CC BY
12Влияние показателей экологического состояния почв штата Айова (США) на урожайность сельскохозяйственных культур: экономический аспект
Рисник Дмитрий Владимирович
к.б.н., в.н.с., кафедра биофизики биологического факультета МГУ имени М.В.Ломоносова, biant3@mail.ru
Фурсова Полина Викторовна
к.б.н., с.н.с., кафедра биофизики биологического факультета МГУ имени М.В.Ломоносова
Статья посвящена изучению влияния показателей экологического состояния почв на урожайность сельскохозяйственных культур штата Айовы (США) за период с 1958 по 2017 гг. В качестве биоиндикаторов состояния почв были рассмотрены показатели урожайности различных культур: урожайность пшеницы, сои, люцерны, мятлика лугового и разнотравья. В качестве факторов, оказывающих действие на состояние почв, рассматривали шестнадцать показателей, среди них: уклон поверхности, рН почвенной вытяжки, коэффициенты водной эрозии, мощности верхнего и молликового горизонта. На основе критерия Колмогорова-Смирнова были установлены и удалены из базы данных выпадающие значения по каждому из исследуемых показателей. При помощи коэффициентов ранговой корреляции Спирмена проведена проверка на функциональность зависимостей. Выделены группы скоррелированных индикаторов (коэффициент детерминации между урожайностью пшеницы, сои, мятлика лугового и разнотравья составил 0,98). В качестве индикатора-представителя из группы скоррелированных показателей был выбран показатель урожайности сои, как наиболее распространенной в штате Айова культуры. На основании схожести значений урожайности культур при помощи 11-критерия Манна-Уитни выделены группы однородных почвенных зон. Ключевые слова: почва, урожайность, биоиндикаторы, факторы среды, Айова
Работа выполнена при частичной поддержке РФФИ (проект № 16-04-01024).
Введение
Цели сельскохозяйственной политики в развитых странах включают противодействие перепроизводству, повышение экономического и социального благосостояния населения и защиту окружающей среды. Однако отдельные направления такой политики нередко противоречат друг другу, что вызывает необходимость искать компромиссы. Законодательство, регулирующее деятельность фермерских хозяйств в США, связывают с историческими решениями в отношении землепользования в штате Айова с 1933 по 2002 годы [12]. Сочетание сельскохозяйственных и природоохранных земель на территории штата отражает чередование природоохранных эпох в политике, регулирующей деятельность фермерских хозяйств США. Для улучшения состояния окружающей среды, вероятно, требуется переход от политики, ориентированной на процесс сельскохозяйственного производства, к политике, подразумевающей многофункциональное использование сельскохозяйственных ландшафтов [3;4;5].
На Среднем Западе США расширенные севообороты, включающие выращивание кормовых культур в течение 3 и более лет, имели наивысшую оценку качества почвы по индексу качества почв (soil quality index - SQI). В оценке был использован минимальный набор показателей: объемная плотность, водостойкость макроагрегатов, pH, содержание общего органического углерода, содержание углерода микробной биомассы и содержание фосфора, экстрагируемого по методу Мелиха. Самые низкие величины индекса качества почв и средней доходности за 20 лет были связаны с непрерывным выращиванием кукурузы. Непрерывное выращивание кукурузы в этом регионе отрицательно сказывалось на физических, химических и биологических показателях качества почвы [6;11]. Более разнообразные и продолжительные севообороты улучшат устойчивость сельского хозяйства в регионе. Чтобы добиться изменений в практике земледелия, следует отойти от ориентации на производство к более консервативным мероприятиям, как это было сделано в программе обеспечения сохранности окружающей среды (Conservation Security Program - CSP) [7].
Достижение устойчивого производства сельскохозяйственных культур должно включать, среди прочего, характеристики качества воды, качества почвы и урожайности сельскохозяйственных культур. Выбор подхода к управлению сельскохозяйственным производством должен также учитывать тенденции в изменении почв и масштабы местных проблем с качеством почв [9].
