CC BY
62
doi: 10.24411/0235-2451-2021-10502 УДК 63:631.4:528.921:004.032.26
Внутрисезонный мониторинг водной эрозии почв пашни в подтайге Западной Сибири
Д. А. САВЕЛЬЕВА1, В. К. КАЛИЧКИН2
Сибирский НИИ сельского хозяйства и торфа - филиал Сибирского федерального научного центра агробиотехнологий РАН, ул. Гагарина, 3, Томск, 634050, Российская Федерация
2Сибирский федеральный научный центр агробиотехнологий РАН, пос. Краснообск, Новосибирский р-н, Новосибирская обл., 630501, Российская Федерация
Резюме. Исследования проводили с целью геоинформационного моделирования и внутрисезонного мониторинга максимального потенциала водной эрозии почв, а также потенциала эрозии с учетом фактора растительного покрова и расчетной действительной эрозии пахотных земель на территории водосборных бассейнов малых рек подтаежной зоны Западной Сибири. Для моделирования использовали Quantum GIS Desktop 3.12.2 with GRASS 7.8.2 и SAGA 2.3.2 с открытым кодом. Расчеты выполняли на основе универсального уравнения потерь почвы Вишмейера и Смита (USLE). Для обеспечения модели входными данными использовали доступные источники информации - цифровую модель рельефа SRTM, снимки Landsat 8 в красном и ближнем инфракрасном спектрах, литературные источники, а также собственные данные. По результатам моделирования получена 21 карта эрозионного состояния пашни на каждый месяц активного эрозионного периода (апрель - октябрь) для трех вариантов расчета потенциала эрозии. Максимальный потенциал водной эрозии почв пашни исследованной территории составляет 15,87...30,20 т/га/год; наиболее эрозионно-опасные месяцы по величине этого показателя - июль (30,20 т/га/год) и апрель (28,91 т/га/год). Потенциал эрозии с учетом растительного покрова составляет 5,73.15,81 т/га/год (min в августе, max в апреле и сентябре). В июле отмечено наибольшее снижение максимальных и средних величин смыва, по сравнению с другими месяцами, при учете фактора растительности - в 5,1 и 8,1 раз соответственно. Влияние фактора эффективности противоэрозионных мероприятий невелико и сильнее всего проявляется при снижении роли растительности в августе-октябре, а также на участках с максимальным потенциалом эрозии в мае и июне. Максимальные величины расчетной действительной эрозии составляют 5,22.15,40 т/га/год, средние - 0,31.1,21 т/га/год. Наиболее эрозионно-опасные месяцы по величине этого показателя - апрель и октябрь, наименее - август.
Ключевые слова: водная эрозия, ГИС, мониторинг, моделирование, USLE, NDVI.
Сведения об авторах: Д. А. Савельева, соискатель, младший научный сотрудник (e-mail: [email protected]); В. К. Каличкин, доктор сельскохозяйственных наук, главный научный сотрудник.
Для цитирования: Савельева Д. А., Каличкин В. К. Внутрисезонный мониторинг водной эрозии почв пашни в подтайге Западной Сибири // Достижения науки и техники АПК. 2021. Т. 35. №5. С. 15-21. doi: 10.24411/0235-2451-2021-10502.
Intraseasonal monitoring of water erosion of arable soils in subtaiga of Western Siberia
D. A. Savelieva1, V. K. Kalichkin2
1Siberian Research Institute of Agriculture and Peat - branch of the Siberian Federal Agrobiotechnology Research Center, Russian Academy of Sciences, ul. Gagarina, 3, Tomsk, 634050, Russian Federation
2Siberian Federal Research Center of Agricultural Biotechnology, Russian Academy of Sciences, pos. Krasnoobsk, Novosibirskii r-n, Novosibirskaya obl., 630501, Russian Federation
Abstract. The purpose of the study was to conduct geoinformation modelling and intraseasonal monitoring of the maximum potential of water erosion of soils, as well as the potential of erosion, taking into account the factor of vegetation and the estimated actual erosion of arable land in the catchment basins of small rivers in the subtaiga zone of Western Siberia. For modelling, we used the open-source software Quantum GIS Desktop 3.12.2 with GRASS 7.8.2 and SAGA 2.3.2. Calculations were performed based on the Wischmeyer and Smith Universal Soil Loss Equation (USLE). To provide the model with input data, we used available information sources: SRTM digital elevation model, Landsat 8 images in red and near-infrared spectra, literature sources, as well as our data. Based on the simulation results, we generated 21 maps of the erosion state of arable land for each month of the active erosion period (April - October) for three options for calculating the erosion potential. The maximum potential of water erosion of arable soils in the investigated area was 15.87-30.20 t/ha*year; the most erosion-hazardous months in terms of this indicator were July (30.20 t/ha*year) and April (28.91 t/ ha*year). Erosion potential, taking into account the vegetation cover, was 5.73-15.81 t/ha*year. The minimum was registered in August; the maximum was registered in April and September. In July, we noted the greatest decrease in the maximum and average values of washout, compared with other months, taking into account the vegetation factor - by 5.1 times and 8.1 times, respectively. The influence of the factor of the effectiveness of anti-erosion measures was small. It was most pronounced with a decrease in the role of vegetation in the period from August to October, as well as in areas with the maximum potential of erosion in May and June. The maximum values of the estimated actual erosion were 5.22-15.40 t/ha*year; the average values were 0.31-1.21 t/ha*year. The most erosion-hazardous months in terms of this indicator were April and October; the least hazardous month was August. Keywords: water erosion; GIS; monitoring; modelling; USLE; NDVI.
