обработок почвы.
Анализ временных рядов, построенных для стока талых и ливневых вод в зависимости от используемых агротехнологий, выявил общую тенденцию. Временной ряд полученных значений за продолжительный период имеет тенденцию к затуханию, но с различной степенью интенсивности (рис. 3).
Временные ряды проекция для чизельной обработки
Временные ряды проекция для отвальной обработки
60 45 40
35 30 25
£
g 20 О
15 10
-5
-10
1
J
У V [ J {
If L . ij, г
1
1 л/ L II (
H
—Чиэельная обработка —-[1.MLP48-3-1].......¡2ЖР 48-2-1] —|3 MLP 48-5-1]
-10 0 10 20 30 40 50 60 70 60 90 100 110 120 Количество лет
-Отвальная обработка, —[1.MLP 48-5-1] '.......[2 MLP 48-5-1] — [3MLP4S-5-1]
Рис. 3. Проекция временного ряда данных стока талых и ливневых вод при использовании различных агротехнологий на 100 лет, мм / Fig. 3. Projection of a time series for a hundred years ahead of melt and stormwater runoff data using various agricultural technologies, mm
Приведенные на рисунке тенденции подтверждают полученные предсказанные значения. Процессы эрозии, вызванные стоком талых и ливневых вод, стремятся к минимальным значениям (0,1-0,72 мм) с отдельными пиками максимальных значений (17,8-24,2 мм) с преимуществом по отвальной обработке почвы.
Применение почвозащитной обработки в течение длительного периода для снижения процессов эрозии позволит сократить сток с 28,0 до 0,28-17,8 мм (39,2-72,0 %). При использовании отвальной обработки почвы получены значительные фактические величины стока воды (44,8 мм), прогноз на 100 лет предсказывает сокращение процессов эрозии в два раза, а возможно, и полное прекращение процессов деградации (0,1-24,2 мм, или 90,0-45,9 %).
Для составления прогноза смыва почвы с эрозионно опасных склонов были также использованы АНС. Анализ статистических показателей нейронных сетей, построенных для составления прогноза в севооборотах различных конструкций, выявил их высокую достоверность. Производительность обучения нейронных сетей была в пределах 0,98-0,99, а ошибка составляла 0,0010,008, контрольная производительность - 0,70-0,88, а ошибка - 0,10-1,72 (табл. 3).
Таблица 3 / Table 3
Статистические параметры АНС, построенных для показателей количества смытой почвы в севооборотах различной конструкции / Statistical parameters of the constructed automated neural networks for indicators of the amount of washed soil in crop rotations of various designs
Архитектура нейронной сети Производительность обучения Контрольная производительность Ошибка обучения Контрольная ошибка Алгоритм обучения
Севооборот А
MLP 32-4-1 0,98 0,85 0,033 1,33 BFGS 11
MLP 32-2-1 0,99 0,86 0,025 1,72 BFGS 9
MLP 32-2-1 0,99 0,88 0,001 1,27 BFGS 41
Севооборот Б
MLP 32-7-1 0,99 0,80 0,006 0,21 BFGS 14
MLP 32-8-1 0,99 0,79 0,008 0,25 BFGS 12
MLP 32-8-1 0,99 0,80 0,005 0,21 BFGS 16
Севооборот В
MLP 32-8-1 0,99 0,70 0,001 0,18 BFGS 11
MLP 32-6-1 0,99 0,71 0,002 0,20 BFGS 12
MLP 32-6-1 0,99 0,71 0,001 0,27 BFGS 22
Чизельная обработка
MLP 48-2-1 0,96 0,85 0,023 0,039 BFGS 18
MLP 48-7-1 0,96 0,84 0,023 0,073 BFGS 19
MLP 48-5-1 0,96 0,85 0,019 0,060 BFGS 19
Отвальная обработка
MLP 48-8-1 0,96 0,84 0,023 0,073 BFGS 19
MLP 48-8-1 0,96 0,84 0,021 0,069 BFGS 15
MLP 48-5-1 0,96 0,83 0,020 0,084 BFGS 14
Также статистические параметры построенных АНС для смыва почвы в зависимости от применяемых агротехнологий имеют значимые коэффициенты корреляции, что подтверждает высокую сходимость фактических и предсказанных результатов. Производительность обучения для полученных нейронных сетей была 0,96, а контрольная производительность, используемая для проверки полученных результатов, - 0,83-0,85 при минимальных ошибках 0,019-0,023.