Экологическое нормирование почв имеет важное значение в охране окружающей среды. К сожалению, определение их качества основано на результатах лабораторных исследований. Такой подход чреват некоторыми недостатками. Например, единые лабораторные нормативы плохо применимы к территориям больших размеров, так как влияние внешних факторов ощутимо различается в пределах обширных пространств [1].
Однако возможен и другой подход к нормированию, базирующийся на природных характеристиках почв и воздействующих на них факторах, однако его реализация на практике достаточно сложна. В теории влияние факторов легко поддается статистическому анализу, но в природных условиях на почвы действует огромное количество показателей. Это мешает построить упорядоченную диаграмму зависимости эффекта от дозы. Чтобы проанализировать такую зависимость, можно перейти от количественных переменных к их качественным классам. Эта методика использована в методе расчета локальных экологических норм (методе ЛЭН) [2].
Цель исследования: провести предварительную обработку материалов базы данных по состоянию почв штата Айова, проанализировать связи между индикаторами и факторами. Определить целесообразность использования метода ЛЭН для установления границ классов качества почв и силы связи между индикаторами и факторами.
О
3
в
S
V 2
сч cJ
£
Б
ей
2 ©
Материалы и методы
В работе использована база данных с информацией о характеристиках почв в штате Айова (США) [10]. Это крупный сельскохозяйственный штат, на территории которого проживает больше 3 млн. человек. Штат расположен между реками Миссури и Миссисипи. Его площадь достигает 146 тыс. км1. Самая высокая точка в этом штате - 509 метров, а самая низкая - 146 метров. То есть, в среднем штат находится на высоте 335 метров над уровнем моря. На его территории выпадает много осадков (континентальный климат), а также иногда случаются бури, наводнения и торнадо.
Взятая для исследования база данных содержит информацию о свойствах почв и урожайности произрастающих на них культур. Эта информация основана на 10000 наблюдениях за почвенными, биологическими и гидрологическими характеристиками. Наблюдения проводили с 1958 по 2017 гг.
В качестве биоиндикаторов состояния почв были рассмотрены показатели урожайности различных культур:
1) урожайность пшеницы, бушель/ акр = 0,0672 т/га;
2) урожайность сои, бушель/акр;
3) урожайность люцерны, т/акр = 0,405 т/га;
4) урожайность мятлика лугового, животная особь/месяц/акр = «Animal Unit Month/ ac». Такие единицы вводят для дальнейшего расчёта объема питания для разных сельскохозяйственных животных с пастбищной территории. Единицы характеризуют число животных, которое может прокормить конкретный участок пастбища за месяц. Единица измерения относится к количеству корма, потребляемого коровой с теленком за месяц (1 корова = 1 лошадь = 5 овец);
5) урожайность разнотравья, животная особь/месяц/акр.
В качестве факторов, оказывающих действие на состояние почв, рассматривали следующие показатели:
1) уклон поверхности, % (отношение превышения местности к горизонтальному проложению, на котором оно наблюдается, т.е. тангенсу угла между поверхностью склона и горизонталью, %);
2) уровень доступной влаги, дюйм воды/дюйм почвы - количество влаги в почве, доступное для растений;
3) глубина текстурных и композиционных изменений (от 0 до 60 дюймов) -глубина изменений, влияющих на объём корней, всасывание корней, движение воды и её запасы в дюймах;
Таблица 1
Диапазон и квантили изменения биологических и химических характеристик почвенных экосистем штата Айова (США), 1958-2017 гг.