Author Details: D. A. Savelieva, applicant, junior research fellow (e-mail: [email protected]); V. K. Kalichkin, D. Sc. (Agr.), chief research fellow.
For citation: Savelieva DA, Kalichkin VK. Intraseasonal monitoring of water erosion of arable soils in subtaiga of Western Siberia. Dostizheniya nauki i tekhniki APK. 2021;35(5):15-21. Russian. doi: 10.24411/0235-2451-2021-10502.
Мониторинг эрозионных процессов - одно из необходимых условий рационального землепользования в ландшафтах, подверженных и потенциально опасных для развития водной эрозии почв. Его результаты могут быть применимы в разных сферах деятельности человека, но в основном это планирование почвозащитных мероприятий, эффективность которых тем выше, чем более точные данные
собраны на стадии обследования. Мониторинг эрозионных процессов сейчас ведется различными методами. Это натурные наблюдения, ручные измерения, а также методы, использующие данные дистанционного зондирования Земли (ДЗЗ), которые приобретают все большее распространение [1, 2, 3]. Имеющиеся сведения об интенсивности и динамике водной эрозии почв в подтаежной зоне Западной Сибири слабо система- 15
тизированы, охватывают малые площади, опираются на принцип экстраполяции и поэтому не отражают реальную картину в масштабах обширных территорий, охватывая точными данными лишь ключевые участки.
В последние десятилетия с развитием геоинформационных систем (ГИС) и технологий дистанционного зондирования Земли, проведение мониторинговых исследований стало проще [4, 5, 6]. Ученые получили эффективные и доступные инструменты, которые позволяют выполнять работу быстрее и точнее [7, 8, 9]. Несмотря на очевидные преимущества, неожиданный бум использования ГИС и ДЗЗ в 90-х - начале 2000-х в России сменился таким же стремительным падением интереса к этим технологиям в последние годы, геоинформационные технологии начали воспринимать как нечто обыденное. На фоне таких колебаний эрозионная тематика в контексте ГИС осталась «в тени» и существенного развития в нашей стране не получила, а круг российских исследователей, постоянно занимающихся геоинформационным моделированием и мониторингом водной эрозии почв, остается неизменным и весьма ограниченным. Интересно также и то, что в направлении моделирования водной эрозии отечественные ученые практически не уделяют внимания верификации и калибровке математических моделей и, в основном, используют модели и данные зарубежных коллег. Наибольших успехов в этом направлении, по нашему мнению, достиг Ю. П. Суха-новский [10, 11], который предложил модели водной эрозии почвы, выполнил их проверку на территории России и осуществил сравнение с другими моделями, а также добился удовлетворительных результатов сходимости моделируемых и наблюдаемых данных при эрозии, спровоцированной дождями и весенне-талым стоком.
Исследований временной, а тем более внутрисе-зонной ежемесячной, динамики водной эрозии на территории подтайги Западной Сибири с использованием ГИС не проводили. На наш взгляд, это обстоятельство связано в первую очередь со сложностями получения первичных данных для моделирования. Действительно, для обеспечения простой и наиболее распространенной модели водной эрозии почв - универсального уравнения потерь почвы Вишмейера и Смита необходимы результаты наблюдений за эрозией на стоковых площадках. Они отсутствуют, не говоря уже о более сложных моделях, для реализации которых требуется еще больше данных. То же самое можно отметить в отношении методологии проведения мониторинга на обсуждаемой территории.
Таким образом, проблемы мониторинга эрозии в условиях подтайги Западной Сибири вполне очевидны. Необходим поиск дополнительных источников входных данных для обеспечения математических моделей и методов их расчета.
Цель исследований - провести внутрисезонный геоинформационный мониторинг водной эрозии почв с использованием свободных ГИС, данных ДЗЗ и иных доступных источников информации для изучения временной и пространственной динамики интенсивности эрозии на пашне подтаежной зоны Западной Сибири.
Условия, материалы и методы. Под внутрисезон-ным мониторингом в представленном исследовании подразумевается моделирование ежемесячного потенциала водной эрозии почв в период ее активности (со второй половины апреля по первую половину октября).
Расчет потенциала водной эрозии почв пашни выполняли с использованием универсального уравнения потерь почвы (Universal Soil Loss Equation - USLE [12]), которое имеет следующий вид: A = RKLSCP,
где R - фактор дождевых осадков, K - фактор раз-мываемости почв, LS - фактор рельефа, зависящий от длины и крутизны склона, C - коэффициент покрытия почвы растительностью, P - коэффициент воздействия почвозащитных мероприятий.
