Original Russian Text © 2022 D. V. Ershov, E. N. Sochilova published in Forest Science Issues Vol. 5, No. 4, Article 117

© 2023                                        D. V. Ershov^*, E. N. Sochilova

Center for Forest Ecology and Productivity of the Russian Academy of Sciences

Profsoyuznaya st. 84/32 bldg. 14, Moscow, 117997, Russian Federation

^*Email: dvershov67@gmail.com

Received: 28.11.2022

Revised: 15.12.2022

Accepted: 18.12.2022

This paper presents the statistics of direct wildfire carbon emission estimates during the wildfires of 2021 on forest lands of Russia using long-term satellite data. In 2021, the area affected by forest wildfires was 9.3 million ha, while carbon emissions amounted to 66.4 MtC. Said values are almost two points higher than the long-term average values. A comparison of similar indicators for twenty years allowed us to conclude that said year was anomalous with respect to the entire time series, similar to the wildfire seasons of 2003 and 2012. A period or interval for recurrence of three anomalous wildfire seasons is nine years. The reason for the recurrence of anomalous wildfire seasons is yet to be found. At the same time, the forest areas affected by wildfires, and direct carbon and other greenhouse gas emissions in anomalous wildfire years decreased from 127.2 MtC (3.7 times) in 2003 to 83.8 MtC (2.4 times) in 2012, and to 66.4 MtC (1.9 times) in 2021.

Keywords: wildfires, pyrogenic emissions, carbon, remote sensing, forest fuels

The task of estimating and monitoring yearly direct wildfire greenhouse gas emissions using remote sensing data from space is being solved by many research teams in Russia. The results and databases with long-term estimates of direct pyrogenic carbon emissions in the 21st century were published in a number of studies, in particular by A. Shvidenko and D. Schepaschenko (Shvidenko, Schepaschenko, 2013), V. Kharuk et al. (Kharuk et al., 2021), and E. Ponomarev et al. (Ponomarev et al., 2021). A. Shvidenko and D. Schepaschenko found that, for the period from 1998 to 2010, on average, the annual values of direct wildfire carbon emissions in Russia were 121 ± 28 MtC, of which 92 ± 18 MtC (2/3 of total emissions) were associated with wildfires on forest lands. V. Kharuk et al. (2021) presented an assessment of areas affected by wildfires in Central Siberia for the period from 1999 to 2019 according to remote sensing data. The authors state that 30% of all satellite data of wildfires detected in Central Siberia are detected on forested cover lands. The average long-term values of direct wildfire pyrogenic carbon emissions in the 21st century in Siberia are estimated at 85 ± 20 MtC per year.

Ponomarev et al. (2021) list even greater amounts of wildfire emissions in Central Siberia for the period of 2002–2020. According to them, average pyrogenic carbon emissions amounted to 80 ± 20 MtC/year in the first decade of the 21st century, and 110 ± 20 MtC/year in the second decade. At the same time, the authors note that in the anomalous fire seasons of 2003, 2012, and 2019, direct wildfire carbon emissions amounted to over 150 MtC/year, 220 MtC/year, and 180 MtC/year, respectively.

Each team used its own techniques to calculate pre-fire forest fuel reserves, models to determine wildfire type and intensity, and methods to estimate direct pyrogenic carbon emissions. For example, E. Ponomarev et al. (Ponomarev et al., 2021) used in their models the values of fire radiative power for each MODIS image pixel when calculating wildfire areas for wildfires of varying (low, medium, and high) degrees of intensity. Areas covered by wildfires were spatially tied to thematic classes of vegetation maps (VEGA-PRO, 2022); based on generalized data on forest fuel (FF) reserves collected from literature sources and ground measurements, total pre-fire FF reserves (in the range from 13.8 to 54.0 t/ha) for different types of woody vegetation were determined. Using empirical estimates, again collected from research papers, the authors defined the ranges of conversion rates and volumes of combustible FF in wildfires of various intensities. Thus, the authors cite the following ranges of biomass reserve consumption for major conductors of forest fuel combustion in low, medium, and high intensity wildfires: 1.1–9.7 t/ha, 8.6–21.5 t/ha, and 22.5–53.6 t/ha, respectively. These ranges are then used to quantify direct wildfire carbon emissions in Siberia.

The purpose of the study presented in this paper is to estimate direct pyrogenic carbon emissions 2021 based on the developed and tested methodology (Ershov et al., 2009), as well as analyze and compare the obtained estimates with long-term satellite monitoring over forest wildfires as well as direct pyrogenic emissions of carbon and other greenhouse gases (2002–2020).

MATERIALS AND METHODS

We used our methodology for assessing annual direct pyrogenic carbon emissions from wildfires for Russian forests at the national level. Carbon emission methodology on pixel level assessment of spatially distributed data (raster maps) on wildfires and pre-fire forest fuel reserves of low spatial resolution MODIS (230 m) is based. For each pixel with a thematic class of forest cover in the vegetation map of terrestrial ecosystems (Bartalev et al., 2016), FF reserves of the upper canopy, new growth, undergrowth, living ground cover, and forest litter (t/ha) were assessed according to the methodology (Sochilova et al., 2009). The obtained digital raster layers form the basis for a spatial framework of pre-fire forest fuel. The ranges of minimum and maximum FF reserves for forest classes on the vegetation map listed in Table 1 show comparable values provided by the article by E. I. Ponomarev et al. (2021) and by other authors (Vonskij, 1957; Kurbatskij, 1970; Sheshukov, 1970; Tsvetkov, 2001; Fedorov, Cykalov, 2002; Furjaev et al., 2007; Matveeva, 2008; Furjaev et al., 2009; Kovaleva et al., 2017). Some underestimations of the average biomass reserves of combustion conductors are probably because the calculations used the 2006 state forest accounting data and the corresponding conversion rates (Zamolodchikov et al., 2003), as well as the database on biomass and forest productivity at test plots, collected from study materials (Utkin et al., 1994). It may be necessary to update the databases and improve the calculation methods. Moreover, the calculation of the biomass FF reserves does not include data for logs and coarse woody debris, which could also affect the total reserves of combustion conductors. In upcoming our papers, significant changes will be made in the calculations of FF biomass reserves based on a number of models the authors published for the following layers: (1) tree biomass (Schepaschenko et al., 2018); (2) lower tree layers —undergrowth and forest shrubs; (3) living ground vegetation cover (Shvidenko et al., 2008); (4) coarse woody debris (Shvidenko et al., 2009); and (5) forest litter (Schepaschenko et al., 2013).

Pyrogenic carbon emissions in forests are determined based on data on the pre-fire reserves of main FF combustion conductors, as well as wildfire type and intensity (Ershov et al., 2016), corresponding consumed forest fuel reserves and corresponding volumes of carbon and greenhouse gases. Spatial wildfire data is generated every year and obtained from Datacenter IKI-Monitoring (Lupjan et al., 2019).

Table 1. Ranges of biomass reserves of main FF combustion conductors by types of vegetation maps of terrestrial ecosystems (Bartalev et al., 2016)

To determine the type and intensity of a forest wildfire, athematic raster product with forest tree condition damaged by wildfire (Stycenko et al., 2013) as well as forest classes of vegetation map (Bartalev et al., 2016) are used. Depending on the degree of damage to coniferous or deciduous forests in each pixel of the vegetation map, the wildfire type (crown fire or ground fire), as well as the degree of ground fire intensity are determined. The obtained raster product of the wildfire type and intensity to determine the proportion of consumed combustion conductor reserves for upper tree canopy, undergrowth, shrub, living ground vegetation cover, and forest litter is then used. At the final stage, the biomass reserves of all layers of FF vertical profile are combined into a common indicator. The total consumed biomass reserves are then reduced by half and converted to direct pyrogenic carbon emissions. To obtain the estimates of greenhouse gases, conversion rates are used that were published in the paper of D. Zamolodchikov et al. (Zamolodchikov et al., 2005).

RESULTS AND DISCUSSION

As a result of applying our methodology we determined the ranges (relative to average values) of the biomass FF consumption for various wildfire types and intensities during the fire season of 2021. The estimates obtained for biomass reserve consumption as a result of low, medium, and high intensity ground fires, as well as crown fires on the forested cover lands of Russia in 2021 range as follows: 0.05–5.46 t/ha (on average 1.62 ± 0.55 t/ha), 1.4–25.33 t/ha (on average 9.51 ± 1.97 t/ha), 0.3–43.25 t/ha (on average 14.37 ± 4.79 t/ha) and 12.20–66.32 t/ha (on average 24.62 ± 2.35 t/ha), respectively. The values of average biomass consumption of main FF combustion conductors are somewhat underestimated as compared with the literature sources cited in the introduction of this paper, as noted above, due to underestimation of pre-fire fuel reserves of the main FF combustion conductors. The scale of this underestimation has yet to be clarified using ground-based data on biomass reserves in forests and other terrestrial ecosystems, whose collection is supported by a research grant as part of development of a national system for monitoring over climatically active substances (Decree …, 2022).

We presented the estimated wildfire emissions over a long period of observations (2002–2021) at the scientific conference “Research Foundations of Sustainable Forest Management” (Ershov et al., 2022). According to the satellite monitoring data (2002–2021), the total area of forests affected by wildfires over 20 years amounted to 100.3 million ha, while direct carbon wildfire emissions amounted to 725.5 MtC (Table 2). For 2002–2020, the average area of forests affected by wildfires per year according to our estimates was 4.79 (±3.05) million ha/year, while direct pyrogenic carbon emissions amounted to 34.69 (±28.27) MtC/year.

The penultimate line of Table 2 shows the difference between the values of areas affected by forest wildfires, direct pyrogenic emissions of carbon and greenhouse gases in 2021, and average long-term values of the same indicators obtained for 2002–2020.

Table 2. Estimates of direct emissions of carbon and other greenhouse gases due to forest wildfires, obtained from 2002–2021 satellite monitoring across the Russian Federation

All indicators, except for specific carbon emissions (column 4), exceed the average long-term values, while the order of numbers is commensurate with the average long-term values. Emissions of carbon and other greenhouse gases in 2021 exceeded the average long-term values by 1.9 times, similar to 2003 (3.7 times) and 2012 (2.4 times). Thus, 2021 can be considered an anomalous year in terms of direct carbon emissions from wildfires, similar to the fire- seasons of 2012 and 2003 (Fig. 1).

Figure 1. Deviation in values of direct pyrogenic carbon emissions relative to the average long-term values from 2002 to 2020. The blue lines indicate the intervals between anomalous years in increments of 9 years, and the numbers indicate the amount and sign of carbon emissions relative to the average long-term values for 19 years

The diagram (Fig. 1) shows three distinguished anomalous years that exceed the total values of pyrogenic carbon emissions relative to the average long-term values by 92.4, 49.1, and 31.8 MtC. The time interval in between is 9 years. In our paper (Ershov, Sochilova, 2020), we noted that, when analyzing the time interval series of 2002 to 2020, two anomalous years were found with 9-years interval in between. We suggested that 2021 might turn out to be anomalous as well if the identified cyclic recurrence exists in the territory of Russia. The reason for such cyclic recurrence in Russia has not yet been established and needs more research. We can only state that direct pyrogenic carbon emissions in anomalous years decreased over 20 years from 127.1 MtC (2003) to 83.8 MtC (2012), and to 66.4 MtC in 2021. Presumably, this is due to the fact that there was a systematic excess of pyrogenic carbon emissions relative to the long-term average value from 2016 to 2020, and the total value of emission exceedances for 2012–2020 has a positive sign, i. e. 57.45 MtC (Fig. 1). Thus, as wildfire intensity increases from year to year, the yearly FF consumption in forest ecosystems increases, which results in decreased emissions during anomalous years. However, this assumption requires additional validation of our model calculations based on ground data in forests affected by wildfires, whose collection will also be sponsored by a research grant as part of development of a national system for monitoring over climatically active substances (Decree …, 2022).