Показатель min 25% 50% 75% max N
урожайность пшеницы, бушель/акр 80 139 176 211 240 8910
урожайность сои, бушель/акр 23.2 40.4 51.0 61.2 69.6 8910
урожайность люцерны, т/акр 1.85 3.58 4.47 5.66 6.72 8898
урожайность мятлика лугового, животная особь/месяц.акр 1.44 2.51 3.17 3.80 4.32 8910
урожайность разнотравья, животная особь месяц акр 2.40 4.18 5.28 6.34 7.20 8910
уклон поверхности, % О 1 4 12 58 8875
уровень доступной влаги, дюйм воды/дюйм почвы 0.0 9.0 10.8 11.8 24.0 9650
Шубина текстурных и композиционных изменений, дюйм 10 60 60 60 60 9570
плотность перхпего горизонта, г/смЗ 0.16 1.30 1.35 1.43 1.63 9594
плотность горизонта В, г/смЗ 0.17 1.35 1.43 1.53 1.85 9560
глубина грунтовых вод, фут 0.0 2.5 6.0 6.0 6.7 9594
содержание органического вещества. % 0.5 2.5 3.0 3.5 75.0 9652
рН поверхностного горизонта 5.3 6.2 6 5 6.5 8.4 9618
ЕКО. мг-экв./100 г 4 22 23 28 163 9615
К\у 0.00 0.28 0.28 0.32 0.43 9670
КГ 0.02 0.24 0.28 0.32 0.43 1423
Т фактор 0 4 5 5 5 9654
мощность верхнего горизонта, дюйм 2 5 12 16 58 9596
мощность молликового горизонта, дюйм 0 5 7 15 60 9648
содержание глины, % 0 21 23 29 58 9671
содержание песка. % 0 6 15 35 90 9671
4) плотность верхнего горизонта, г/
см3;
5) плотность горизонта В, г/см3 (имеется в виду плотность любого второго горизонта);
6) глубина грунтовых вод, футы = 0,305 м;
7) содержание органического вещества, %;
8) рН почвенной вытяжки из поверхностного горизонта;
9) Ёмкость катионного обмена (ЕКО), мг-экв. / 100 г почвы - общее количество катионов одного рода, удерживаемых почвой в обменном состоянии при стандартных условиях и способных к обмену на катионы взаимодействующего с почвой раствора;
10) ^ - коэффициент, характеризующий степень подверженности почвы водной эрозии, чем выше значение коэффициента, тем более восприимчива почва к эрозии;
11) К - аналог коэффициента ^ для мелкозернистой фракции с размерами частиц меньше 0,02 мм;
12) Т фактор, т/акр/год - максимальный среднегодовой уровень водной эрозии почв, не влияющий на урожайность сельскохозяйственных культур в течение длительного периода;
13) мощность верхнего горизонта, дюймы = 2,54 см;
14) мощность молликового горизонта, дюймы. Молликовый горизонт мощный, темный, многогумусный, комковатой или зернистой структуры, насыщенный основаниями (> 50%);
15) содержание глины (частиц меньше 0,002 мм), % - масса минеральных почвенных частиц диаметром менее 0,002 мм в процентах от массы частиц диаметром менее 2 мм;
16) содержание песка (частиц 0,02 до 2 мм), %.
Распределение значений исследуемых показателей приведено в таблице 1.
В работе использованы методы определения выпадающих значений по критерию Колмогорова-Смирнова, корреляционный анализ по Спирмену и Пирсону, определение групп индикаторов, од-
Таблица 2
Коэффициенты ранговой корреляции Спирмена между биоиндикаторами и факторами состояния почв (Айова, США, 1958-2017 гг.). Жирным шрифтом выделены значимые коэффициенты корреляции (р < 0,05)
Фактор Урожайность
Пшеница Соя Люцерна Мятлик Разнотравье
уклон поверхности -0.51 -0.51 -0.30 -0.51 -0.51
уровень доступной влаги (1.53 0.53 0.46 0.53 0.53
глубина текстурных и композиционных изменений «.23 0.23 0.14 0.23 0.23
плотность верхнею тризонта -0.30 -0.3« -0.23 -0.30 -0.30
плотность горизонта В -0.35 -0.35 -0.26 -0.35 -0.35
глубина грунтовых вод -0.10 -0.10 0.20 -0.10 -0.10
содержание органического вещества 0.56 0.56 0.33 0.56 0.56
РН 0.07 0.07 -0.01 0.07 0.07
ЕКО 0.37 0.37 0.15 0.37 0.37
Кит -0.14 -0.14 -0.15 -0.14 -0.14
КГ -0.03 -0.03 -0.06 -0.03 -0.03
Т фактор 0.52 0.52 0.45 0.52 0.52