Обеспечение модели входными данными осуществляли путем сбора информации, размещенной в свободном доступе, результатов камеральных и лабораторных исследований. Использовали следующие материалы:
сведения о показателях климата представлены архивными данными метеорологической станции № 294303u (г. Томск) и использованы для создания растра R-фактора;
цифровая модель рельефа - файл SRTM с разрешением 30х30 м, полученный с портала Earth Explorer. Используемая модель позволила выполнить построение карт в масштабе 1:100 000. На основе цифровой модели рельефа рассчитывали LS-фактор;
космические снимки местности в ближнем инфракрасном и красном спектрах Landsat 8 с разрешением 30х30 м для мая, июня, июля, августа, сентября и первой декады октября, с использованием которых создавали карты С-фактора;
почвенная карта Томской области в масштабе 1:1 000 000, почвенные карты сельскохозяйственных предприятий в масштабе 1:25 000, на основе которых создавали электронную карту почвенного покрова изучаемой территории;
собственные и литературные данные с результатами агрохимического и агрофизического анализа почв для расчета показателя К-фактора.
Работу проводили в типичной для подтаежной зоны Западной Сибири местности. Исследуемая территория охватывает два водосборных бассейна рек Томской области - Басандайки и Тугояковки, которые располагаются в междуречье рр. Томь-Яя. Работу выполняли на пахотных землях суммарной площадью 5,6 тыс. га (81 участок от 1,5 до 437,5 га). Основную часть пашни на этой территории занимают зерновые яровые культуры, незначительную -травы.Наличиеэрозионных проявлений отмечено исследователями ранее [13, 14]. Наиболее распространенные эрозионные формы на местности - ручейковые размывы и промоины (рис. 1а).
Изучаемая территория - фрагмент древней наклонной равнины, сильно-расчлененной глубоко-врезанными речными долинами, логами и балками. Абсолютные высоты составляют 132.. .257 м. Наиболее часто встречаемые формы поверхности - пологоува-листые склоны и холмисто-увалистые вершины водоразделов.
Почвенный покров пашни представлен в основном агросерыми и агротемно-серыми почвами преимущественно среднесуглинистого и тяжелосуглинистого гранулометрического состава. Присутствуют почвы от несмытых до сильно и очень сильно смытых (рис. 1б). Почвообразующие породы - лессовидные карбонатные суглинки.
Оценку эрозионного состояния пашни и картирование проводили с использованием Quantum GIS Desktop 3.12.2 with GRASS 7.8.2 и SAGA 2.3.2. Алгоритм определения потенциала водной эрозии в среде ГИС
Рис. 1. Эрозионная промоина на пашне (а) и профиль агротемно-серой сильно смытой почвы (б).
предусматривал расчет значений факторов водной эрозии, создание тематических векторных слоев для каждого из них с соответствующими атрибутивными данными, преобразование векторных слоев в растровые с последующей калькуляцией и обработкой.
Потенциал эрозии в зависимости от целей определения может быть рассчитан как с учетом всех факторов, входящих в формулу универсального уравнения потерь почвы, так и с использованием только выборочных переменных. Для определения максимального потенциала эрозии в уравнение включают фактор длины и крутизны склонов (LS), фактор податливости почв размыву (K) и климатический фактор (R). Формула расчета в этом случае приобретает видW = RKLS. Этот вариант уравнения не учитывает факторы С и Р, их величины принимаются равными 1. Такой подход позволяет получать представление о максимально возможных величинах и среднем максимуме смыва на местности. Расчеты с использованием факторов С и Р дают возможность определять значения близкие к реальным (действительная эрозия), что необходимо для оценки возможных рисков воздействия эрозии в конкретных условиях, а также экономической целесообразности почвозащитных мероприятий. В соответствии с изложенным в работе представлены результаты моделирования максимального потенциала эрозии (факторы R, K и LS), потенциала эрозии с учетом фактора С и действительной расчетной эрозии (совместное влияние факторов С и Р).
Выбор в качестве модели для исследования универсального уравнения потерь почвы Вишмейера и Смита (Wischmeier, Smith) обусловлен тем, что, на наш взгляд, алгоритм расчета LS-фактора в среде ГИС SAGA на базе Quantum GIS наиболее удачно реализован именно для USLE. Кроме того, эта модель проста, отличается относительно низкой требовательностью к количеству входных данных, имеет некоторое количество модификаций расчета факторов, которые открывают возможности для ее использования в условиях недостатка данных, необходимых для обеспечения классического варианта.
Для определения значения R-фактора использовали метод расчета, основанный на модифицированном индексе Фурье [15]. Фактор податливости почв размыву (К-фактор) рассчитывали по уравнению Шарпли-Виллиамс [16, 17]. Для этого определяли гранулометрический состав почв и содержание гумуса. Расчет LS-фактора осуществлялся с использованием алгоритма
LS-factor, field based SAGA по методу Wischmeier, Smith [12, 18]. P-фактор определяли по ГОСТ 17.4.4.03-86, который, в свою очередь, базируется на значениях, предложенных в работе [12].
С-фактор рассчитывали на основе вегетационного индекса NDVI, который определяли путем калькуляции растровых изображений местности в ближнем инфракрасном и красном спектрах в соответствии со следующей формулой:
ndvi = n,r-red
nir + red
где NIR - отражение в ближнем инфракрасном спектре, RED отражение в красном спектре.