В результате были получены предсказанные значения смыва почвы и построены временные ряды на 100 лет для севооборотов различных конструкций (рис. 4).
Из рис. 4 видно, что прогнозные значения смыва почвы временного ряда имеют тенденцию к затуханию во всех севооборотах, но в разной степени. В севообороте А, имеющем в структуре посевов поле чистого пара в доле 20 %, остается высокая частота проявления процессов эрозии в проекции на длительный период, хотя количество смытой почвы за продолжительный период уменьшается на 17,6 % (0,01-10,8 т/га) по сравнению с фактическими значениями (2,5-13,1 т/га) (табл. 4).
Аналогичная тенденция наблюдается и в севооборотах с различной долей многолетних трав. В севообороте Б с 20 % многолетних трав предсказанные значения (0,56-7,07 т/га) были меньше на 28,6 %, чем фактические (0,7-9,6 т/га). В севообороте В с 40 % многолетних трав смыв почвы сократится с 6,8 до 5,5 т/га, или на 26,4 %. Все три построенные сети имеют высокую точность и дают прогноз, незначительно отличающийся между собой. В севообороте А предсказанные значения смыва почвы составляют 9,8; 10,8 и 10,6 т/га при незначительной ошибке. Аналогичная тенденция отмечена при составлении прогноза в севооборотах Б и В (7,0; 6,9; 7,1 т/га и 5,0; 5,4; 5,5 т/га соответственно). Если тренд в изменении климатических условий в течение длительного периода лет меняться не будет и технологии возделывания сельскохозяйственных культур останутся неизменными, то можно предположить, что процессы деградации будут менее интенсивными.
На основании полученного прогноза смыва при использовании различных систем обработки почвы были построены временные ряды на 100 лет для чизельной и отвальной обработки почвы. На диаграммах видна общая тенденция снижения частоты и интенсивности смыва почвы, но в разной степени (рис. 5).
Фактический смыв почвы при использовании чизельной обработки почвы достигал 12,8 т/га. Значения, полученные с помощью АНС, были в два раза меньше фактических (6,9-7,5 т/га, или 41,5 %). Фактический смыв почвы по отвальной обработке достигал 13,1 т/га, а предсказанные максимальные значения - 9,3-9,4 т/га, или на 28,2 % смыв уменьшился за длительный срок (табл. 4).
ISSN 1026-2237BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2024. No. 2
s.o
7.5 7.0 6.5 6.0 5.5 5.0 4.5 4.0 3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0 -0.5 -T.0 -1.5
Временные ряды проекция для Севооборот В
1
t-
1
n
г ri V 1 Й 1 (î?t 1 f Л .1 ft
J f n r<A fr* il * 1 V 1 n
u 1 ï tj/
1 / 1 II
/ w }
T V
-10
10 20 30 40 50 60 70 S0 90 100 110 120. Количество лет
-Севооборот В
---[1 .MLP 32-S-1]
-[2. M LP 32-6-1]
--[3.MLP 32-6-1]
Рис. 4. Проекция временного ряда на 100 лет для смыва почвы в севооборотах различных конструкций, т/га / Fig. 4. Projection of a time series for a hundred years ahead for soil flushing
in crop rotations of various designs, t/ha
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION NATURAL SCIENCE. 2024. No. 2
Таблица 4 / Table 4
Фактические и предсказанные значения смыва почвы в севооборотах различных конструкций, т/га / Actual and predicted values of soil flushing in crop rotations of various designs, t/ha
Показатель Фактические значения Предсказанные значения
Севооборот А 2,5-13,1 0,01-9,8 0,45-10,8 0,03-10,6
Севооборот Б 0,7-9,6 0,57-7,0 1,16-6,9 0,98-7,1
Севооборот В 0,1-6,8 0,1-5,0 0,5-5,4 0,6-5,5
Чизельная обработка 0,1-12,8 0,03-6,9 0,01-7,2 0,03-7,5
Отвальная обработка 0,3-13,1 0,74-9,3 0,83-9,4 0,72-9,3
Временные ряды проекция для чизельной обработки
Временные ряды проекция для отвальной обработки
Рис. 5. Проекция временного ряда данных смыва почвы при использовании различных агротехнологий на 100 лет, т/га / Fig. 5. Projection of a time series for a hundred years ahead of soil flushing data using various agricultural technologies, t/ha
Заключение
Прогноз, составленный с использованием АНС, выявил общую тенденцию затухания процессов эрозии на склонах крутизной 3,5-4°, но с различной степенью интенсивности как в севооборотах различной конструкции, так и при использовании различных агротехнологий возделывания сельскохозяйственных культур. Возделывание культур в севооборотах с долей от 20 до 40 % многолетних трав в структуре посевных площадей сокращает сток талых и ливневых вод на 22,924,9 %, а смыв почвы - на 26,4-28,6 %, в отдельных случаях - полностью при существующих условиях. Применение почвозащитной обработки сократит сток талых и ливневых вод на 39,272,0 %, а смыв - на 41,5 %.