Presumably, 2022 will be a regular wildfire season in Russia that may not exceed the areas of forest wildfires and direct wildfire carbon emissions relative to the average long-term values.

Considering the space of distributed wildfire carbon emissions in 2021 in Russia (Fig. 2), it can be noted that the main contribution is traditionally made by regions of the Urals (Khanty-Mansiysk and Yamal-Nenets Autonomous Okrugs), Siberia (Tomsk Oblast, Krasnoyarsk Krai, Irkutsk Oblast), and the Far East (Republic of Sakha (Yakutia), Zabaykalsky Krai, and Amur Oblast). There is also an increase in flammability and carbon emissions in the northern latitudes of the European part of Russia’s forests compared to 2020 (Ershov, Sochilova, 2022).

Figure 3 shows the deviation of specific pyrogenic carbon emissions in 2021 relative to the long-term average values. In 2021 (as in 2020), excessive carbon emissions relative to the average long-term values was observed in forests of the Republic of Yakutia, in most areas of Magadan Oblast and Chukotka Autonomous Okrug, and in the north of Khabarovsk Krai. Also, the emissions of 2021 exceeded the average long-term values on forest lands in the Volga region and north-western areas. In the European and southern parts of Russia, excessive carbon emissions over the long-term average values are local and fragmented.

Figure 2. Distribution map of direct specific wildfire carbon emissions (t/ha) in 2021 in Russian forests

Figure 3. Map of deviations of direct pyrogenic carbon emissions in 2021 relative to long-term average values

CONCLUSION

The yearly direct pyrogenic emissions of carbon and other greenhouse gases resulting from forest wildfires in Russia in 2021 were estimated by method of the Center of Forest Ecology and Productivity of the Russian Academy of Sciences. The calculations of biomass reserve consumption of forest fuel for various wildfire types and intensities showed underestimated values relative to other studies, which is associated with an underestimation of pre-fire reserves of the main combustion conductors in forests of Russia. We plan to significantly modernize the calculation methodology by using up-to-date models for assessing the biomass of forest fuel layers and new sets of themed satellite products of medium spatial resolution (230 m).

According to the results of the current methodology, the forest areas affected by wildfires amounted to 9.3 million ha in 2021, and direct wildfire carbon emissions were estimated at 66.4 MtC. Our assumptions that 2021 would be an anomalous year in terms of wildfires and greenhouse gas emissions resulting from forest wildfires have been confirmed to be true. We also detected the recurring anomalous wildfire seasons once every nine years over the past 20 years of monitoring. More research is needed to determine the cause and relations of this recurrence. It is important to note that emissions during anomalous years are systematically decreasing, which is probably due to the increase in large high-intensity wildfires in forests and increased consumption of forest fuel during regular fire seasons.

FUNDING

Statistical evaluation of pyrogenic emissions was carried out within the framework of a government assignment for the Center of Forest Ecology and Productivity of the Russian Academy of Sciences AAAA-A18-118052590019-7; development and analysis of satellite products and geographic data maps were supported by Russian Science Foundation (project No 19-77-30015).

REFERENCES

Bartalev S. A., Egorov V. A., Zharko V. O., Lupjan E. A., Plotnikov D. E., Hvostikov S. A., Shabanov N. V., Sputnikovoe kartografirovanie rastitel’nogo pokrova Rossii (Land cover mapping over Russia using Earth observation data), Moscow: IKI RAN, 2016, 208 p.

Ershov D. V., Bartalev S. A., Isaev A. S., Sochilova E. N., Stycenko F. V., Metod ocenki pozharnyh jemissij parnikovyh gazov s ispol’zovaniem sputnikovyh dannyh: rezul’taty primenenija dlja lesov Rossii v 21 veke (Fire assessment method of greenhouse gas emission with satellite data: results of forest for Russia in the 21st century), Ajerokosmicheskie metody i geoinformacionnye tehnologii v lesovedenii, lesnom hozjajstve i jekologii (Aerospace Methods and GIS-Technologies in Forestry, Forest Management and Ecology), Proc. VI All-Russian Conference, Moscow, Russia, April 20-22, 2016, pp. 12–17.

Ershov D. V., Kovganko K. A., Sochilova E. N., GIS-tehnologija ocenki pirogennyh jemissij ugleroda po dannym Terra-MODIS i gosudarstvennogo ucheta lesov (GIS-technology of fire carbon emission assessment using Terra-Modis products and state forest account data), Sovremennye problemy distancionnogo zondirovanija Zemli iz kosmosa, 2009, Issue 6, Vol. 2, pp. 365–372.

Ershov D. V., Sochilova E. N., Dvadcatiletnjaja dinamika prjamyh pirogennyh jemissij ugleroda v lesah Rossii v 21 veke po dannym distancionnogo monitoringa (Twenty-year dynamics of direct pyrogenic carbon emissions in the forests of Russia in the 21st century according to remote monitoring data), Nauchnye osnovy ustojchivogo upravlenija lesami (Scientific Basis for Sustainable Forest Management), Proc. IV All-Russian Conference, Moscow, Russia, April 21–25, 2022, pp. 267–269.

Ershov D. V., Sochilova E. N., Ocenka prjamyh pirogennyh jemissij ugleroda v lesah Rossii za 2020 god po dannym distancionnogo monitoringa (Assessment of direct pyrogenic carbon emissions in russian forests for 2020 using remote monitoring data), Voprosy lesnoj nauki, 2020, Vol. 3, No 4, pp. 1–8.

Fedorov E. H., Cykalov A. G., Nazemnye gorjuchie materialy v zelenomoshnyh listvennichnikah Srednej Sibiri (Land fire fuels in green-moss larch forest of Central Siberia), Lesovedenie, 2002, No 6, pp. 63–67.

Furjaev I. V., Dement’eva Ju. S., Furjaev V. V., Struktura kompleksov napochvennyh gorjuchih materialov v nasazhdenijah Verhne-Obskogo massiva Altajskogo kraja (Structure of complexes of ground fire fuels in the stands of the Verkhne-Ob massif of the Altai Region), In: Problemy lesovedenija i lesovodstva (Problems of forest science and forestry), Issue 69, 2009, pp. 737–742.

Furjaev V. V., Zablockij V. I., Zlobina L. P., Chernyh V. A., Samsonenko S. D., Kompleksy napochvennyh gorjuchih materialov i vozmozhnost’ ih regulirovanija v profilaktike lesnyh pozharov (Complexes of ground fire fuels and the possibility of their regulation in the prevention of forest fires), Lesnoe hozjajstvo, 2007, No 1, pp. 43–44.

Kharuk V. I., Ponomarev E. I., Ivanova G. A., Dvinskaya M. L., Coogan S. C. P., Flannigan M. D., Wildfires in the Siberian taiga, Ambio, 2021, Vol. 50, pp. 1953–1974, DOI: 10.1007/s13280-020-01490-x.

Kovaleva N. M., Sobachkin R. S., Sobachkin D. S., Petrenko A. E., Struktura gorjuchih materialov v sosnjakah raznogo vozrasta Krasnojarskoj stepi (The structure of forest fuels in variously aged pine woodlands of forest steppe domain in Krasnoyarsk), Lesovedenie, 2017, No 5, pp. 431–436, DOI: 10.7868/S0024114817060055.

Kurbatskij N. P., Issledovanie kolichestva i sostava lesnyh gorjuchih materialov (Investigation of quantity and composition of the forest fire fuels), In: Voprosy lesnoj pirologii (Questions of forest pyrology), Krasnojarsk, 1970, pp. 5−58.

Lupjan E. A., Proshin A. A., Burcev M. A., Kashnickij A. V., Balashov I. V., Bartalev S. A., Konstantinova A. M., Kobec D. A., Mazurov A. A., Marchenkov V. V., Matveev A. M., Radchenko M. V., Sychugov I. G., Tolpin V. A., Uvarov I. A., Opyt jekspluatacii i razvitija centra kollektivnogo pol’zovanija sistemami arhivacii, obrabotki i analiza sputnikovyh dannyh (CKP “IKI-Monitoring”) (Experience of development and operation of the IKI-Monitoring center for collective use of systems for archiving, processing and analyzing satellite data), Sovremennye problemy distancionnogo zondirovanija Zemli iz kosmosa, 2019, Vol. 16, No 3, pp. 151–170. DOI: 10.2104

Matveeva T. A., Zapasy lesnyh gorjuchih materialov v gornyh lesah Juzhnoj Sibiri (Wood combustibles resources in mountain forests of south Siberia), Vestnik Altajskogo gosudarstvennogo agrarnogo universiteta, 2008, No 12 (50), pp. 30–33.

Ponomarev E., Yakimov N., Ponomareva T., Yakubailik O., Conard S. G., Current trend of carbon emissions from wildfires in Siberia, Atmosphere, 2021, Vol. 12 (5), Article 559. DOI: 10.3390/atmos12050559.

Rasporyazhenie Pravitel’stva Rossijskoj Federacii ot 29 oktyabrya 2022 goda № 3240-r (Government Decree of the Russian Federation No 3240-r, October 29, 2022) “Ob utverzhdenii innovacionnogo proekta po sozdaniyu nacional’noj sistemy monitoringa klimaticheski aktivnyh veshchestv”, 2022, 30 p., available at: URL: http://government.ru/docs/46939/ (November 14, 2023).

Schepaschenko D. G., Muhortova L. V., Shvidenko A. Z., Vedrova Je. F., Zapasy organicheskogo ugleroda v pochvah Rossii (The pool of organic carbon in the soils of Russia), Pochvovedenie, 2013, No 2, pp. 123–132.

Schepaschenko D., Moltchanova E., Shvidenko A., Blyshchyk V., Dmitriev E., Martynenko O., See L., Kraxner F., Improved estimates of biomass expansion factors for Russian forests, Forests, 2018, Vol. 9 (6), Article 312, DOI: 10.3390/f9060312

Sheshukov M. A., Vlijanie nekotoryh faktorov sredy na polnotu sgoranija gorjuchih materialov i ih kriticheskij zapas pri lesnyh pozharah (Impact of some environmental factors on complete combustion of fire fuels and their critical volume in case of forest fires), Lesovedenie, 1970, No 4, pp. 40–43.

Shvidenko A. Z., Schepaschenko D. G., Climate change and wildfires in Russia, Contemporary Problems of Ecology, 2013, Vol. 6, No 7, pp. 683–692, DOI: 10.1134/S199542551307010X.

Shvidenko A. Z., Schepaschenko D. G., Nil’sson S., Buluj Ju. I., Tablicy i modeli hoda rosta i produktivnosti nasazhdenij osnovnyh lesoobrazujushhih porod Severnoj Evrazii (normativno-spravochnye materialy) (Tables and models of growth and productivity of forests of major forest forming species of Northern Eurasia (standard and reference materials)), Moscow: Federal’noe agentstvo lesnogo hozjajstva, 2008, 803 p.

Shvidenko A., Schepaschenko D., Nil’sson S., Ocenka zapasov drevesnogo detrita v lesah Rossii (Assessment of wood detritus storage in forests of Russia), Lesnaja taksacija i lesoustrojstvo, 2009, No 1 (41), pp. 133–147.