Предварительно была выполнена нормализация геоданных посредством атмосферной коррекции, чтобы избежать ошибок в величинах цветности от влияния прозрачности атмосферы, угла падения и отражения солнечных лучей. Для этого использовали алгоритм Preprocessing QGIS for Landsat in Semi-Automatic Classification plugin.
Величину С-фактора определяли по формуле [19]:
ndvi
с = ехр
-а-
р -ndvi
где а и в - параметры, детерминирующие форму кривой NDVI - С-фактор (а=2, в=1), NDVI - величина вегетационного индекса.
На основании расчетов была получена номограмма (рис. 2), иллюстрирующая взаимосвязь С-фактора величинами NDVI. Пересчет значений NDVI в С-фактор для исследованной территории выполнен по этой же формуле с использованием калькулятора растров.
1 0,9 0,8 а 0,7 2 0,6 а 0,5 f 0,4 ° 0,3 0,2 0,1 0 с
0,05 0,1 0,15 0,2 0,25 0,3 0,35 V 0,4 " 0,45 0,5 0,55 0,6 0,65 0,7 0,75 0,8
Рис. 2. Номограмма зависимости С-фактора от величин NDVI (в соответствии с [19]).
Интенсивность смыва по U.M. Заславскому (т/га/год):
Рис. 3. Карты потенциала эрозии - фрагмент геоинформационной модели эрозионного состояния исследуемой территории: [ ^^-1-5 (средний)
j - 5-10 (сильный);
Таким способом С-фактор был рассчитан для мая, июня, июля, августа, сентября и октября. Ноябрь в расчет не включали, поскольку этот месяц нестабилен в отношении становления устойчивого снежного покрова (в отдельные годы его формирование наблюдали в конце октября - начале ноября; иногда - в начале декабря). Следует отметить, что, несмотря на теоретические противоречия использования NDVI в осенние месяцы, значения С-фактора, рассчитанные на его основе соотносятся с величинами, представленными в литературе и, по нашему мнению, могут быть использованы в качестве исходных данных не только для весенне-летних, но и для осенних месяцев наблюдения. Аналогичного мнения придерживаются и другие исследователи [20, 21]. В то же время NDVI оказался не пригоден для расчета С-фактора в апреле. По этой причине для его определения использовали общепринятые значения.
Результаты и обсуждение. Проявление эрозионных процессов, как писал М.Н. Заславский [22], возможно при наличии всего трех условий: воды для формирования стока, уклона и почвы, на поверхности которой будет протекать процесс. Среди выделенных факторов автор определил ведущим наличие воды, которая, поступая на наклонную поверхность, формирует сток и размывает почву. Это относится к любому виду текучих поверхностных вод. Поскольку основная часть исследователей сходится во мнении, что эрозия почв возникает в большинстве своем от ливневых осадков и весенне-талого стока, в представленной работе рассматривается только вода атмосферных осадков.
Значение Я-фактора на исследованной территории в разные месяцы изменяется от 133,61 до 254,21 единиц. Эта величина рассчитана для всей площади и остается постоянной в ее пределах, что связано с наличием всего одной доступной метеорологической станции. При расчете Я-фактора апреля учитывали сумму жидких осадков и накопленный среднемного-летний запас влаги в снеге, мая-октября - только сумму жидких осадков. Наибольшие величины Я-фактора отмечены в июне (254,21) и апреле (243,38), наименьшие - в мае (133,38).
Значения К-фактора в зависимости от содержания физической глины, ила, физического песка и гумуса варьируют от 0,021 до 0,03. Величины LS-фактора составляют 0,01...7,2, Р-фактора для участков с уклоном местности 1.2° и 7.12° под посевами при обработке почвы поперек склона равен 0,6; для участков с уклоном местности 2.7° под посевами при обработке почвы поперек склона - 0,5. Для участков с уклоном 0.1° значение Р-фактора принимали равными 1. С-фактор - величина, которая, как и фактор климата, меняется от месяца к месяцу. В апреле он был равен 0,6 для всей территории пашни, в мае по расчетам на основе NDVI - 0,2.0,5, в июле - 0,1.0,3, в первой половине октября - 0,2.0,4.
Путем калькуляции факторных карт была разработана геоинформационная модель водной эрозии почв пашни в условиях подтайги Западной Сибири. Она включает 21 карту потенциала эрозии пашни (максимального и с учетом фактора растительности) и действительной расчетной эрозии на исследованной
] - 0-0,5 (незначительный); I......I - 0,5-1 (слабый);
I - более 10 (очень сильный).
Таблица 1. Значения потенциальной и действительной эрозии на пашне подтайги Западной Сибири, т/га/год
Месяц LSKR* LSKR+C LSKR+CP
min** med I max min 1 med I max min med I max
апрель 0,36 3,73 28,91 0,01 1,64 15,81 0,008 1,21 15,40
май 0,20 2,04 15,87 0,004 0,66 8,40 0,004 0,66 5,61
июнь 0,30 3,11 24,23 0,009 0,66 8,82 0,005 0,48 6,93
июль 0,37 3,89 30,20 0,013 0,48 5,86 0,01 0,43 5,72
август 0,33 3,45 26,77 0,02 0,43 5,73 0,001 0,31 5,22
сентябрь 0,24 2,52 19,61 0,02 0,93 9,44 0,02 0,69 8,31
октябрь 0,02 2,81 32,39 0,006 1,25 15,29 0,006 0,92 14,81
*LSKR - максимальный потенциал эрозии; LSKR+C - потенциал эрозии с учетом фактора С; LSKR+CP - действительная расчетная эрозия; **min, med, max - минимальные, средние и максимальные значения потенциала эрозии и действительной расчетной эрозии.