Список источников
1. Масютенко Н.П., Кузнецов А.В., Масютенко М.Н., Панкова Т.И., Припутнева М.А. Влияние агро-биотехнологий на запасы и состав органического вещества чернозема типичного слабоэродированного // Достижения науки и техники АПК. 2021. Т. 35, № 10. С. 45-50.
2. Мальцев К.А., Ермолаев О.П. Потенциальные эрозионные потери почвы на пахотных землях европейской части России // Почвоведение. 2019. № 12. С. 1502-1512. https://doi.org/10.1134/ 80032180X19120104
3. Фетюхин И.В., Черненко В.В. Факторы развития, моделирование и прогнозирование эрозии почвы // Междунар. с/х журн. 2018. № 1. С. 11-13. https://doi.org/10.24411/2587-6740-2018-11003
ISSN 1026-2237BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION NATURAL SCIENCE. 2024. No. 2
4. Rodriguez-Delgado C., Bergillos R.J., Iglesias G. An artificial neural network model of coastal erosion mitigation through wave farms // Environmental Modelling and Software. 2019. № 119. P. 390-399. https ://doi.org/10.1016/j. envsoft.2019.07.010
5. Bui D.T., Shirzadi A., Chapi K., Shahabi H., AslD.T., Omidavr E., Pham B.T., Khaledian H., Pradhan B., Panahi M., Bin Ahmad B., Rahmani H., Grof G., Lee S. A novel ensemble artificial intelligence approach for gully erosion mapping in a semi-arid watershed (Iran) // Sensors. 2019. Vol. 19, № 11. P. 2444. https://doi.org/10.3390/s19112444
6. Wagena M. B., Goering D., CollickA. S., BockE., Fuka D.R., Buda A., Easton Z.M. Comparison of short-term streamflow forecasting using stochastic time series, neural networks, process-based, and Bayesian models // Environmental Modelling and Software. 2020. № 126. P. 104669. https://doi.org/10.1016/j.envsoft.2020.104669
7. Starkloff T., Stolte J., Hessel R., Ritsema C., Jetten V. Integrated, spatial distributed modelling of surface runoff and soil erosion during winter and spring // Catena. 2018. Vol. 166. P. 147-157. https://doi.org/10.1016/j.ca-tena.2018.04.001
8. May D.B., Sivakumar M. Prediction of urban stormwater quality using artificial neural networks // Environmental Modelling and Software. 2009. № 24 (2). P. 296-302. https://doi.org/10.1016/j.envsoft.2008.07.004
9. Aslan Z., Erdemir G., Giorgi F., Feoli E., Okcu D. Effects of climate change on soil erosion risk assessed by clustering and artificial neural network // Pure and Applied Geophysics. 2019. Vol. 176, № 2. P. 937-949. https://doi.org/10.1007/s00024-018-2010-y
10. Bragagnolo L., Silva R.V., Grzybowski J.M.V. Landslide susceptibility mapping with r.landslide: A free open-source GIS-integrated tool based on Artificial Neural Networks // Environmental Modelling and Software. 2020. № 123. P. 104565.