Sochilova E. N., Ershov D. V., Korovin G. N., Metody sozdanija kart zapasov lesnyh gorjuchih materialov nizkogo prostranstvennogo razreshenija (Methods of course resolution forest fuel load mapping), Sovremennye problemy distancionnogo zondirovanija Zemli iz kosmosa, 2009, Vol. 2, Issue 6, pp. 441–449.

Stycenko F. V., Bartalev S. A., Egorov V. A., Lupjan E. A., Metod ocenki stepeni povrezhdenija lesov pozharami na osnove sputnikovyh dannyh MODIS (Post-fire forest tree mortality assessment method using MODIS satellite data), Sovremennye problemy distancionnogo zondirovanija Zemli iz kosmosa, 2013, Vol. 10, No 1, pp. 254–266.

Tsvetkov P. A., Zapasy gorjuchih materialov v lesah severo-vostoka Jevenkii (Stocks of fire fuels in the forests of the north-east of Evenkia), Lesnoe hozjajstvo, 2001, No 4, pp. 93–96.

Utkin A. I., Gul’be Ja. I., Gul’be T. A., Ermolova L. S., Biologicheskaja produktivnost’ lesnyh jekosistem (Biological productivity of forest ecosystems), Database, Moscow: IL RAN, CEPL RAN, 1994.

VEGA-RRO, available at: http://pro-vega.ru (November 29, 2022)

Vonskij S. M., Intensivnost’ ognja nizovyh lesnyh pozharov i ee prakticheskoe znachenie (The intensity of ground forest fires and their practical significance), Leningrad: LenNIILH, 1957, 52 p.

Zamolodchikov D. G., Korovin G. N., Utkin A. I., Chestnyh O. V., Sangen B., Uglerod v lesnom fonde i sel’skohozjajstvennyh ugod’jah Rossii (Carbon in forest and agricultural lands of Russia), Moscow: KMK, 2005, 200 p.

Zamolodchikov D. G., Utkin A. I., Chestnyh O. V., Kojefficienty konversii zapasov nasazhdenij v fitomassu dlja osnovnyh lesoobrazujushhih porod Rossii (Conversion factors of forest stocks volumes in biomass for the main dominated forest species of Russia), Lesnaja taksacija i lesoustrojstvo, 2003, Issue 1 (32), pp. 119–127.

Reviewed by: A. Z. Shvidenko, Doctor of Agricultural Sciences

© 2023 г.    Н. В. Гопп¹, Ю. Л. Мешалкина², А. Н. Нарыкова³, А. С. Плотникова³, О. В. Чернова⁴

¹Институт почвоведения и агрохимии СО РАН

Россия, 630099, Новосибирск, проспект Академика Лаврентьева, 8/2

²Московский государственный университет им. М. В. Ломоносова

Россия, 119234, Москва, ул. Ленинские горы, д. 1, стр.12

³Центр по проблемам экологии и продуктивности лесов РАН

Россия, 117997, Москва, ул. Профсоюзная, 84/32, стр. 14 

⁴ Институт проблем экологии и эволюции им. А. Н. Северцова РАН

Россия, 119071, Москва, Ленинский просп., 33

E-mail: gopp@issa-siberia.ru

Поступила в редакцию 04.02.2023

После рецензирования: 18.03.2023

Принята к печати: 20.03.2023

В настоящей работе приводится обзор отечественных и зарубежных литературных источников, посвященных картографированию содержания и запасов почвенного органического углерода (ПОУ) на региональном и локальном уровнях. Анализ работ показал, что картографическая оценка содержания и запасов ПОУ в почвах основана на различных подходах, выбор которых зависит от размера территории (континентальный, национальный, региональный, локальный уровни), наличия картографической основы (карты типов почв, ландшафтов, растительных формаций, данные дистанционного зондирования Земли и др.) и данных лабораторно-полевых обследований. Картографирование в основном осуществляется с использованием следующих подходов: (1) на основе имеющихся тематических карт; (2) цифровое почвенное картографирование. В обзоре также приведен набор пространственных данных, характеризующих факторы почвообразования согласно модели SCORPAN, активно используемой в цифровом почвенном картографировании. Пространственные данные о рельефе были одними из наиболее часто используемых предикторов, за которыми следовали переменные, характеризующие растительность и климат. Добавление в модели пространственных данных о классификационных единицах почв значительно повышало точность картографирования. Авторы работ отмечали, что переменные климата оказывают существенное влияние на пространственное варьирование содержания и запасов ПОУ на региональном уровне, в то время как на локальном уровне влияние климатических переменных было менее значимым. Анализ исследований показал, что наиболее часто в цифровом картографировании изучаемых свойств почв используются методы машинного обучения, среди которых метод случайного леса (Random Forest) чаще показывал лучшие результаты. Практически во всех исследованиях проводилась кросс-валидация построенных карт, проверка точности картографирования с использованием внешней независимой выборки проводилась в редких случаях, хотя эта важнейшая составляющая цифровой почвенной картографии. Наиболее часто для моделирования содержания и запасов ПОУ использовалось программное обеспечение R, для подготовки предикторов чаще использовались SAGA GIS, QGIS, ArcGIS и облачная платформа Google Earth Engine (GEE).

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

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

Наземные экосистемы Земли характеризуются большим разнообразием и разным набором компонентов, поэтому в них по-разному протекают процессы депонирования и эмиссии углерода. Учет и отображение содержания и запасов почвенного органического углерода (ПОУ) в картографическом виде является необходимым для построения прогнозов и мониторинга. В настоящее время составление карт осуществляется с использованием геоинформационных систем, в которых реализованы современные методы обработки пространственно распределенной информации, позволяющие совместно анализировать различные виды наземной, лабораторно-полевой и дистанционной информации о компонентах экосистем. Помимо настольных ГИС, в последнее время активно развивается веб-направление в цифровом почвенном картографировании (ЦПК), например, в работах широко используется облачная платформа компании Google — Google Earth Engine (Google Earth Engine…, 2017), позволяющая использовать вычислительные мощности серверов Google для геопространственного анализа большого числа данных: космические снимки, карты земного покрова, топографические и социально-экономические данные, различные параметры окружающей среды и т. д. (Gorelick et al., 2017). Также на платформу можно загружать и анализировать собственные данные. Главные ее преимущества — это открытость и возможность использовать вычислительные мощности бесплатно. Другим примером может служить веб-сервис SoLIM (The SoLIM Project…, 2004), где можно проводить картографирование, используя методы ГИС, нечеткой логики и экспертные знания. В работе исследователей (Jiang et al., 2016) представлен веб-сервис «CyberSoLIM», на котором можно обрабатывать не только большие объемы пространственно распределенных данных, но и обмениваться моделями и алгоритмами.

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

Подход I — Картографирование на основе имеющихся тематических карт

Картографирование на основе имеющихся тематических карт — традиционный подход, который используется при отсутствии или недостаточном количестве пространственных данных почвенных обследований. Картографирование выполняется на основе существующей базовой карты известного масштаба; обычно используют карты почв, ландшафтов, биомов и других целостных природных образований, но в зависимости от цели исследования возможно использование и карт типов землепользования. Дополнительная информация: природная (тип растительности, рельеф, генезис и/или состав почвообразующих пород…), хозяйственная (тип и/или структура землепользования, структура севооборотов, тип мелиорации…), историческая (возраст растительной ассоциации, возраст/стадия залежной сукцессии, ретроспективные данные об истории землепользования) в векторной или растровой форме с помощью ГИС-технологий может быть совмещена с исходной картой, позволяя повысить ее разрешение и точность. В результате собирается база данных о средних или типичных значениях содержания или запасов ПОУ, характерных для определенного типа, подтипа или иной почвенной классификационной единицы (или других целостных природных либо природно-хозяйственных образований). Средние или типичные значения могут быть получены также в результате использования локальных моделей при их наличии. Эти значения присваиваются соответствующей пространственной единице картографирования. По возможности оценивают изменчивость показателей, отражающих природное разнообразие почв в пределах картографической единицы, или неопределенность предсказания.

В данном подходе большую роль играет экспертное оценивание (Soil organic carbon…, 2018). При большем количестве данных точечных почвенных обследований с известными пространственными координатами, которые формируют обучающую выборку, возможно совмещение традиционных подходов с методами цифрового картографирования (Hugelius et al., 2014; Пастухов и др., 2016). Картографирование с использованием этого подхода включает два этапа (рис. 1).

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

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

1. Подготовка данных и предикторов включает их разделение на относительно однородные по структуре органического вещества группы. Принципы разделения на группы определяются целью исследования, масштабом рассмотрения, а также характеристиками и объемом имеющейся в распоряжении информации, например: по типу растительности (лесные, степные, болотные и др.); по типу землепользования (сельскохозяйственные, селитебные, лесные и др.); структуре сельскохозяйственных угодий (пашня, залежь, сенокосы и пастбища, мелиорированные земли и др.) и т. д. Производится оценка полноты имеющейся фактической информации по точечным объектам, возможности ее обобщения для характеристики классификационных и картографических почвенных выделов. Затем выбирается алгоритм пересчета значений по горизонтам/слоям из почвенных разрезов на фиксированные целевые глубины и проводится «гармонизация» данных. Если для каких-то глубин нет данных, они дополняются средними показателями для контура или аналогичного объекта, либо экспертными значениями.

При определении содержания органического углерода в образцах почв в настоящее время используются метод «сухого сжигания», основанный на высокотемпературном каталитическом окислении органического вещества и прямом учете образовавшегося диоксида углерода и обеспечивающий максимальное окисление органического вещества, и метод «мокрого сжигания», основанный на окислении органического вещества хромовой кислотой. Химические методы не приводят к полному окислению углерода органических соединений, поэтому для корректировки полученных результатов используют пересчетные коэффициенты. В мировой практике широко используется метод Уолкли и Блэка (Walkley, Black, 1934), для которого принято использовать поправочный коэффициент 1.32 (Soil organic carbon…, 2018). В отечественной практике значительно шире используется метод Тюрина в различных модификациях. Для пересчета полученных этим методом показателей Б. М. Когутом и А. С. Фридом предложен усредненный корректировочный коэффициент (К = 1.28) (1993). Последние исследования показали, что более применим коэффициент 1.15 (ФАО, 2021; Шамрикова и др., 2022; Shamrikova et al., 2022).

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

Содержание ПОУ в почвах часто пересчитывают на содержание гумуса с использованием коэффициента 1.724. Коэффициент был предложен еще в 19 в. на основании данных о содержании в гуминовой кислоте 58% углерода и является общепринятым для неорганических горизонтов почв. Из-за разнообразия органогенных горизонтов содержание углерода в них заметно варьирует. Кроме того, количество результатов прямых определений углерода методом сухого сжигания ограничено, в большинстве случаев в литературе в качестве характеристики обогащенности горизонта органическим веществом приводятся сведения о потере при прокаливании. Для органических горизонтов коэффициенты пересчета могут колебаться от 1.9 до 2.5 (Soil organic carbon…, 2018). Для расчета содержания углерода в лесных подстилках в отечественных работах использованы различные пересчетные коэффициенты: от 2.0 (Алексеев, Бердси, 1994) до 2.6 (Щепащенко и др., 2013).