мощность верхнего горизонта 0.47 0.47 0.24 0.47 0.47
мощность МОЛЛИКОНОГО горизонта 0.47 0.47 0.27 0.47 0.47
содержание тины 0.27 0.27 0.11 0.27 0.27
содержание песка -0.36 -0.36 -0.27 -0.36 -0.36
нородных по отношению к факторам, не влияющим на качество среды при помощи и-критерия Манна-Уитни. Предобработка данных Проверка на выпадающие значения переменных
Распределение значений по всем исследуемым показателям не отличается от нормального (р < 0,01 по критерию Колмогорова-Смирнова), что позволило использовать для отбраковки выпадающих значений правило трех сигм. Выпадающие значения были установлены и удалены из базы данных для следующих показателей: уклон поверхности; уровень доступной влаги; глубина текстурных и композиционных изменений; плотности верхнего и В горизонта; глубина грунтовых вод; содержание органического вещества; рН; ЕКО; К\«; Ю; Т фактор; мощность верхнего горизонта; мощность молликового горизонта; содержание глины. Для каждого из перечисленных показателей были исключены от 20 до 200 выпадающих значений.
Проверка на нефункциональность зависимостей
Перед применением метода ЛЭН следует убедиться, что зависимости между состоянием экосистем и факторами среды, воздействующими на них, нефункциональны. Метод ЛЭН работает с облаками точек и не предназначен для анализа функциональных зависимостей, когда
каждому значению фактора соответствует строго одно значение индикатора. Поэтому в первую очередь была проведена проверка зависимостей на функциональность. Для этого использовали коэффициенты ранговой корреляции Спирмена (табл. 2). Большая часть связей между характеристиками почв и урожайностью значимы, но достаточно слабы. Их значимость связана преимущественно с большими объемами исходных данных. Таким образом, по результатам анализа можно сделать вывод, что между индикаторами и факторами функциональных зависимостей нет. Например, коэффициент Спирмена, характеризующий связь между урожайностями сои, разнотравья, пшеницы, мятлика и количеством органического вещества в почвах равен 0,56 (наибольший результат для этого анализа).
Выделение групп скоррелированных индикаторов и индикаторов-представителей этих групп
Среди индикаторов удобно выделить группы высоко взаимно скоррелированных показателей и работать с представителями этих групп. Все индикаторы из одной группы скоррелированных между собой одинаково эффективны для целей биоиндикации. Проведенный коореляци-онный анализ связей между различными биоиндикаторами, показал, что все используемые биоиндикационные показа-
тели сильно скоррелированы = 0,98). Т.о. урожайности пшеницы, сои, мятлика и разнотравья можно считать группой скореллированных индикаторов, их дальнейший независимый анализ нецелесообразен, т.к. результаты, полученные для одного из показателей, с достаточной точностью характеризуют результаты для другого и значения одного показателя при помощи уравнения корреляции можно привести к значениям другого. В качестве индикатора-представителя из данной группы был выбран показатель урожайности сои, как наиболее распространенной в штате Айова культуры. Урожайность люцерны слабее коррелирует с урожайностями других культур = 0,85), т.е. имеет смысл анализ этого показателя как самостоятельного индикатора. Стоит отметить, что в старой версии базы данных (1ЭРАЮ 7.3 от 2010) функциональные связи были обнаружены только в парах «пшеница и соя», «мятлик и разнотравье», т.е. с 2010 произошли изменения в методиках определения урожайностей культур, которые, по сути, свели все урожайности к одному показателю.