11. Тунакова Ю.А., Новикова С.В., Валиев В.С., Байбакова Е.В. Развитие методики расчёта нормативов допустимого сброса жидких производственных отходов с учётом региональных особенностей водных объектов // Теорет. и прикл. экология. 2023. № 4. С. 70-77. https://doi.org/10.25750/1995-4301-2023-4-070-077
12.AlmasriM.N., Kaluarachchi J.J. Modular neural networks to predict the nitrate distribution in ground water using the on-ground nitrogen loading and recharge data // Environmental Modelling and Software. № 20 (7). 2005. P. 851-871. https://doi.org/10.1016/j.envsoft.2004.05.001
13. Kim M., Gilley J.E. Artificial Neural Network estimation of soil erosion and nutrient concentrations in runoff from land application areas // Computers and Electronics in Agriculture. 2008. № 64 (2). P. 268-275. https://doi.org/10.1016/j.compag.2008.05.021
14. Uno Y., Prasher S.O., Lacroix R., Goel P.K., Karimi Y., Viau A., Patel R.M. Artificial neural networks to predict corn yield from Compact Airborne Spectrographic Imager data // Computers and Electronics in Agriculture. 2005. № 47 (2). P. 149-161. https://doi.org/10.1016/j.compag.2004.11.014
15. Zhang J., Tian H., Wang P., Tansey K., Zhang S., Li H. Improving wheat yield estimates using data augmentation models and remotely sensed biophysical indices within deep neural networks in the Guanzhong Plain, PR China // Computers and Electronics in Agriculture. 2022. № 192. P. 106616. https://doi.org/10.1016/j.com-pag.2021.106616
16. World Reference Base for Soil Resources 2014. International Soil Classification System for Naming Soils and Creating Legends for Soil Maps. World Soil Resources Reports. No. 106. Rome: FAO, 2014.
17. Дьяков В.Н. Совершенствование метода учета смыва почв по водороинам // Почвоведение. 1984. № 3. С. 146-148.
18. StatSoft, Inc. STATISTICA (Data Analysis Software System), Version 13. 2020. URL: https://web.ar-chive.org/web/20131213145004/http://statsoft.ru/ (дата обращения: 01.08.2023).
19. Гаевая Э.А., Безуглова О.С., Нежинская Е.Н. Агрофизические свойства чернозема обыкновенного слабоэродированного в длительном опыте в Ростовской области // Почвоведение. 2022. № 11. С. 13991414. https://doi.org/10.31857/S0032180X22110053
References
1. Masyutenko N.P., Kuznetsov A.V., Masyutenko M.N., Pankova T.I., Priputneva M.A. The influence of agro-biotechnology on the reserves and composition of the organic matter of the black earth of the typical poorly eroded. Dostizheniya nauki i tekhniki APK = Achievements of Science and Technology of AICis. 2021;35(10):45-50. (In Russ.).
2. Maltsev K.A., Ermolaev O.P. Potential soil erosion losses on the arable land of the European part of Russia. Pochvovedenie = Soil Science. 2019;(12):1502-1512. https://doi.org/10.1134/ S0032180X19120104 (In Russ.).
3. Fetyukhin I.V., Chernenko V.V. Factors of development, modeling and forecasting of soil erosion. Mezhunar. s/h zhurn. = International Agricultural Journal. 2018;(1):11-13. https://doi.org/10.24411/2587-6740-2018-11003 (In Russ.).
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION NATURAL SCIENCE. 2024. No. 2
4. Rodriguez-Delgado C., Bergillos R.J., Iglesias G. An artificial neural network model of coastal erosion mitigation through wave farms. Environmental Modelling and Software. 2019;119:390-399. https://doi.org/10.1016/j.envsoft.2019.07.010
5. Bui D.T., Shirzadi A., Chapi K., Shahabi H., Asl D.T., Omidavr E., Pham B.T., Khaledian H., Pradhan B., Panahi M., Bin Ahmad B., Rahmani H., Grof G., Lee S. A novel ensemble artificial intelligence approach for gully erosion mapping in a semi-arid watershed (Iran). Sensors. 2019;19(11):2444. https://doi.org/10.3390/s19112444
6. Wagena M.B., Goering D., Collick A.S., Bock E., Fuka D.R., Buda A., Easton Z.M. Comparison of short-term streamflow forecasting using stochastic time series, neural networks, process-based, and Bayesian models. Environmental Modelling and Software. 2020;126:104669. https://doi.org/10.1016/j .envsoft.2020.104669
7. Starkloff T., Stolte J., Hessel R., Ritsema C., Jetten V. Integrated, spatial distributed modelling of surface runoff and soil erosion during winter and spring. Catena. 2018;166:147-157. https://doi.org/10.1016/j.ca-tena.2018.04.001
8. May D. B., Sivakumar M. Prediction of urban stormwater quality using artificial neural networks. Environmental Modelling and Software. 2009;(24):296-302. https://doi.org/10.1016/j.envsoft.2008.07.004.