Важным расчетным параметром для оценки запасов углерода в почвах является плотность почвы в естественном сложении или объемная масса (dv). При недостатке прямых определений плотности почвы используют средние значения или медианы, полученные по имеющимся экспериментальным данным. Также широко используются педотрансферные функции (ПТФ), позволяющие вычислить значение плотности по другим доступным почвенным характеристикам. ПТФ являются эмпирическими, имеют ограниченную область применения, поэтому их следует с осторожностью использовать в условиях, отличных от тех, для которых они были получены. Огромное разнообразие природно-географических условий России делает выбор ПТФ, позволяющей с минимальной ошибкой определять плотность сложения почв конкретного региона, важным этапом работы. Специально проведенный сравнительный анализ пяти наиболее пригодных для почв России методов оценки плотности почв показал, что для минеральных горизонтов лесных почв Европейской России лучшие результаты демонстрирует ПТФ, предложенная О. В. Честных и Д. Г. Замолодчиковым (2004) (Чернова и др., 2020). Применимость этой функции с различными параметрами уравнения для групп генетически сходных почв показана и в других работах (Пастухов и др., 2016; Чернова и др., 2021). Плотность сложения органогенных горизонтов редко определяют экспериментально, кроме того, этот показатель характеризуется высокой изменчивостью как пространственной, так и определяющейся спецификой горизонтов. При вычислении запасов углерода в лесных подстилках возможно использование экспертных значений с учетом типа и возраста растительных ассоциаций (Soil organic carbon…, 2018). Для оценки запасов органического углерода в торфяных почвах различных регионов могут быть использованы обобщенные данные о плотности сложения торфа в зависимости от его зрелости, степени разложения и зольности, например, торфяных почв тропиков (Agus et al., 2011) или Западной Сибири (Инишева и др., 2012).

Для минеральных почв, особенно горных областей и сформированных на слабовыветрелых отложениях, важно оценить содержание камней и гравия, т. е. частиц, размер которых превышает 1 мм. Исследователи редко располагают достаточным количеством прямых определений каменистости различных почв и почвенных горизонтов для расчета средних показателей. В большинстве случаев используют поправочные коэффициенты для групп сходных почв, полученные экспертным путем на основании обобщения результатов исследований, типичных для соответствующей группы профилей (Soil organic carbon…, 2018).

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

2. Картографирование. Собственно картографическая работа заключается в подготовке набора предикторов, определяемого целью исследования и набора имеющейся информации, посредством пространственной идентификации в ГИС. Далее определяются свойства предикторов для каждого точечного наблюдения и формируется перечень пространственных единиц картографирования, характеризующихся сходными параметрами (тип/подтип/класс почвы, растительности, ландшафта, землепользования и т. п.), извлекается ковариационная информация для контуров, обеспеченных достаточным количеством данных точечных обследований, и усредняются значения содержания/запасов углерода внутри этих контуров. При сложном почвенном покрове территории при усреднении могут быть введены весовые коэффициенты, учитывающие состав почвенного покрова в соответствии с пропорциями площадей доминирующих, сопутствующих и ассоциированных почв. Полученные усредненные значения приписываются всем аналогичным по характеристикам пространственным единицам картографирования независимо от местоположения профилей.

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

Завершающим этапом работы является оценка и, при необходимости, коррекция полученных результатов группой экспертов-почвоведов региона исследования. Примеры регионального картографирования запасов органического углерода в соответствии с описанным подходом приведены в Приложении А.

Рассмотрим подробнее один из примеров реализации первого подхода. Группой исследователей предложен метод получения ориентировочных региональных оценок запасов органического углерода в почвах при недостаточном количестве точечных данных обследований (Чернова и др., 2016). В расчеты максимально вовлекаются доступные разноплановые источники информации: картографические материалы, базы данных, данные государственной и ведомственной статистической отчетности, опубликованные результаты локальных исследований и результаты моделирования круговорота углерода. Применимость метода опробована на примере территорий двух административных областей Европейской России: Костромской и Курской.

Картографическая основа для площадных расчетов получена путем пересечения слоев векторных карт: Скорректированной цифровой версии почвенной карты РСФСР (2007), Карты растительности СССР (1990) на уровне типов доминирующей растительности и схемы административного деления Российской Федерации масштаба 1 :  1 000 000. При расчетах учитывали классификационную принадлежность и гранулометрический состав почв, структуру земельных угодий, типо-возрастную структуру лесных насаждений и данные о месторождениях торфа в регионах. Запасы углерода в автономных естественных почвах рассчитывали на основе нелинейной модели круговорота углерода NAMSOM (Nonlinear Analytical Model of Soil Organic Matter) (Рыжова, Подвезенная, 2003) для каждого типа/подтипа почв с учетом их гранулометрического состава. Чтобы восполнить недостаток данных экспериментальных исследований почв и растительных ассоциаций, характеризующих рассматриваемую территорию, были использованы показатели из доступных баз данных, усредненные в границах почвенных провинций Карты почвенно-экологического районирования масштаба 1 : 15 000 000 (2011). Для актуализации оценок полученные усредненные показатели скорректированы с учетом типа землепользования и категории земель (пашни; сенокосы и пастбища; молодые залежи (до 20–25 лет); разновозрастные леса и нелесная древесная растительность; земли под вырубками, гарями, погибшими насаждениями; болота; дороги; земли застройки; нарушенные; прочие).

На основе предложенного единого подхода рассчитаны актуальные запасы органического углерода в почвах Костромской (южная тайга) и Курской (лесостепь) областей и ориентировочно оценено снижение этих запасов за исторический период в различных природно-географических и хозяйственных условиях регионов.

Подход II — Цифровое почвенное картографирование

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

Sс = f (s, c, o, r, p, a, n)          и        Sа = f (s, c, o, r, p, a, n),          (1)

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

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

Цифровое картографирование требует большого числа точечных наблюдений, для которых известны географические координаты. При увеличении количества предикторов и их сочетаний необходимое число наблюдений возрастает. Для разработки оптимальной схемы опробования для целей ЦПК предложен специальный метод — «латинский гиперкуб», названный по аналогии с латинским квадратом. Метод основан на выборе местоположений точек пробоотбора в зависимости от вероятности совместного появления индикаторных переменных (Minasny, McBratney, 2006).

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

Рисунок 2. Блок-схема цифрового почвенного картографирования содержания и запасов органического углерода (СПОУ и ЗПОУ, соответственно)

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

1. Подготовка обучающей выборки и предикторов.

 Обучающий и валидационный наборы данных должны содержать следующую информацию: идентификационный номер образца, географические координаты, название почвы, название и буквенное обозначение почвенных горизонтов, диапазон глубин, данные о плотности сложения горизонтов, содержании и запасах ПОУ, доле крупнозема (камни и гравий). При отсутствии данных о плотности почв проводят моделирование с использованием педотрансферных функций, результаты которого вносят в обучающий и валидационный наборы данных.

Пространственные предикторы, используемые для моделирования содержания и запасов ПОУ, характеризуют факторы почвообразования и индикаторные переменные. Подготовка предикторов, характеризующих рельеф местности, заключается в использовании цифровой модели рельефа (ЦМР) при создании карт морфометрических величин. Под морфометрической величиной понимается числовая характеристика рельефа, определенная в каждой точке карты, такая как высота, крутизна, ориентация склона и другие (Шарый, 2006). Обозначенные морфометрические величины наряду с расчлененностью местности, геометрическими формами и терморежимом склонов являются одними из основных аспектов действия рельефа на функционирование экосистемы. В работах (Шарый, 2006; Флоринский, 2016) систематизированы основные аспекты действия рельефа: поверхностный сток, расчлененность (изрезанность) местности, геометрические формы, терморежим склонов, высотная поясность. Так, согласно системе базовых морфометрических величин, поверхностный сток описывают: ориентация и крутизна склонов; горизонтальная, вертикальная, разностная и полная аккумуляционная кривизна; площадь водосбора и дисперсивная площадь. Морфометрические величины, определяющие расчлененность рельефа: горизонтальная и вертикальная избыточная кривизна; полная кольцевая кривизна; ротор. Морфометрические величины, описывающие геометрические формы рельефа: несферичность; минимальная, максимальная и средняя кривизна; полная гауссова кривизна. Терморежим склонов определяет их освещенность, высотную зональность — высота земной поверхности.

Подготовка предикторов, характеризующих растительность, заключается в использовании мультиспектральных снимков, на основе которых рассчитывают различные показатели, например вегетационные индексы, отражение в синем/красном/зеленом/ближнем ИК диапазоне и т. д. Также в качестве предикторов при картографировании содержания и запасов ПОУ используются показатели, характеризующие климат и почвообразующие породы (Приложение Б). Наиболее часто при подготовке предикторов используется программное обеспечение SAGA GIS, QGIS, ArcGIS, и облачная платформа Google Earth Engine (GEE). Моделирование содержания и запасов ПОУ чаще всего проводится в программном обеспечении R, QGIS, ArcGIS, SAGA GIS и другие.

2. Моделирование факторно-индикаторных связей и пространственных зависимостей выполняется посредством методов машинного обучения — деревьев решений (DT, RF, BaRT, BRT, CART), кригинга (OK, RK, GWRK), нейронных сетей (ANN, CNN), линейных регрессий (GLM, MLR) и других. Выполненный обзор исследований показал, что в настоящее время наиболее часто применяются следующие методы: случайный лес (RF, 24% от включенных в обзор исследований), регрессионный кригинг (RK, 11%) и опорные вектора (SVM, 7%) (Приложение А).

В ряде исследований для моделирования запасов ПОУ авторы используют несколько методов машинного обучения — GWRK и RK (Kumar et al., 2012); BART, RF, XGBoost (Чинилин, Савин, 2018); RF, Cubist, RK (Kaya et al., 2022). Исследователи обращают внимание на недостаточность использования только одного метода моделирования и целесообразность проверки различных моделей для конкретной территории картографирования. В Приложении А столбец «Используемые методы» содержит перечисление всех примененных в исследовании методов. Жирным шрифтом выделены методы, показавшие наилучшие результаты моделирования содержания или запасов ПОУ. В этих методах по обучающей выборке, где в конкретных точках известно содержание/запас углерода и значения предикторов, моделируются факторно-индикаторные связи. Далее смоделированные связи используются для «распознавания» остальной территории картографирования, в которой известны предикторы, но неизвестно содержание и/или запас углерода. Методы машинного обучения могут быть дополнены исследованием пространственных зависимостей и интерполяцией остатков методом простого кригинга. Полученная таким образом карта должна быть проверена. Во многих работах используется проверка устойчивости модели с помощью метода «складного ножа», кросс-валидации или бутстрепа. Наиболее предпочтительным подходом для проверки является дополнительная (внешняя) вероятностная выборка.

Случайный лес — алгоритм машинного обучения, заключающийся в использовании ансамбля решающих деревьев (Breiman, 2001). Алгоритм создания дерева решений или рекурсивного разбиения предполагает выбор переменной и точки разделения, которая приведет к лучшим результатам классификации. Далее для каждой из результирующих ветвей проверяется соблюдение критериев остановки. Как правило, критерием остановки является определенная глубина роста дерева либо минимальное количество наблюдений, для которых листовой узел далее классифицировать не может. Согласно алгоритму, из основной выборки формируются подвыборки с заменой (бутстреп). По каждой подвыборке строится своя модель дерева решений. Так как таких моделей много (обычно около 200), то метод и получил свое название «случайного леса», поскольку обобщает множество деревьев, полученных по случайным выборкам. Конечная модель представляет собой взвешенное среднее из всех построенных деревьев решений.