Выделение групп совместно действующих факторов
Анализ корреляций между факторами среды выявил наличие двух групп совместно действующих факторов: 1) коэффициенты водной эрозии ^ и К = 0,98); 2) мощности верхнего и молликового горизонта = 0,92). Значения факторов в группах изменяются параллельно, т.е. в большинстве случаев при интерпретации результатов дальнейшего анализа невозможно будет отделить влияние одного фактора из группы от влияния другого. В связи с этим, из коэффициентов водной эрозии в качестве фактора-представителя выберем поскольку его значение определяли чаще, чем значение коэффициента Ю. Из мощностей верхнего и молликового горизонта целесообразнее выбрать толщину молликового горизонта, т.к. этот показатель определяли чаще, кроме того, его влияние на урожайность более прозрачно (в целом, очевидно, что верхний горизонт в большинстве случаев и является насыщенным гумусом молликовым горизонтом).
Определение групп индикаторов, однородных по отношению к факторам, не влияющим на качество среды
Согласно ^Пи-технологии качество среды следует оценивать на основе биоиндикационных показателей. Биоиндикационные показатели в свою очередь
О
3
в
S
V 2
см см
£
Б
ей
2 ©
отражают влияние всех характеристик среды. Однако, значения биоиндикаторов могут зависеть от двух видов факторов: «активных» и «пассивных». К «активным» факторам можно отнести концентрации химических веществ, которые напрямую связаны с состоянием среды.
«Пассивные» же факторы оказывают действие на значения индикаторов, однако такое действие не может быть истолковано как нарушение качества среды. Примером таких факторов служат сезоны года, географическая зональность и т.п. Чтобы нивелировать влияние «пассивных» факторов, следует разделить наблюдения на несколько однородных по отношению к ним групп. То есть, группы должны содержать наблюдения с однородной реакцией на воздействие определенного «пассивного» фактора. После разделения в каждой группе выводится среднее значение индикатора. Если эти значения в двух группах статистически значимо различны, каждая выделенная группа однородности потребует отдельного изучения воздействия на индикатор «активных» факторов.
Результаты исследования методом ЛЭН позволяют найти границы классов качества в отдельных группах, связанные с физико-химическими и биологическими свойствами (под границами понимаются значения, разделяющие градации экологического благополучия или допустимости).
Анализ групп однородности с использованием средних величин, описанный выше, требует нормальности распределения значений индикатора. В связи с этим, целесообразнее применять для этих целей непараметрический метод с использованием U-критерия Манна-Уитни. При его использовании закон распределения значений в группах однородности не важен.
В нашем исследовании в качестве «пассивного» фактора выступает почвенная зональность. Площадь штата Айова можно разделить на 12 основных почвенных зон (ОПЗ, ориг. MSA), как показано на рис. 1.
Результаты сравнения значений урожайности сои между основными почвенными зонами при помощи U-критерия Манна-Утни показало, что в одну группу можно объединить наблюдения, относящиеся к 3, 6 и 9 ОПЗ (не выявлено достоверных отличий между значениями индикатора в зонах, по отношению к значениям индикатора в остальных зонах объединенные зоны ведут себя идентично). В другую группу можно объединить наблю-
Рис. 1. Схема почв штата Айова (США), отражающая 22 основные почвенные ассоциации (буквы) и 12 основных почвенных зон (числа) [епоп е1 а1, 1971]
Таблица 3
Коэффициенты корреляции между урожайностью сои и факторами состояния почв. Жирным шрифтом выделены значимые коэффициенты корреляции (р < 0,05)