9. Aslan Z., Erdemir G., Giorgi F., Feoli E., Okcu D. Effects of climate change on soil erosion risk assessed by clustering and artificial neural network. Pure and Applied Geophysics. 2019;176(2):937-949. https://doi.org/10.1007 / s00024-018-2010- у
10. Bragagnolo L., Silva R.V., Grzybowski J.M.V. Landslide susceptibility mapping with r.landslide: A free open-source GIS-integrated tool based on Artificial Neural Networks. Environmental Modelling and Software. 2020;(123):104565. https://doi.org/10.1016/j.envsoft.2019.104565
11. Tunakova Yu.A., Novikova S.V., Valiev V.S., Baibakova E.V. Development of methods of calculation of norms of permissible discharge of liquid industrial waste taking into account regional features of water bodies. Teoret. i prikl. ekologiya = Theoretical and Applied Ecology. 2023;(4):70-77. https://doi.org/10.25750/1995-4301-2023-4-070-077 (In Russ.).
12. Almasri M.N., Kaluarachchi J.J. Modular neural networks to predict the nitrate distribution in ground water using the on-ground nitrogen loading and recharge data. Environmental Modelling and Software. 2005;(20):851-871. https://doi.org/10.1016/j.envsoft.2004.05.001
13. Kim M., Gilley J.E. Artificial Neural Network estimation of soil erosion and nutrient concentrations in runoff from land application areas. Computers and Electronics in Agriculture. 2008;(64):268-275. https://doi.org/10.1016/j.compag.2008.05.021
14. Uno Y., Prasher S.O., Lacroix R., Goel P.K., Karimi Y., Viau A., Patel R.M. Artificial neural networks to predict corn yield from Compact Airborne Spectrographic Imager data. Computers and Electronics in Agriculture. 2005;(47): 149-161. https://doi.org/10.1016/j.compag.2004.11.014
15. Zhang J., Tian H., Wang P., Tansey K., Zhang S., Li H. Improving wheat yield estimates using data augmentation models and remotely sensed biophysical indices within deep neural networks in the Guanzhong Plain, PR China. Computers and Electronics in Agriculture. 2022;(192):106616. https://doi.org/10.1016/j.com-pag.2021.106616
16. World Reference Base for Soil Resources 2014. International Soil Classification System for Naming Soils and Creating Legends for Soil Maps. World Soil Resources Reports No. 106. Rome: FAO; 2014.
17. Dyakov V.N. Improvement of the Method of Accounting for Soil Run-off on Water Springs. Pochvovedenie = Soil Science. 1984;(3):146-148. (In Russ.).
18. StatSoft, Inc. STATISTICA (Data Analysis Software System), Version 13. 2020. Available from: https://web.archive.org/web/20131213145004/http://statsoft.ru/ [Accessed 1st August 2023].
19. Gaevaya E.A., Bezuglova O.S., Nezhinskaya E.N. Agrophysical properties of the Black Earth of the ordinary weakly eroded in the long experience in the Rostov region. Pochvovedenie = Soil Science. 2022;(11):1399-1414. https://doi.org/10.31857/S0032180X22110053 (In Russ.).
Информация об авторах
Э.А. Гаевая - кандидат биологических наук, ведущий научный сотрудник.
О. С. Безуглова - доктор биологических наук, профессор, главный научный сотрудник.
Information about the authors
E.A. Gaevaya - Candidate of Science (Biology), Leading Researcher. O.S. Bezuglova - Doctor of Science (Biology), Professor, Main Researcher.
Статья поступила в редакцию 09.02.2024; одобрена после рецензирования 04.03.2024; принята к публикации 24.05.2024. The article was submitted 09.02.2024; approved after reviewing 04.03.2024; accepted for publication 24.05.2024.