территории для периода со второй половины апреля по первую половину октября помесячно. Использование разработанной модели дает возможность, например, наглядно увидеть (рис. 3), что воздействие растительности на интенсивность смыва в апреле значительно меньше, чем в другие месяцы, в особенности в августе, когда развитие растительного покрова оказывает наибольшее влияние, кратно снижая интенсивность эрозии, а воздействие Р-фактора невелико. В целом, согласно группировке эрозионных процессов Н.М. Заславского (смыв почв, т/га/год: 0.0,5 - незначительный; 0,5.1 - слабый; 1.5 - средний; 5.10 - сильный; >10 - очень сильный), по интенсивности потенциальной эрозии с учетом проведенного моделирования потенциальный смыв почв на изучаемой территории в разные месяцы варьирует от незначительного до очень сильного.
Наиболее эрозионно-опасные периоды по величине максимального смыва на исследуемой территории приходятся на июль (30,2 т/га/год) и апрель (28,91 т/га/год), за ними следуют август, июнь, октябрь (табл. 1); эрозионный потенциал мая наименьший (15,87 т/га/год). Средний максимум потенциальной эрозии составляет 2,04 т/га/год в мае, 3,89 т/га/год в июле и 3,73 т/га/ год в апреле. Очевидно, что динамику максимального потенциала эрозии определяют размеры среднемесячных осадков и Я-фактора, поскольку значения LS и К-факторов не изменяются во времени.
Анализ результатов расчетов с использованием фактора растительного покрова (С) свидетельствует о снижении средней и максимальной величин смыва с развитием растительности и повышением NDVI в период с апреля по июль, с августа по октябрь происходит их рост в связи с отмиранием растительности и снижением NDVI (см. табл. 1). Наличие растительного покрова на пашне обеспечивает уменьшение максимального потенциалаэрозии в апреле в 1,8 раза, в июле - в 5,1 раз. Еще большее влияние этот фактор оказывает на средний максимум величины смыва, который уменьшается соответственно в 2,3 и в 8,1 раз.
Противоэрозионные мероприятия (фактор Р) оказывают не такое заметное воздействие на сумму смыва, как наличие растительности (см. табл. 1), особенно в среднихзначениях. Однако роль этого фактора возрастает при снижении влияния растительности в августе-октябре и на участках с максимальным проявлением эрозии в мае и июне. Наиболееэрозионно-опасные месяцы по величине расчетной действительной эрозии - апрель и октябрь (15,4 и 14,81 т/га/год соответственно), наименее эрозионно-опасный - август (5,22 т/га/год).
Характеризуя изменения площадей ареалов разных групп земель по величине смыва, следует отметить их высокую динамичность внутри активного эрозионного периода как по максимальному потенциалу эрозии, так и с учетом влияния других факторов (табл. 2).
При использовании результатов расчета максимального потенциала эрозии ^КЯ) площадь земель с сильным и очень сильным потенциальным смывом варьирует от 160,42 га в мае до 1064,22 га в апреле и 1194,5 га июле. Сильной эрозии в июле подвержено 21,3 % обследованной территории, очень сильной -2,3 % (см. табл. 2), а апреле - 19 % и 2 % соответственно. В остальные месяцы площадь участков с сильным и очень сильным смывом значительно меньше. В частности, в мае она не превышает 0,001 %. В целом, основная часть исследуемой территории во все месяцы наблюдений представлена землями со средним смывом, доля которых варьирует от 78,1 % в июле, до 92,7% в сентябре. Площадь земель с незначительным максимальным потенциалом смыва невелика.
Наличие растительности и ее развитие на поверхности почвы обусловливают уменьшение площади
Таблица 2. Площади групп земель по величине максимального потенциала эрозии (LSKR), потенциала эрозии с учетом растительности (LSKR+С), расчетной действительной эрозии (LSKR+СР), га
Месяц Объем смыва, т/га/год
0...0,5 1 0,5...1 | 1...5 I 5...10 I 10 и более
LSKR
Апрель 1,21 11,05 4502,72 952,96 111,26
Май 9,97 307,61 5101,13 156,26 4,16
Июнь 2,95 15,45 4926,34 585,06 49,43
Июль 0,82 10,34 4373,58 1061,61 132,89
Август 1,90 12,62 4706,19 778,85 79,67
Сентябрь 5,83 54,41 5192,92 311,27 14,82
Октябрь 27,66 61,03 4968,25 462,21 58,68
LSKR+С
Апрель 386,68 1304,55 3753,69 128,16 6,22
Май 2406,11 2291,78 876,37 2,77 0
Июнь 2347,94 1658,55 1563,78 8,54 0
Июль 4232,14 888,94 455,76 1,02 0
Август 4221,44 882,98 473,84 0,69 0
Сентябрь 1203,34 2529,58 1840,28 5,45 0
Октябрь 586,05 2237,84 2713,02 37,94 1,26
LSKR+СР
Апрель 821,53 1986,02 2727,44 43,49 1,74
Май 2407,18 2292,98 876,14 2,68 0
Июнь 3040,17 1735,35 800,41 1,92 0
Июль 4233,59 785,44 557,62 1,14 0
Август 4687,57 643,03 247,05 0,007 0
Сентябрь 2194,3 2494,63 887,84 1,77 0
Октябрь 1359,09 2611,73 1592,3 12,35 0,36
земель с очень сильным смывом в мае-сентябре до нуля, в апреле - на 94,4 %, в октябре - на 97,8 %, а также значительно снижает площадь земель с сильным смывом, особенно в августе (см. табл. 2). Заметен переход земель из группы средне-эрозионных в группы слабо-эозионных и неэрозионных. В частности, в июле и августе доля земель с незначительным смывом превышает 75 %.