Фактор Урожайность СОН по осноиным почвенным зонам
1L IT 2 3+6: 9 4 5+7 8 11 12
уклон поверхности -0.77 -0.73 -0.55 -0.66 -0.74 -0.75 -0.25 -0.43 -0.48
уровень доступной влаги 0.59 0.20 0.62 0.56 0.61 0.46 0.77 0.56 0.78
глубина текстурных и КОМПОЗИЦИОННЫХ изменений 0.53 -0.28 0.26 0.18 0.15 0.22 -0.12 0.42 0.43
п потностъ верхнего горизонта -0.11 0.10 -0.40 -0.47 -0.52 -0.37 -0.26 -0.05 -0.17
плотность горизонта В -0.10 -0.22 -0.49 -0.55 -0.64 -0.36 -0.21 0.00 -0.16
глубина грунтовых вод -0.29 -0.23 -0.23 -0.01 -0.13 0.05 -0.18 -0.20 -0.34
содержание органического вещества 0.47 0.48 0.55 0.50 0.52 0.47 0.50 0.23 0.54
рП -0.06 0.23 -0.02 0.03 0.22 -0.21 -0.34 -0.13 004
ЕКО 0.32 0.19 0.55 0.41 0.11 0.21 0.42 0.33 0.56
Kw -0.37 -0.13 0.07 -0.09 -0.15 -0.27 0.39 0.19 0.34
Т фактор 0.60 -0.16 0.42 0.53 0.63 0.58 0.33 0.48 0.56
мощность MOJU1 и косо го горизонта 0.39 0.50 0.31 0.37 0.49 0.42 0.37 0.23 0.30
содержание глины 0.09 0.10 <1.55 0.35 -0.13 0.12 0.26 0.41 0.60
содержание песка -0.15 -0.25 -0.62 -0.56 -0.53 -0.43 -0.58 -0.42 -0.57
дения, относящиеся к 5 и 7 ОПЗ. Остальные ОПЗ следует рассматривать как самостоятельные группы однородности.
Результаты сравнения значений урожайности люцерны показало, что в одну группу можно объединить наблюдения: 1) относящиеся к 1Т и 4 ОПЗ; 2) относящиеся к 5 и 7 ОПЗ; 3) относящиеся к 8, 9 и 11 ОПЗ.
Корреляционный анализ связей между урожайностью и физико-химическими характеристиками почвенных экосистем
Полученные коэффициенты корреляции между индикаторами и факторами для выделенных групп основных почвенных зон приведены в табл. 3 (для уро-
жайности сои) и табл. 4 (для урожайности люцерны).
Для урожайности сои во многих группах ОПЗ установлены высокие по шкале Чеддока связи с уклоном поверхности (до -0.77) и уровнем доступной влаги (до 0.78). Также во многих группах ОПЗ установлена заметная по шкале Чеддока связь между урожайностью и Т фактором (до 0.63), содержанием песка (до -0,62), содержанием органических веществ (до 0.55). В единичных группах ОПЗ выявлены заметные связи урожайности сои с глубиной текстурных и композиционных изменений, плотностью горизонтов, величиной ЕКО и содержанием глины.
Таблица 4
Коэффициенты корреляции между урожайностью люцерны и факторами состояния почв. Жирным шрифтом выделены значимые коэффициенты корреляции (р < 0,05)
Урожайность люцерны юосновным почвенным
Фактор зонам
1L 1ТЧ 4 2 3 5-7 6 8+9+ 11 12
уклон поверхности -0.68 -0.53 -0.35 -0.46 -0.57 -0.53 -0.17 -0.36
уровень доступной влаги 0.56 0.50 0.49 0.51 0.54 0.53 0.46 0.65
глубина текстурных и композиционных 0.50 0.05 0.15 0.08 0.18 0.10 0.25 0.35
изменений
плотность верхнего горизонта -0.04 -0.35 -0.35 -0.37 -0.38 -0.47 -0.04 -0.10
плотность горизонта В -0.06 -0.44 -0.39 -0.47 -0.33 -0.42 0.03 -0.16
глубина Грунтовых вОД -0.06 0.12 0.17 0.32 0.35 0.31 0.30 -0.02
содержание органического нещестэа О.Зд 0.33 0.25 0.23 0.24 0.19 -0.10 0.25
РН -ОД1 0.13 -0.18 0.25 -0.17 -0.22 -0.37 -0.11
ЕКО 0.22 -0.06 0.27 0.00 -0.03 0.09 0.13 0.30
к> -0.35 -0.13 0.06 -0.11 -0.24 -0.13 0.11 0.27
Т фактор 0.58 0.60 0.32 0.55 0.56 0.41 0.35 0.47
мощность МОЛЛИ ко вою гари зонта 0.29 0.31 0.07 0.12 0.20 0.13 -0.02 0.12
содержание глины 0.03 -0.14 0.35 0.01 -0.06 0.17 0.18 0.40
содержание песка -0.14 -0.30 -0.49 -0.44 -0.37 -0.49 -0.27 -0.44
Для урожайности люцерны выявлены схожие, но более слабые связи. Так во многих группах ОПЗ установлены заметные по шкале Чеддока связи с уклоном поверхности (до -0.68), уровнем доступной влаги (до 0.65), Т фактором (до 0.60), содержанием песка (до -0,62). Остальные связи достаточно слабы или незначимы.