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

Регрессионный кригинг — это гибридный метод, сочетающий простую или множественную линейную регрессию с кригингом остатков прогнозирования. Суть метода состоит в нахождении связи между предикторами с одной стороны и содержанием/запасом углерода с другой, используя методы регрессии или машинного обучения, тогда термин «регрессионный кригинг» используется в более широком смысле. После этого остатки проверяют на наличие пространственных зависимостей. Ограничениями применения метода являются: размер обучающей выборки не менее 100–150 точек; выполнение условия стационарности для остатков — транзитивности вариограммы; нормальное распределение остатков.

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

Преимуществами метода опорных векторов является эффективность в пространствах большой размерности, а также в случаях, когда количество признаков больше, чем количество наблюдений (Pedregosa et al., 2011). Используется подмножество обучающих точек в функции принятия решения, поэтому метод эффективен с точки зрения использования памяти компьютера. Метод характеризуется универсальностью — для функции принятия решения могут быть заданы различные функции ядра, в том числе пользователь может задать свои опорные вектора.

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

Использование независимого набора данных для проверки модели. Для проверки картографической модели рекомендуется использовать специально отобранную дополнительную (внешнюю) вероятностную выборку. В идеальном случае эта выборка создается отдельно в результате независимых полевых исследований изучаемой территории. Она называется «вероятностной» в том смысле, что является репрезентативной для территории исследования, т. е. вероятность попадания объектов (точек) в выборку равна вероятности того, как они представлены на территории в зависимости от степени ее неоднородности. Например, если территория включает разные типы и подтипы почв, то в выборке они должны быть представлены с той же вероятностью, что и на территории.

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

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

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

Процедура джекнайф носит менее общий характер по сравнению с бутстреп-моделированием. Однако джекнайф проще применять для сложных схем пробоотбора, таких, например, как многоступенчатый отбор с различными весами. Джекнайф и бутстреп-моделирование часто приводят к одинаковым результатам. В то же время бутстреп-моделирование может давать немного разные результаты для повторностей на одних и тех же данных, тогда как джекнайф дает одинаковый результат каждый раз (при условии, что подмножества выбираются из одной и той же выборки). Джекнайф часто используется ввиду простоты процедуры и возможности наглядного представления результатов в виде графика наблюдаемых и предсказанных значений.

Метод кросс-валидации (перекрестная проверка, метод скользящего контроля, метод наибольшей беспристрастности) подразумевает деление случайным образом подмножества наблюдений на обучающую и проверяющую выборку. По обучающей выборке происходит процесс настройки модели, по второй выборке производится ее проверка. Этот процесс повторяется многократно — от 10 до 100 или 1000 раз. Мерой точности прогноза считают среднюю оценку, полученную по результатам оценки каждого значения проверяющей выборки.

Бутстреп-моделирование — это статистический метод оценки распределения случайной величины, когда из исходной выборки отбираются достаточное число раз подвыборки с заменой (то есть подвыборки каждый раз возвращаются в исходную выборку). Чаще всего формируются подвыборки, составляющие 99%, 95% или 90% от исходной выборки (Мешалкина и др., 2010). В результате такой процедуры получают ошибку или доверительный интервал для параметров генеральной совокупности — среднего, медианы, коэффициента корреляции или регрессии. Бутстреп-моделирование используется для построения и проверки гипотез в случае небольшой исходной выборки.

Показатели, используемые для проверки точности карт количественных почвенных свойств. Все показатели оценки точности цифровых карт (табл. 1) количественных почвенных свойств, в том числе запасов и/или содержания углерода, основаны на анализе «остатков» или «невязок», получаемых как разности e(s_i) предсказанных картографической моделью (s_i) и наблюдаемых Z(s_i) значений в точках (s_i), используемых для проверки:

(2).

Таблица 1. Основные показатели, используемые для оценки точности карт количественных почвенных свойств

Cредняя абсолютная ошибка (англ. Mean Absolute Error, MAE)
Средняя квадратичная ошибка (англ. Mean Squared Error, MSE)
Корень из средней квадратичной ошибки (англ. Root Mean Squared Error, RMSE)
Средняя абсолютная ошибка в процентах (англ. Mean Absolute Percentage Error, MAPE)
Коэффициент детерминации (англ. Amount of Variance Explained, AVE)
Коэффициент среднеквадратичного отклонения (англ. Mean Squared Deviation Ratio, MSDR)

Условные обозначения: e(s_i) — разность между предсказанными и наблюдаемыми значениями: (s_i) — предсказанное значение;  — наблюдаемое значение; N — количество точек пробоотбора в анализируемом/валидационном наборе данных;  — дисперсия; Z — среднее значение свойства почвы в анализируемом наборе данных

Средняя абсолютная ошибка (MAE) и средняя квадратичная ошибка (MSE) показывают точность картографирования и отображают средний разброс невязок. Они применяются в ситуациях, когда необходимо выявить большие ошибки и выбрать модель, которая дает меньше больших ошибок прогноза.  При использовании любой из этих оценок может быть полезно проанализировать, какие объекты вносят наибольший вклад в общую ошибку — не исключено, что на этих объектах была допущена ошибка при вычислении предикторов или содержания/запасов ПОУ. Корень из средней квадратичной ошибки (RMSE) используется чаще, так как имеет одинаковую размерность с исходными данными. Этот показатель очень зависит от наличия больших значений невязок, поэтому часто используют не среднее, а рассчитывают медианное значение MSE и извлекают из него корень. Среднюю абсолютную процентную ошибку (MAPE) можно измерять в долях или процентах. Например, MAPE = 6% означает, что ошибка составила 6% от фактических значений. Основная проблема данной ошибки — нестабильность.

Коэффициент детерминации (R²), или «эффективность модели», показывает процент объясненной моделью дисперсии от общей дисперсии предсказываемой переменной. Фактически данная мера качества — это нормированная среднеквадратичная ошибка. Если она близка к единице, то модель хорошо объясняет данные, если близка к нулю — прогнозы сопоставимы по качеству с предсказанием только по среднему значению. Коэффициент среднеквадратичного отклонения (MSDR) показывает, насколько модель хорошо предсказывает неопределенность моделирования. В случае, если к остаткам применялся кригинг, то неопределенность предсказания будет соответствовать ошибке кригинга.

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

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

Рисунок 4. Наиболее информативные предикторы (Приложение Б)

Рисунок 5. Десять наиболее часто используемых предикторов для картографирования содержания и запасов ПОУ в почвах на основе рассмотренных работ (Приложение Б)

В настоящей работе были изучены опубликованные исследования в зависимости от природной зоны, основываясь на карте природных зон Д. Олсона и соавторов (Olson et al., 2001) (рис. 6). Для исследований, охватывающих несколько природных зон одновременно, были учтены все природные зоны, находящиеся в границах исследуемой территории. В зоне широколиственных и смешанных (хвойно-широколиственных) лесов умеренного пояса было проведено наибольшее количество исследований, далее в порядке убывания следовали зоны: жестколистных лесов и кустарников средиземноморского типа; пустынь, полупустынь и засушливых кустарников; степей и лесостепей, саванн и кустарниковых экосистем умеренного пояса (рис. 6). Данное исследование не является исчерпывающим и представленное распределение на графике может измениться по мере добавления новых работ.

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

Анализ географии исследований. Выполненный обзор современных публикаций показал, что цифровое почвенное картографирование на региональном и локальном уровнях является наиболее популярным подходом для картографирования содержания и запасов ПОУ. Примеры подобных исследований можно найти на всех континентах, за исключением Антарктиды (рис. 7). На территории России выделим региональные и локальные исследования в Воронежской (Чинилин, Савин, 2018), Брянской (Гаврилюк и др., 2021) и Новосибирской (Гопп, 2022) областях, Красноярском крае (Шарый и др., 2018), в Республике Башкортостан (Suleymanov et al., 2021) и в Республике Карелия (Нарыкова, Плотникова, 2022). Следует отметить, что точная количественная оценка, например, запасов ПОУ в почве является проблематичной главным образом из-за разреженности точек наблюдения, особенно на больших глубинах, что приводит к большой неопределенности и расхождению результатов у разных авторов в 2-3 раза (Piao et al., 2009; Шарый и др., 2018).

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

В ноябре 2008 г. стартовал глобальный проект GlobalSoilMap.net (GlobalSoilMap.net…, 2008) с целью создания цифровой почвенной карты мира, основанной на картограммах отдельных почвенных свойств. Методическое обоснование проекта было опубликовано в журнале Science (Sanchez et al., 2009). Картографируемыми свойствами почв были заявлены: содержание углерода и гравия, гранулометрический состав, плотность почвы, запас доступной влаги. Данные свойства должны были оцениваться по шести глубинам (в см): 0–5, 5–15, 15–30, 30–60, 60–100, 100–200 с указанием средних значений и доверительных интервалов. Планировалось выполнить картографирование 80% мировой поверхности суши с разрешением 90 м. К настоящему времени проект реализован только для стран Африки.

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

Также стоит упомянуть о платформе GLOSIS (Global Soil Information System), которая объединяет информацию о почвах, собранную национальными учреждениями (URL: https://goo.su/V3Jw). В частности, на этой платформе размещена глобальная карта запасов ПОУ в слое 0–30 см под названием GSOCmap v.1.5.0 (FAO and ITP …, 2018). Растровая карта GSOCmap имеет пространственное разрешение 30 угловых секунд (приблизительно 1 × 1 км). Часть карты, относящаяся к территории России, была построена на основе скорректированной цифровой версии Почвенной карты РСФСР масштаба 1 : 2 500 000 и информационной системы «Почвенно-географическая база данных Российской Федерации», в которой по большей части содержатся результаты исследований почвенных разрезов, относящихся к 1960–1980-м гг. (Чернова и др., 2021).

Многочисленны исследования по картографированию содержания и запасов ПОУ на территории Европы — континентальная часть (CEF Telecom project, 2018); Нидерланды (Wadoux et al., 2022); Дания (Adhikari et al., 2014); Шотландия, Великобритания (Poggio, Gimona, 2014); Бавария, Германия (Wiesmeier et al., 2014); Бельгия (Meersmans et al., 2008); Франция (Arrouays et al., 2001; Chen et al., 2018; Martin et al., 2011; Meersmans et al., 2012; Mulder et al., 2016); Швейцария (Nussbaum et al., 2014; Zhou et al., 2021); Венгрия (Szatmari et al., 2021); Италия (Fantappie et al., 2011; Francaviglia et al., 2014); Украина (Вяткин и др., 2018). Среди стран Азии картографирование запасов почвенного ОУ наиболее развито в Китае (Wiesmeier et al., 2011; Zhou et al., 2019; Wang et al., 2021; Gu et al., 2022; Zhu et al., 2022; Guo et al., 2015) и Иране (Taghizadeh-Mehrjardi et al., 2016; Hateffard et al., 2019; Fathizad et al., 2022; Kaya et al., 2022). Также выделим работы на территории Индии (Lo Seen et al., 2010) и Тибета (Yang et al., 2008).

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

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

ЗАКЛЮЧЕНИЕ

В рамках выполненного анализа современных методических подходов к картографированию содержания и запасов почвенного органического углерода на различных пространственных уровнях были изучены два подхода: (1) на основе существующих тематических карт и архивных данных, а также (2) цифровое почвенное картографирование, сочетающее интеллектуальный и пространственный анализ данных. При картографировании содержания и запасов органического углерода в почвах на территории России целесообразно применение обоих подходов. По каждому подходу сформулированы условия применения и необходимые этапы. Так, картографирование на основе тематических карт и архивных данных состоит из двух этапов: подготовка данных и предикторов посредством ГИС; картографирование содержания и запасов ПОУ с учетом типа землепользования и классификационной принадлежности почвы. Проверка результата носит экспертный характер и производится специалистами, знающими картографируемую территорию.