Почвозащитные мероприятия усиливают этот эффект. В августе при определении влияния совокупности всех учитываемых факторов можно наблюдать наиболее благоприятную эрозионную обстановку: основная часть исследуемой территории (83 %) представлена землями с величиной моделируемой действительной эрозии 0.0,5 т/га/год, остальная характеризуется наличием слабой и средней эрозии и практически полным отсутствием сильной и очень сильной эрозии (см. табл. 2).
Следует отметить, что при моделировании как потенциала эрозии с учетом С-фактора, так и расчетной действительной эрозии наиболее эрозионноопасным месяцем на исследованной территории становится апрель. В этом месяце наблюдаются значительно большие, по сравнению со всеми остальными, площади с очень сильным, сильным и средним смывом почвы.
В целом, моделирование водной эрозии почв на основе данных свободного доступа дает относительно верные сведения об эрозионной обстановке территории. Результаты моделирования водной эрозии почв в части закономерностей и абсолютных величин водной эрозии не только соответствуют данным из литературных источников [13, 14, 23], но и дополняют их новыми сведениями о динамикеэрозионного процесса в течение активного периода и перераспределении ареалов групп земель с разной интенсивностью смыва при использовании разных подходов учета.
Использование данных ДЗЗ оказалось весьма полезным, поскольку позволило получить нужные сведения об эрозионной обстановке за короткий срок, не выходя «в поле». Кроме того, у них есть преимущества,
обусловленные геопозиционной привязкой к глобальной координатной сетке.
Совокупным итогом подобных исследований, по нашему мнению, должны стать районирование территории и группировка земель подтаежной зоны Западной Сибири по степени эрозионной опасности. На сегодняшний день для этого региона еще не накоплено достаточно пространственно-распределенных данных, которые могли бы лечь в основу такой работы. Однако применение ГИС, данных ДЗЗ и наличие дополнительных возможностей расчета факторов эрозии, при отсутствии специфических входных данных моделей, делают решение этой ключевой для рационального землепользования задачи потенциально возможным.
Выводы. В условиях подтаежной зоны Западной Сибири интенсивность изменения показателей максимального потенциала водной эрозии почв, потенциала с учетом фактора растительного покрова и расчетной действительной эрозии отличается высокой динамичностью как во времени, так и в пространстве.
Наибольшие величины смыва почвы при определении максимального потенциала эрозии отмечены в июле и апреле, наименьшие - в мае. С учетом фактора растительного покрова (С) наиболее эрозионно-опасные месяцы -апрель и октябрь, наименее эрозионно-опасный - август. Эрозионная обстановка и динамика интенсивности эрозии при оценке расчетной действительной эрозии сопоставимы с ее потенциалом с учетом фактора С, при этом роль Р-фактора возрастает при снижении влияния растительности в августе-октябре и на участках с максимальным проявлением эрозии в мае и июне.
В сравнении с распределением площадей по максимальному потенциалу эрозии, на фоне влияния факторов растительного покрова и эффективности почвозащитных мероприятий отмечено снижение доли площадей с очень сильным смывом в период с мая по сентябрь до нуля, минимизация площадей с сильным смывом в июне-сентябре и существенное увеличение доли земель с незначительным и слабым смывом в эти месяцы.
Литература.
1. Скрипчинский А. В., Бурым Ю. В. Мониторинг эрозионных процессов средствами космической съемки // Наука. Инновации. Технологии. 2016. № 2. С. 89-98.
2. Байкалова Т. В. Мониторинг и оценка динамики развития эрозионных процессов на землях сельскохозяйственного назначения // Вестник Алтайского государственного аграрного университета. 2018. № 6 (164). С. 61-67.
3. Sepuru T. K., Dube T. An appraisal on the progress of remote sensing applications in soil erosion mapping and monitoring // Remote Sensing Applications: Society and Environment. 2018. Vol. 9. P. 1-9. URL: https://www.sciencedirect.com/science/article/ abs/pii/S2352938517301684?via%3Dihub (дата обращения: 10.03.2021). doi: 10.1016/j.rsase.2017.10.005.
4. Phinzi K., Ngetar N. S. The assessment of water-borne erosion at catchment level using GIS-based RUSLE and remote sensing: A review // International Soil and Water Conservation Research. 2019. Vol. 7. No. 1. P. 27-46. doi: 10.1016/j. iswcr.2018.12.002.