Заключение
Большинство связей между урожайностью и характеристиками почв значимы, но достаточно слабы. Выявленная значимость, в первую очередь, обусловлена большим размером исходного массива данных. Результаты анализа свидетельствуют о том, что функциональных зависимостей между индикаторами и факторами нет, максимальная величина коэффициента Спирмена составила 0,56 между урожайностями пшеницы, сои, мятлика, разнотравья и содержанием органического вещества.
Сравнение значений коэффициентов ранговой корреляции Спирмена и коэффициентами корреляции Пирсона между урожайностью сои, люцерны и факторами состояния почв, показало, что согласуются результаты по таким факторам, как уровень доступной влаги, глубина текстурных и композиционных изменений, содержание органического вещества, Т фактор, содержание глины и песка. Такой результат свидетельствует о нелинейности связей, выявленных в ранговых
корреляциях по другим факторам.
Довольно низкие величины коэффициентов корреляции говорят о целесообразности продолжения исследований связей при помощи метода ЛЭН.
Литература
1. Левич А.П., Булгаков Н.Г., Максимов В.Н. Теоретические и методические основы технологии регионального контроля природной среды по данным экологического мониторинга. М.: НИА-При-рода, 2004. - 271 с.
2. Рисник Д.В., Левич А.П., Фурсова П.В., Гончаров И.А. Алгоритм метода по расчету границ качественных классов для количественных характеристик систем и по установлению взаимосвязей между характеристиками. Часть 1. Расчеты для двух качественных классов. Компьютерные исследования и моделирование 8, 1 (2016), 19-36.
3. Boody G., Vondracek B., Andow D.A., Krinke M., Westra J., Zimmerman J., Welle P. Multifunctional agriculture in the United States. Bioscience 55, 2005. Р. 27-38.
4. Broussard W., Turner, R.E. A century of changing land-use and water-quality relationships in the continental US. Front. Ecol. Environ. 7. 2009. Р. 302-307.
5. Brown P.W., Schulte L.A. Agricultural landscape change (1937-2002) in three townships in Iowa, USA. Landsc. Urban Plan. 100. 2011. Р. 202-212.
6. Chase C., Duffy M. An economic comparison of conventional and reduced-
chemical farming systems in Iowa. Am. J. Alternative Agric. 6. 1991. P. 168-173.
7. Duffy M.D., Smith D. Estimated costs of crop production in Iowa - 2007. Publ. FM 1712. Iowa State Univ., Coop. Ext. Serv., Ames. 2007.
8. Fenton T.E., Duncan E.R., Shrader W.D., Dumenil L.C. Productivity levels of some Iowa soils. Special Report 66, Iowa State University of Science and Technology. 1971.
9. Gassman P.W., Williams J.R., Wang X., Saleh A., Osei E., Hauck L.M., Izaurralde R.C., Flowers J.D. The agricultural policy/ environmental extender (APEX) model: an emerging tool for landscape and watershed environmental analyses. Transactions of the ASABE. 53 (3). 2010. P. 711-740.
10. Iowa soil properties and interpretations database (ISPAID 8.1.1), ред. от 28.06.2017. URL: https:// www.extension.iastate.edu/soils/ispaid (дата обращения: 10.11.2017)
11. Karlen D.L. Cropping systems: Rain-fed maize-soybean rotations of North America. 2004. P. 358-362.
12. McGranahan D.A., Brown P.W., Schulte L.A., Tyndall J.C. Associating conservation/production patterns in US farm policy with agricultural land-use in three Iowa, USA townships, 1933-2002. Land Use Policy. 45. 2015. Р. 76-85.