Цифровое картографирование выполняется в три этапа: подготовка двух независимых наборов данных (обучающего и валидационного), а также предикторов; моделирование факторно-индикаторных связей и пространственных зависимостей с последующей оценкой качества предсказания. Моделирование факторно-индикаторных связей выполняется посредством методов машинного обучения, геостатистики и гибридных подходов (RF, BRT, SVM, GLM, MLR, CART, ANN, CNN, RK, OK и другие). При выявлении пространственных зависимостей остатков используют разные виды кригинга. Оценка качества моделирования, то есть насколько картографическая модель соответствует фактическим данным, выполняется с использованием независимого валидационного набора данных, обозначаемого в цифровой картографии термином «внешняя вероятностная выборка». При использовании кригинга качество моделирования может быть оценено через карту ошибок интерполяции. Устойчивость модели проверяется методами «складного ножа», кросс-валидации и бутстреп-моделирования и отражает, насколько модель хорошо описывает обучающую выборку. Для оценки точности карт количественных признаков используются различные критерии: cредняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE), корень из средней квадратичной ошибки (RMSE), средняя абсолютная процентная ошибка (MAPE) и другие.

Для проведения картографирования содержания и запасов ПОУ на локальном и региональном уровнях необходимы обучающая выборка и набор пространственных предикторов, характеризующих факторы почвообразования объекта исследования согласно модели SCORPAN. Такими предикторами являются данные о: растительности — тип растительного покрова, преобладающая порода, категория землепользования; климате — температура воздуха и почвы, количество осадков; рельефе — морфометрические параметры; почвообразующей породе и почве — генетические типы почвообразующих пород, классификационные единицы почв, химические и физические свойства почв, распространение вечной мерзлоты; антропогенном влиянии — категория землепользования, вырубки, гари. Кроме данных, получаемых из архивных источников, в цифровом картографировании используются данные дистанционного зондирования Земли, на основе которых получают различные показатели. Например, для такого фактора почвообразования, как растительность, на основе ДДЗ можно рассчитать не менее 200 показателей, для рельефа — 40, для климата — 20, для почвообразующей породы — 10.

Таким образом, проведенный обзор литературных источников позволил выявить особенности основных методических подходов, применяемых для картографирования содержания и запасов органического углерода в почвах практически на всех континентах Земли и разных природных зон. Достигнутый прогресс в области ЦПК остается недостаточным для России в целом, так как число работ по этой теме незначительно и недостаточно освещена в литературе сравнительная оценка результатов картографирования неоднородности почвенных свойств на основе мульти- и гиперспектральных снимков, а также цифровых моделей высот и радарных снимков в разных природных зонах. Поэтому необходимо продолжать исследования в этом направлении и разрабатывать современные методы, которые позволяют в автоматизированном режиме обрабатывать данные дистанционного зондирования Земли, идентифицировать и оценивать разнообразие почв и почвенных свойств.

ФИНАНСИРОВАНИЕ

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

СПИСОК ЛИТЕРАТУРЫ

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

Вяткин К. В., Залавский Ю. В., Бигун О. Н., Лебедь В. В., Шерстюк А. И., Плиско И. В., Накисько С. Г. Создание национальной карты запасов органического углерода в почвах Украины с использованием цифровых методов почвенного картографирования // Почвоведение и агрохимия. 2018. № 2. С. 5–17.

Гаврилюк Е. А., Кузнецова А. И., Горнов А. В. Геопространственное моделирование содержания и запасов азота и углерода в лесной подстилке на основе разносезонных спутниковых изображений Sentinel // Почвоведение. 2021. Т. 54. № 2. С. 168–182.

Гопп Н. В. Углерод в почвах Кузнецко-Салаирской геоморфологической провинции: база данных, цифровое картографирование, геопространственный анализ // Сборник научных трудов Международной научной конференции «Эволюция почв и развитие научных представлений в почвоведении», посвященной 90-летию со дня рождения Л. М. Бурлаковой. г. Барнаул, 16–21 августа 2022 г. Барнаул: РИО Алтайского ГАУ, 2022. С. 55–58.

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

Инишева Л. И., Сергеева М. А., Смирнова О. Н. Депонирование и эмиссия углерода болотами Западной Сибири // Научный диалог. Естествознание и экология. 2012. № 7. С. 61–74.

Карта почвенно-географического районирования. М: 1:15 000 000 // Национальный атлас почв Российской Федерации. Под ред. Г. В. Добровольского, И. С. Урусевской, И. О. Алябиной. М.: Астрель: АСТ, 2011. С. 196–201.

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

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

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

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

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

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

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

Руководящие принципы национальных инвентаризаций парниковых газов МГЭИК / Под ред. Х. С. Игглестон, Л. Буэндиа, К. Мива, Т. Нгара, К. Танабе. Т. 4. Сельское хозяйство, лесное хозяйство и другие виды землепользования. Япония, ИГЕС, 2006. URL: https://goo.su/bZ5Vk5q (дата обращения 15.02.2023).

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

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

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

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

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

Чернова О. В., Голозубов О. М, Алябина И. О., Щепащенко Д. Г. Комплексный подход к картографической оценке запасов органического углерода в почвах России // Почвоведение. 2021. № 3. С. 273–286.

Чернова О. В., Рыжова И. М., Подвезенная М. А. Опыт региональной оценки изменений запасов углерода в почвах южной тайги и лесостепи за исторический период // Почвоведение. 2016. № 8. С. 1013–1028.

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

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

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

Шамрикова Е. В., Ванчикова Е. В., Кондратёнок Б. М., Лаптева Е. М., Кострова С. Н. Проблемы и ограничения дихроматометрического метода измерения содержания почвенного органического вещества (обзор) // Почвоведение. 2022. № 7. С. 787–794.

Шарый П. А. Геоморфометрия в науках о Земле и экологии, обзор методов и приложений // Известия Самарского научного центра РАН. 2006. Т. 8. № 2. С. 458–473.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Gray J. M., Bishop T. F. A. Change in soil organic carbon stocks under 12 climate change projections over New South Wales, Australia // Soil Science Society of America Journal. 2016. Vol. 80. P. 1296–1307.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

McBratney A. B., Mendoca Santos M. L., Minasny B. On digital soil mapping // Geoderma. 2003. Vol. 117. Issues 1–2. P. 3–52.

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

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

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

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

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

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

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

Olson D. M., Dinerstein E., Wikramanayake E. D., Burgess N. D., Powell G. V. N., Underwood E. C., D’Amico J. A., Itoua I., Strand H. E., Morrison J. C., Loucks C. J., Allnutt T. F., Ricketts T. H., Kura Y., Lamoreux J. F., Wettengel W. W., Hedao P., Kassem K. R. Terrestrial ecoregions of the world: a new map of life on Earth // Bioscience. 2001. Vol. 51. Issue 11. P. 933–938.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Zhou T., Geng Y., Ji Ch., Xuc X., Wang H., Pan J., Bumberger J., Haase D., Lausch A. Prediction of soil organic carbon and the C:N ratio on a national scale using machine learning and satellite data: A comparison between Sentinel-2, Sentinel-3 and Landsat-8 images // Science of the Total Environment. 2021. Vol. 755. Article: 142661.

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

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

Рецензент: д. б. н. Щепащенко Д. Г.

Приложение А

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

Приложение Б

Используемые при цифровом картографировании содержания/запасов ПОУ предикторы

Список сокращений:

ГИС — геоинформационная система

ЦМР — цифровая модель рельефа 

ДЗЗ — дистанционное зондирование Земли

МВ — морфометрические величины

МГЭИК — Межправительственная группа экспертов по изменению климата

ПОУ — почвенный органический углерод

ЗПОУ — запасы органического углерода

СПОУ — содержание органического углерода

ЦПК — цифровое почвенное картографирование

VNIR — visible-near ranges (видимый ближний диапазон)

СХП — сельскохозяйственное предприятие

dv — Плотность почвы в естественном сложении/объемная масса

d — Плотность твердой фазы

ПТФ — Педотрансферные функции

Модель SCORPAN:

S — почва (другие характеристики почвы);

C– климат (локальные климатические характеристики);

O — организмы, растительность, фауна, человек;

R — рельеф (морфометрические величины);

P — материнская порода, литология;

A — возраст, время;

N — пространственное положение. 

Предикторы:

BSI — Bare Soil Index (индекс открытой почвы)

EVI — Enhanced Vegetation Index

GPP — Gross Primary Production

IBI — Index-Based built-up Index (индекс застройки территории)

LAI — Leaf Area Index (индекс листовой поверхности)

NDVI — Normalized Difference Vegetation Index

NDVI green — Normalized Difference Vegetation Green Index

NDWI — Normalized Difference Water Index

NIR — Near-infrared

NPP — Net primary productivity

SWIR — shortwave-infrared

TVI — Transformed Vegetation Index;

Методы моделирования:

ANN — Artificial Neural Network (Искусственная нейронная сеть)

CA — Cellular Automata (клеточный автомат)

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

CNN — Convolutional Neural Network (Сверточная нейронная сеть)

BaRT — байесовские регрессионные деревья

BRT — Boosted Regression Trees (Улучшенные деревья решений)

DT — Decision Tree (Дерево решений)

GLM — Generalized Linear Model Boosting (Обобщенная линейная модель)

GWR — Geographically weighted regression (Географически взвешенная регрессия)

GWRK — Geographically weighted regression kriging (Географически взвешенный регрессионный кригинг)

MLR / MLRA — множественная линейная регрессия

OK — Ordinary Kriging (Ординарный кригинг)

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

RF — Random Forest (Случайный лес)

RFRK — RF plus residuals kriging

RK — Regression Kriging (Регрессионный кригинг)

RFE — Recursive Feature Elimination (Алгоритм рекурсивного устранения признаков)

SLR — Stepwise Linear Regression (Пошаговая линейная регрессия)

SVM / SVR — Support Vector Machine/Support Vector Regression (Метод опорных векторов)

XGBoost — Бустинг регрессионных деревьев

Оценка точности модели:

ССС / LCCC — Concordance Correlation Coefficient / Lin’s Concordance Correlation Coefficient (Коэффициент корреляции соответствия)

IQR — Интерквартильный размах

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

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

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

ME / MEE — Mean Error / Mean Estimation Error (Средняя ошибка)

R² — Коэффициент детерминации

RMSD / RMSE — Root Mean Square Deviation / Root Mean Squared Error (Среднеквадратическая ошибка)

RPD — Ratio of Performance of Deviation

RPIQ — Ratio of performance to inter-quartile

Облачная платформа:

GEE — Google Earth Engine

Базы данных:

ISRIC — Международного справочно-информационного центра почв

NSSC — National Soil Survey Laboratory. Soil characterization database. National Soil Survey Lab., Lincoln, NE.

NCSS — National Cooperative Soil Survey

NCSCD — Northern Circumpolar Soil Carbon Database

RaCA — Rapid Carbon Assessment

RMQS — French National Soil Survey (Réseau de Mesures de la Qualité des Sols) — французская сеть почвенных исследований

SIMS — Венгерская система информации и мониторинга почв

SSURGO — Soil Data Mart-Soil Survey

WRB — World Reference Base (Реферативная база почвенных ресурсов)

ПГБД РФ — Почвенно-географическая база данных Российской Федерации

Географические названия:

МО — Московская область

БО — Белгородская область

РО — Ростовская область

]]> https://jfsi.ru/6-1-2023-podolskaya/ Thu, 24 Aug 2023 08:48:11 +0000 https://jfsi.ru/?p=5874

Original Russian Text © 2022 E. S. Podolskaia published in Forest Science Issues Vol. 5, No. 4, Article 115.