5. Integrated use of satellite remote sensing, artificial neural networks, field spectroscopy, and GIS in estimating crucial soil parameters in terms of soil erosion / D. D. Alexakis, E. Tapoglou, A.-E. K. Vozinaki, et al. // Remote Sensing. 2019. Vol. 11. No. 9. P. 1106. doi: 10. 3390/rs11091106.
6. Костин И. Г., Малышева Е. С. Мониторинг основных параметров плодородия почв с применением геоинформационных систем // Вестник Казанского государственного аграрного университета. 2020. Т. 15. № 2 (58). С. 96-101.
7. Якушев В. П., Якушев В. В., Матвеенко Д. А. Интеллектуальные системы поддержки технологических решений в точном земледелии // Земледелие. 2020. № 1. С. 33-37.
8. Дубенок Н. Н., Бородычев В. В., Лытов М. Н. Алгоритм учета пространственной неоднородности исходных характеристик орошаемого участка на основе ГИС-технологий // Российская сельскохозяйственная наука. 2019. № 1. С. 66-70.
9. Савин И. Ю., Жоголев А. В., Прудникова Е. Ю. Современные тренды и проблемы почвенной картографии //Почвоведение. 2019. № 5. С. 517-528.
10. Сухановский Ю. П. Физически обоснованная модель эрозии почвы при снеготаянии // Почвоведение. 2008. № 8. С. 1006-1018.
11. Сухановский Ю. П. Модель дождевой эрозии почв // Почвоведение. 2010. № 9. С. 1114-1125.
12. Wischmeier W. H., Smith D. D. Predicting rainfall erosion losses // Agric. Handbook No. 537. Washington: United States Department of Agriculture, 1978. 65 p.
13. Смыв почвы талыми снеговыми водами на склонах (по материалам стационарных наблюдений в Томской области) / Н. С. Евсеева, З. Н. Квасникова, М. А. Каширо и др. // Геоморфология. 2016. № 1. С. 45-54.
14. Факторы развития ливневой эрозии на пашне Томь-Яйского междуречья / Н. С. Евсеева, З. Н. Квасникова, М. А. Каширо и др. //Известия Иркутского государственного университета. Серия: Науки о земле. 2018. Т. 23. С. 51-63.
15. Rainfall erosivity factor for India using modified Fourier index / H. Tiwari, S. P. Rai, D. Kumar, et al. // Journal of Applied Water Engineering and Research. 2016. Vol. 4. No. 2. P. 83-91. doi: 10.1080/23249676.2015.1064038.
16. Sharpley A. N., Williams J. R. EPIC-Erosion/Productivity impact calculator. I: Model documentation. II: User manual // Technical Bulletin-United States Department of Agriculture. 1990. No. 1768. URL: http://pascal-francis.inist.fr/vibad/index.php?ac tion=getRecordDetail&idt=19306077 (дата обращения: 01.04.2021).
17. Mlynski D., Walega A. Identification of the relationship between rainfall and the CN parameter in Western Carpathian Mountain catchments in Poland // Sustainability. 2020. Vol. 12. No. 22. Article 9317. URL: https://www.mdpi.com/2071-1050/12/22/9317 (дата обращения: 21.03.2021). doi: 10.3390/su12229317.
18. Conrad O. Module LS-factor, field based: SAGA-GIS module library documentation (v 2. 2. 7). Germany: SAGA User Group Association; 2013. URL: http://www.saga-gis.org/saga_tool_doc/2.2.7/ta_hydrology_25.html (дата обращения: 20.02.2021).
19. Multi-temporal soil erosion risk assessment in N. Chalkidiki using a modified USLE raster model /1. Z. Gitas, K. Douros, C. Minakou, et al. // EARSel eproceedings. 2009. Vol. 8. No. 1. P. 40-52.
20. Мячина К. В. Анализ космических изображений с расчетом NDVI для изучения динамики ландшафтного покрова территории нефтяного месторождения в Оренбургской области //Известия Оренбургского государственного аграрного университета. 2013. № 4 (42). C. 206-209.
21. The effects of seasonality in estimating the C-factor of soil erosion studies / T. K. Alexandridis, A. M. Sotiropoulou, G. Bilas, et al. //Land Degradation & Development. 2015. Vol. 26. No. 6. P. 596-603. doi: 10.1002/ldr.2223.
22. Методические вопросы оценки факторов, определяющих эрозионную опасность земель // Эрозионные процессы в Сибири. Новосибирск: Наука СО, 1978. С. 5.
23. Условия и интенсивность эрозионно-аккумулятивных процессов в лесостепи Предсалаирья / А. А. Танасиенко, А. С. Чумбаев, О. П. Якутина и др. //Почвоведение. 2013. № 11. С. 1397.
References
1. Skripchinskii AV, Burym YuV. [Monitoring of erosion processes by means of satellite imagery]. Nauka. Innovatsii. Tekhnologii. 2016;(2):89-98. Russian.
2. Baikalova TV. [Monitoring and assessment of the dynamics of erosion process development on agricultural lands]. Vestnik Altaiskogo gosudarstvennogo agrarnogo universiteta. 2018;(6):61-7. Russian.