Influence of the Indicators of Soil
Ecological Health on the Crop Yield in the State of Iowa, USA: economic aspect Risnik D.V., Fursova P.V. Lomonosov Moscow State University The article is dedicated to the study of the influence of the indicators of soil ecological health on the crop yield in the State of Iowa, USA, for the period from 1958 to 2017. The yield indices for different crops, such as wheat, glycine max, medick, poa pratensis, and miscellaneous herbs, were addressed as the biological indicators of soil ecological health. Sixteen indicators, including the surface slope, рН of soil extract, the index of erosion by water, and the depth of the upper and the mollic horizon, were considered as the factors, producing an effect on the state of the soils. On the basis of Kolmogorov-Smirnov's test, the outlying values for each of the test items were determined and removed from the data base. By the aid of Spearman rank-order correlation analysis, the test for functional connectivity was performed. Several groups of correlated indicators were specified (the determination coefficient between the yield of wheat, glycine max, poa pratensis, and miscellaneous herbs was 0.98). The yield index for glycine max was selected as the representative index from the group of correlated indicators, inasmuch as it is the most commonly encountered crop in the State of Iowa. The groups of homogeneous soil zones were specified on the ground of similarity of crop yield rates by means of Wilcoxon's rank sum test.
Keywords: soil, yield, biological indicators, environmental factors, Iowa.
О
3
в
s
V 2
References
1. Levich A.P., Bulgakov N.G., Maksimov V.N.
Theoretical and methodological foundations of regional environmental control technology according to environmental monitoring data. M .: NIA-Nature, 2004. - 271 p.
2. Risnik D.V., Levich A.P., Fursova P.V., Goncharov
I.A. The algorithm of the method for calculating the boundaries of quality classes for the quantitative characteristics of systems and for establishing relationships between characteristics. Part 1. Calculations for the two quality classes. Computer research and modeling 8, 1 (2016), 19-36.
3. Boody G., Vondracek B., Andow D.A., Krinke
M., Westra J., Zimmerman J., Welle P.
Multifunctional agriculture in the United States. Bioscience 55, 2005. P. 27-38.
4. Broussard W., Turner, R.E. A century of changing
land-use and water-quality relationships in the continental US. Front. Ecol. Environ. 7. 2009. R. 302-307.
5. Brown P.W., Schulte L.A. Agricultural landscape
change (1937-2002) in three townships in Iowa, USA. Landsc. Urban Plan. 100. 2011. P. 202-212.
6. Chase C., Duffy M. Iowa. Am. J. Alternative
Agric. 6. 1991. P. 168-173.
7. Duffy M.D., Smith D. Estimated costs of crop
production in Iowa - 2007. Publ. FM 1712. Iowa State Univ., Coop. Ext. Serv., Ames. 2007
8. Fenton T.E., Duncan E.R., Shrader W.D.,
Dumenil L.C. Productivity levels of some Iowa
soils. Special Report 66, Iowa State University of Science and Technology. 1971.
9. Gassman P.W., Williams J.R., Wang X., Saleh A.,
Osei E., Hauck L.M., Izaurralde R.C., Flowers J.D. The agricultural policy / environmental extender (APEX) model. Transactions of the ASABE. 53 (3). 2010. P. 711-740.
10. Iowa soil properties and interpretations database (ISPAID 8.1.1), ed. from 06.28.2017. URL: https://www.extension.iastate.edu/soils/ispaid (access date: 10.11.2017)
11. Karlen D.L. Cropping systems: Rain-fed maize-soybean rotations of North America. 2004. P. 358-362.
12. McGranahan, D.A., Brown, P.W., Schulte, L.A., Tyndall, J.C. Iowa, USA townships, 1933-2002. Land Use Policy. 45. 2015. R. 76-85.
СЧ
cJ £
Б
2 ©