© 2023                                                           E. S. Podolskaia

Center for Forest Ecology and Productivity of the Russian Academy of Sciences

Profsoyuznaya st. 84/32 bldg. 14, Moscow, 117997, Russian Federation

E-mail: podols_kate@mail.ru

Received: 08.10.2022

Revised: 19.12.2022

Accepted: 20.12.2022

Paper presents an overview of history and current research state on the use of remote sensing data from space to recognize roads for the regional projects in the forestry. We reviewed the principles of road detection on the optical satellite imagery. Group of direct recognition features used in combinations such as brightness and texture, geometry and brightness. Three research directions with examples were identified: visual roads recognition, use of special software and libraries for developers, and neural networks. For the road network detection we have described methods and software, type and spatial resolution of imagery. Road image recognition based on the optical survey from the open and commercial sources, machine learning methods and neural networks. Up-to-date tasks of road recognition are the following: evaluation of road surface condition, modeling of existing roads location, designing and building new roads, roads seasonality. A functional summary of MapFlow plugin for road recognition in Open Source QGIS is given. Paper is a part of regional forestry transport modeling project to access the forest fires and forest resources by ground means.

Key words: remote sensing data from space, road network, image recognition, forestry, neural networks, convolutional neural networks, Open Source QGIS, plugins, MapFlow

Recognition of road network on the satellite imagery is a challenging task both in visual and automated image detection due to the number of difficulties, for instance, combining geometrical and brightness characteristics. We continue research on the modeling the ground movement of firefighters and logging vehicles reaching forest fires and forest resources at the regional level and undertake analysis of scientific papers on the use of data from space to detect road network.

The technology to create access routes, which was developed at the Laboratory of Forest Ecosystems Monitoring of the Center for Forest Ecology and Productivity, the Russian Academy of Sciences (CEPF RAS) collects datasets on routes for an arbitrary period of time, including the fire season (Podolskaia et al., 2020). Up-to-date data on the public and special access roads (forest roads, winter roads) are required to get the correct results in the database.

There is a need for methods and technologies for recognizing and updating data over a road network. Researchers are often focused on how to define presence and location of roads, which are missing in the global and regional datasets. The main source of Open data for the regional roads of entire Russian territory and the world is the vector layers of the Open Street Map project (OSM, https://www.openstreetmap.org/); an example is given in the paper (Podolskaia et al., 2020). Links between OSM data and object recognition at different spatial localization (Muhametshin, Samsonov, 2022), in particular, roads, were studied in, for example (Nachmany, Alemohammad, 2019; Oehmcke et al., 2019; Ayala et al., 2021). The topic of image recognition as a hybrid of Information Technology and Data Science attracts a lot of attention, as evidenced by the review of K. Bhil with colleagues (Bhil et al., 2022).

Infrastructure road projects are getting more complex, require up-to-date and detailed survey data. Present research is devoted to one of the aspects of road image definition and updates — recognition of road geometry on the optical satellite imagery. A separate topic is the use of shooting from unmanned autonomous vehicle (UAV), which is currently developing in Russia in its technical and legal aspects.

Goal of the paper is to overview Russian and foreign scientific publications on the recognition of linear objects of road network infrastructure using remote sensing data obtained from space and then to identify the possibilities for recognizing roads for the regional forestry transport projects. To achieve this goal, it is necessary to solve the following tasks: to characterize the current state of art for the road recognition from space images based on the results from scientific papers for regional projects, to show the features of road recognition in the forestry and to give examples of Open Source tools.

1. Roads recognition on the space imagery: current state of art

Satellite imagery is widely implemented for the different types of transport projects. Road as part of a complex infrastructure facility or project (road construction, oil and gas) is detected taking into account the objects of its surroundings. Space surveys are used in the engineering surveys and design of railways and highways (Bekturov, 2015; Filatova et al., 2017; Andreeva et al., 2019), defining the structure of road network (Mikheeva, Fedoseev, 2016). Roads are one of the elements of general geographic map content, their recognition related to the generalization of a linear object on the imagery (Podolskaia, 2005). For the railways at scale of imagery from 1:25 000 and larger, it is possible to decrypt two rails at a constant distance from each other using border identification tools in the MATLAB system (Zhurkin, Badyshev, 2014). Papers (Dolgopolov et al., 2019; Dolgopolov, 2020) present the analysis of pipeline decryption and accompanying linear infrastructure for the oil and gas industry.

Space images of different types remain the main data source for identifying roads at the regional and local levels. For the scientific research on the transport modeling, it is necessary to understand the possibilities of modern and, most importantly, accessible satellite imagery of different types and resolutions. Non-commercial optical range shooting (Landsat and Sentinel-2 spacecrafts) remains one of the main sources of image analysis in scientific research and also used to recognize roads of different classes. For example, recognition of unpaved roads: papers on narrow dirt roads in southwestern Brazil (Gomes et al., 2015) and unofficial rural roads in the Brazilian Amazon (Botelho et al., 2022) use this satellite optical survey.

Combination of the optical multi-zone and hyperspectral images helps to define changes in the transport network configuration, for which a combined technology of object-oriented analysis for a set of images with cluster and contour processing methods is used (Mikheeva, Fedoseev, 2016). Radar imagery (Henry et al., 2018; Wei et al., 2021) are used less frequently due to the need of pre-processing compared to the optical survey, which is more affordable in cost, but more dependent on meteorological conditions (cloud cover).

In order to characterize modern road recognition, we describe principles for the linear objects. Firstly, roads are extended objects with geometric (shape, size) and brightness (tone, brightness level, color, spectral image) features (Mikheev, Fedoseev, 2016) changing within the image. The geometry of the road in regional projects refers to its shape and size (width), skeleton of the road network geometry is their centerline. An example of joint use of geometric and brightness features is given in the paper (Fedoseev et al., 2018). Secondly, structural features (texture, structure, pattern) and combinations of luminance and structural features are also used for detection, for example, a spectral-texture segmentation algorithm in the paper (Pestunov, Rylov, 2012).

Indirect detection features of the road network are natural (to show the relationship of roads with natural objects), anthropogenic (to identify the functions of roads as objects for communication between settlements, location in the socio-economic infrastructure of the territory), as well as natural and anthropogenic (to indicate the links between landscape and transport development).

In addition to geometric, brightness and structural features, modern research distinguishes topological (connectivity) and functional (use) attributes (Botelho et al., 2022) for the automated road recognition model. To detect the road network, as noted by a number of Russian authors (Miroshnichenko et al., 2013; Tusikova, Vikhtenko, 2019; Ignat’ev et al., 2022), there is a need to select images with a set of key characteristics. They are: significant road length within the image, constant road width, and uniform distribution of the road image’s brightness within the image and road surface clarity. Thus, the main stage of satellite data processing is an image segmentation into thematically homogeneous areas, followed by transformation into a vector format.

Historically road recognition has been started from the example of settlements streets when the satellite imagery of spatial resolution of about several meters were made available (Guindon, 1998). A large review on the automatic road recognition for geoinformatics has been made in the paper (Mena, 2003). It describes the main tasks of recognition: segmentation, vectorization, evaluation and optimization, semantic neural networks, as well as methods and tools of fuzzy logic. This research dated back to 2003 should be continued and updated with a description of present recognition methods and examples of neural networks.

Preparation of image fragments at the beginning of 2000 laid the groundwork for modern road recognition with neural networks method, which is one of the Deep Learning classification algorithms, establishing weight of importance to various regions and objects on the image for the subsequent iterative recognition. Among neural networks for linear objects of the road network, we used convolutional neural networks (CNN) and regional neural networks Region-Based-CNN (RCNN). The decisive advantage of choosing a convolutional network is a shorter, in comparison with other classification algorithms, processing time and far fewer computing resources for images preprocessing (Skripachev et al., 2022). Currently, the best results in semantic image segmentation for road recognition are obtained using the fully connected convolutional neural network Fully CNN, which is a set of connected layers, each neuron of one layer is associated with each neuron of the other one.

An example of RCNN use in Russian publications is Mask-RCNN (Tusikova, Vikhtenko, 2019). Its convolutional principle combins the values of adjacent pixels and detects the most generalized features for the road. Presently quality limitations of network recognition depend on the size of training sample and detail of its annotation (preliminary segmentation). Significant set of data (numbering about thousands of images) is required for the high-quality neural network training. Variants could be found in the ready-made annotated sets; examples of open access are just beginning to appear. We can use space image annotation to automate objects detection, which is assigning a signature or label using keywords.

Researchers attribute the identification of road surface type (Tormozov et al., 2020) and monitoring road technical condition (Chelnokov et al., 2021) as separate tasks of road recognition. A number of roadway identification papers use hyperspectral images and machine recognition methods, noting the need for ultra-high resolution data to determine the road accident ratio (Mikheeva, Fedoseev, 2014; Fedoseev et al., 2016|, 2018). Recent papers published some scientific results of GIS infrastructure project “ITSGIS” (http://itsgis.ru/).

Evolution and current capabilities of road recognition methods and technologies based on the data from space are shown in the Table 1. It groups the characteristics of Russian and foreign papers into the development stages to recognize roads on space images in regional projects. Papers could be grouped into 3 categories, namely: visual detection, use of special software and libraries, and then neural networks. As Table 1 shows, there was a transition from manual expert visual decryption to automated recognition by neural networks based on the expert experience and training sets with a high results accuracy.

The prerequisites for such transitions were the well-known capabilities of information technologies: speed and volume of data processing, especially high-resolution satellite data processing. Advantages of neural network recognition include the speed and availability of image processing; disadvantage is the time spent for the segmented image preparation to be a training sample.

Case studies cover different regions of Russia and the world, used mostly optical imagery. Significant research part dedicated to the use of datasets and neural networks for road recognition is presented by English-language publications. Each block of the Table contains years of publication, which helps to show the historical development of methods and technologies to detect roads on the images stating from the imagery of 1-meter-resolution. The most popular as a Deep Learning library in the studied researches is Keras[1]. One of the most used neural network ResNet101 (https://keras.io/api/applications/resnet/) should be mentioned among the modern examples.

Table 1. Roads recognition on space images at regional level

2. Roads recognition in the forestry

Research experience presented in the Table 1 is useful to recognize a road network on the space images for the forestry transport modeling. Updating of forest road geometry is important in the forestry because forest roads make direct access to the paved roads. There are very few Russian publications on the forest road networks, namely (Orlov, 2006; Shoshina, 2013). First paper is devoted to the connection of road attribute features with pictorial segments and network topological description. Strategy to detect a road depends on its class. About 15 options were mentioned for the roads detection, combining properties of road segments and its location characteristics. Second research describes a system for monitoring forest roads, indicating their main definition signs. This publication focuses on the technical condition of forest roads and possible technologies for detecting defects depending on the season. Tasks of roads detection are to identify the road presence and pavement type, to assess the road state and to identify the segments that require reparation. For the foreign part of the analysis we note a paper (Caliskan, Sevim, 2022), which gives recommendations on the deep learning models for semantic segmentation of forest roads like neural networks ResNet-50 and InceptionResNet-V2.