3. Sepuru TK, Dube T. An appraisal on the progress of remote sensing applications in soil erosion mapping and monitoring. Remote Sensing Applications: Society and Environment [Internet]. 2018 [cited 2021 Mar 10];9:1-9. Available from: https://www. sciencedirect.com/science/article/abs/pii/S2352938517301684?via%3Dihub. doi: 10.1016/j.rsase.2017.10.005.
4. Phinzi K, Ngetar NS. The assessment of water-borne erosion at catchment level using GIS-based RUSLE and remote sensing: A review. International Soil and Water Conservation Research. 2019;7(1):27-46. doi: 10.1016/j.iswcr.2018.12.002.
5. Alexakis DD, Tapoglou E, Vozinaki A-EK, et al. Integrated use of satellite remote sensing, artificial neural networks, field spectroscopy, and GIS in estimating crucial soil parameters in terms of soil erosion. Remote Sensing. 2019;11(9):1106. doi: 10. 3390/rs11091106.
6. Kostin IG, Malysheva ES. [Monitoring of the main parameters of soil fertility using geographic information systems]. Vestnik Kazanskogo gosudarstvennogo agrarnogo universiteta. 2020;15(2):96-101. Russian.
7. Yakushev VP, Yakushev VV, Matveenko DA. [Intelligent support systems for technological solutions in precision farming]. Zemledelie. 2020;(1):33-7. Russian.
8. Dubenok NN, Borodychev VV, Lytov MN. [Algorithm for estimating the spatial heterogeneity of the initial characteristics of an irrigated area based on GIS technologies]. Rossiiskaya sel'skokhozyaistvennaya nauka. 2019;(1):66-70. Russian.
9. Savin IYu, Zhogolev AV, Prudnikova EYu. [Modern trends and problems of soil mapping]. Pochvovedenie. 2019;(5):517-28. Russian.
10. Sukhanovskii YuP. [Physically based model of soil erosion during snowmelt]. Pochvovedenie. 2008;(8):1006-18. Russian.
11. Sukhanovskii YuP. [Rain erosion model]. Pochvovedenie. 2010;(9):1114-25. Russian.
12. Wischmeier WH, Smith DD. Predicting rainfall erosion losses. Agric. Handbook No. 537. Washington: United States Department of Agriculture; 1978. 65 p.
13. Evseeva NS, Kvasnikova ZN, Kashiro MA, et al. [Soil washout by melt snow waters on the slopes (based on stationary observations in the Tomsk region)]. Geomorfologiya. 2016;(1):45-54. Russian.
14. Evseeva NS, Kvasnikova ZN, Kashiro MA, et al. [Factors of storm erosion development on arable land of the Tom-Yai interviuve]. Izvestiya Irkutskogo gosudarstvennogo universiteta. Seriya: Nauki o zemle. 2018;23:51-63. Russian.
15. Tiwari H, Rai SP, Kumar D, et al. Rainfall erosivity factor for India using modified Fourier index. Journal of Applied Water Engineering and Research. 2016;4(2):83-91. doi: 10.1080/23249676.2015.1064038.
16. Sharpley AN, Williams JR. EPIC-Erosion/Productivity impact calculator. I: Model documentation. II: User manual. Technical Bulletin-United States Department of Agriculture [Internet]. 1990 [cited 2021 Apr 1];(1768). Available from: http://pascal-francis. inist.fr/vibad/index.php?action=getRecordDetail&idt=19306077.
17. Mlynski D, Walega A. Identification of the relationship between rainfall and the CN parameter in Western Carpathian Mountain catchments in Poland. Sustainability [Internet]. 2020 [cited 2021 Mar 21];12(22): Article 9317. Available from: https:// www.mdpi.com/2071-1050/12/22/9317. doi: 10.3390/su12229317.
18. Conrad O. Module LS-factor, field based: SAGA-GIS module library documentation (v 2. 2. 7) [Internet]. Germany: SAGA User Group Association; 2013 [cited 2021 Feb 20]. Available from: http://www.saga-gis.org/saga_tool_doc/2.2.7/ta_hydrology_25. html.
19. Gitas IZ, Douros K, Minakou C, et al. Multi-temporal soil erosion risk assessment in N. Chalkidiki using a modified USLE raster model. EARSel eproceedings. 2009;8(1):40-52.
20. Myachina KV. [Analysis of satellite images with the NDVI calculation for studying the dynamics of the landscape cover of the territory of an oil field in the Orenburg region]. Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta. 2013;(4):206-9. Russian.
21. Alexandridis TK, Sotiropoulou AM, Bilas G, et al. The effects of seasonality in estimating the C-factor of soil erosion studies. Land Degradation & Development. 2015;26(6):596-603. doi: 10.1002/ldr.2223.
22. [Methodological issues of assessing the factors that determine the erosion hazard of lands]. In: Erozionnye protsessy v Sibiri [Erosion processes in Siberia]. Novosibirsk (Russia): Nauka SO; 1978. p. 5. Russian.
23. Tanasienko AA, Chumbaev AS, Yakutina OP, et al. [Conditions and intensity of erosion-accumulative processes in the forest-steppe of the Pre-Salair region]. Pochvovedenie. 2013;(11):1397. Russian.