Forestry peculiarities include the seasonality of road use. In order to model ground access in the forestry, satellite imagery of different year periods are needed, namely: off-season, summer and winter (Shoshina, 2013). Throughout every season of the year, part of the roads will be open; in winter, in addition to public roads, winter roads begin to operate in certain regions; in summer and in the off-season, part of the roads may be inaccessible due to the surface state (Podolskaia, 2022). So, access routes to reach forest resources and forest fires will differ seasonally.

Thus, the current tasks of roads detection in the forestry include assessing their coverage state, modeling the location of existing and designed roads, as well as taking into account the seasonality of road operation.

3. MapFlow plugin for Open Source QGIS

A practical example of an Open Source road recognition tool in the forestry transport projects is the QGIS MapFlow plugin. Nowadays it is one of the image recognition plugins for the roads, which is accessible from the library of Open geoinformation tools (https://plugins.qgis.org/) developed and regularly supported with new versions by GeoAlert (https://geoalert.io/). MapFlow currently uses high spatial resolution optical survey as raw data. Raster road mask is prepared from the image, then it is converted into a set of road centerlines and vectorized to be in GeoJSON format; pavement type and road boundaries (https://geoalert.medium.com/mapflow-ai-new-roads-model-e989557cef26) are also determined. The current version of the plugin dates back to April 2023 (https://plugins.qgis.org/plugins/mapflow/). Plugin has been loaded into the repository since July 2021 and is used for the RuMap platform (http://www.digimap.ru/products) of Geocentre Consulting.

CONCLUSION

Paper provides an overview of available scientific publications on the use of remote sensing data from space for road recognition highlighting features for forestry transport modeling. For implementation in the forestry transport projects we have identified the following research areas.

Firstly, basics of automated road recognition are applied. Roads are being recognized on the images of open and commercial sources, imagery of spatial resolution starting from centimeters to meters are used. For the roads direct detection features are preferably used; they can be better automated in comparison with indirect ones. Researchers over the past 20 years have switched from manual visual decryption of linear objects of road network to the use of deep learning methods and neural networks. Significant time and technical efforts are still being invested in the preparation of training datasets for the neural network, their quality significantly determines recognition result. Thus, the use of artificial intelligence (AI) methods and technologies is an obvious, actively and constantly developing research question.

Secondly, thematic forestry tasks using data from space and AI remain the following: assessment of road state, identification of its accident rate, as well as design modeling and construction of new roads. To detect and to monitor the state of forest roads in the Russian regions it is advisable to shoot high and ultra-high imagery, which can be done using UAV. This shooting technology is of significant interest due to the ultra high spatial resolution (about centimeters), its ability to make the preparation process relatively quicker compare to the shooting from satellites and availability of software processing tools.

As examples of positive forestry outputs, we note several papers (Gulci et al., 2017; Akay, Tas, 2018; Turk et al., 2022). Currently it is difficult to assess the effectiveness of UAVs for road recognition against the use of space images for regional projects. The efficiency assessment will depend on the geographical location of key area, presence and geometrical complexity of road network, terrain, infrastructure and other parameters. The question requires further research and experience gathering from different countries and regions. Due to the present complications to obtain high and ultra-high spatial resolution space imagery in Russia, local UAV surveys even taking into account management, fieldwork and labor costs may be the only option for obtaining data for regular monitoring of road condition.

For the years to come the data obtained from UAVs will be one of the sources used to update the road network image in various GIS projects, including forestry. Definitely, shooting from space and using UAVs will continue to be the two main data sources for roads detection. For various road projects and forestry there are some common patterns like use of mostly accessible open data Landsat and Sentinel. There are still few scientific publications aimed to recognize forest roads on the satellite imagery.

Number of references shows that for the road recognition the most informative and currently used features are direct decryption features (geometric, brightness), then direct texture features applied. Research of last decade implements a combination of direct features, like brightness and texture, geometry and brightness. Papers’ analysis states that tasks of using satellite imagery to recognize road images can be divided into several groups. First of all, there is a need for any imagery in the absence of updated data on the road network, and then the lack of an open access accurate coordinate reference of the linear road infrastructure and finally a need to monitor road coverage for accidents and to carry out subsequent economic assessments.

Regional forestry projects are complex, large-scale and, therefore, costly from the resources point of view. Main technology for their implementation for the road recognition part will remain neural networks, which are constantly improving in their quality and data volume; neural networks have a tendency of becoming open products that collect recognition examples of linear, point and polygon type objects.

ASKNOWLEDGEMENTS

The author thanks the Center for Forest Ecology and Productivity of the Russian Academy of Sciences (CEPF RAS) for supporting this research by the state funding contract “Methodological approaches to estimate structural organization and functioning of forest ecosystems”, registration number N 121121600118-8.

REFERENCES

Akay A. E., Tas I., Using drone with a lidar data capture systems in forestry applications, International Academic Research Congress, INES, 2018, pp. 17–25.

Andreeva O. A., Konon N. I., Ratinskij M. G., K voprosu ispol’zovanija distancionnogo zondirovanija mestnosti pri proektirovanii zheleznyh dorog (To the question of use remote sensing for railways construction), Geodezija i kartografija, 2019, No 5. pp. 47–53. DOI: 10.22389/0016-7126-2019-947-5-47-53.

Ayala C., Aranda C., Galar M., Towards fine-grained roads maps extraction using Sentinel-2 imagery, ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXIV ISPRS Congress (2021 edition), 2021, Vol. 3, pp. 9–14.

Barrile V., Bilotta G., Fotia F., Bernardo E., Road extraction for emergencies from satellite imagery, ICCSA 2020, LNCS, pp. 767–781, DOI: 10.1007/978-3-030-58811-3_55.

Bekturov A. K., Primenenie materialov ajerokosmicheskih s’emok v izyskanijah i proektirovanii avtomobil’nyh dorog v uslovijah vysokogor’ja (Use of aerospace survey materials in the exploration and design of highways under high-altitude conditions), Vestnik Kyrgyzskogo gosudarstvennogo universiteta stroitel’stva, transporta i arhitektury im. N. Isanova, 2015, No 3 (49), pp. 43–48.

Bhil K., Shindihatti R., Mirza S., Latkar S., Ingle Y. S., Shaikh N. F., Prabu I., Pardeshi S. N., Recent progress in object detection in satellite imagery: a review, Sustainable Advanced Computing. Lecture Notes in Electrical Engineering, 2022, Vol. 840, pp. 209–218, DOI: doi.org/10.1007/978-981-16-9012-9_18.

Botelho J. Jr., Costa S. C. P., Ribeiro J. G., Souza C. M. Jr., Mapping roads in the Brazilian Amazon with artificial intelligence and Sentinel-2, Remote Sensing, 2022, Vol. 14, pp. 1–17, DOI: 10.3390/ rs14153625.

Caliskan E., Sevim Y., Forest road detection using deep learning models, Geocarto International, 2022, Vol. 37, No 20, pp. 5875–5890, DOI: 10.1080/10106049.2021.1926555.

Chelnokov V. V., Meshalkin V. P., Strelkov S. P., Kondrashin K. G., Vizualizacija dannyh distancionnogo zondirovanija dorozhnyh setej v celjah analiza jekologicheskogo i socio-jekologicheskogo vozdejstvija (Visualization of remote sensing data of road networks for the analysis of ecological and socio-ecological impact), Geodezija i kartografija, 2021, No 3, pp. 36–43, DOI: 10.22389/0016-7126-2021-969-3-36-43.

Dolgopolov D. V., Ispol’zovanie dannyh distancionnogo zondirovanija Zemli pri formirovanii geoinformacionnogo prostranstva truboprovodnogo transporta (Use of Earth remote sensing data in the geoinformation space of pipeline transport), Vestnik SGUGiT, 2020, Vol. 25, No 3, pp. 151–159.

Dolgopolov D. V., Nikonov D. V., Polujanova A. V., Melkij V. A., Vozmozhnosti vizual’nogo deshifrirovanija magistral’nyh truboprovodov i ob’ektov infrastruktury po sputnikovym izobrazhenijam vysokogo i sverhvysokogo prostranstvennogo razreshenija (Possibilities of visual decoding of trunk pipelines and infrastructure facilities from satellite images of high and ultra-high spatial resolution), Vestnik SGUGiT, 2019, Vol. 24, No 3, pp. 65–81.

Fedoseev A. A., Miheeva T. I., Miheev S. V., Postroenie modeli transportnoj infrastruktury na osnove prostranstvenno-spektral’noj ajerokosmicheskoj informacii (Construction of transport infrastructure model based on the spatial-spectral aerospace information), Programmnye produkty i sistemy, 2018, No 1 (31), pp. 25–31.

Fedoseev A. A., Miheeva T. I., Saprykin O. P., Mingazov P. P., Raspoznavanie ob’ektov transportnoj infrastruktury na giperspektral’nyh snimkah metodom glubinnogo mashinnogo obuchenija (Recognition of transport infrastructure objects on hyperspectral images by deep machine learning), Informacionnye tehnologii intellektual’noj podderzhki prinjatija reshenij (ITIDS’2016)., Trudy IV Mezhdun. konf., Ufa, Izd-vo UGATU, 2016, pp. 39–44.

Filatova A. V., Pozdysheva O. N., Kistineva A. O., Analiz processa deshifrirovanija pri stroitel’stve avtomobil’nyh dorog (Analysis of recognition in the construction of highways), Jelektronnyj nauchnyj zhurnal “Inzhenernyj vestnik Dona”, 2017, No 2, pp. 1–11.

Gecen R., Sarp G., Road detection from high and low resolution satellite images, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2008, Vol. XXXVII, Part B4, Beijing, pp. 355–358.

Gomes O. F. M., Feitosa R. Q., Coutinho H. L., C. Sub-pixel unpaved roads detection in Landsat images, Proceedings of XXXV Congress ISPRS, Committee 3, 2015, pp. 1–5.

Guindon B., Application of spatial reasoning methods to the extraction of roads from high-resolution satellite imagery, IGARSS ‘98. Sensing and Managing the Environment. International Geoscience and Remote Sensing. Symposium Proceedings, 1998, Vol. 2, pp. 1076–1078, DOI: 10.1109/IGARSS.1998.699677.

Gulci S., Akgul M., Akay A. E., Tas I., Using ready-to-use drone images in forestry activities: case study of Cinarpinar in Kahramanmaras, Turkey, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XLII-4/W6, 2017, 4th International GeoAdvances Workshop 14–15 October 2017, Safranbolu, Karabuk, Turkey. pp. 51–53.

Henry C., Azimi S. M., Merkle N., Road segmentation in SAR satellite images with deep fully convolutional neural networks, IEEE Geoscience and Remote Sensing Letters, 2018, pp. 1–6. DOI: 10.1109/LGRS.2018.2864342.

Ignat’ev A. V., Kulikov M. A., Capiev D. N., Tyrin V. V., Metodika avtomaticheskoj klassifikacii dorog s ispol’zovaniem nejronnoj seti Mask R-CNN (Method of automatic classification of roads using the neural network Mask R-CNN), Jelektronnyj nauchnyj zhurnal “Inzhenernyj vestnik Dona”, 2022, No 5, pp. 1–9.

Kobzeva E. A., Jeksperimental’naja ocenka tochnosti i deshifrovochnyh vozmozhnostej kosmicheskih snimkov RapidEye (Experimental evaluation of accuracy and decoding capabilities of RapidEye satellite images), Geomatics, 2010, No 2, pp. 33–36.

Maillard Ph., Cavayas F., Automatic map-guided extraction of roads from SPOT imagery for cartographic database updating, International Journal of Remote Sensing, 1989, No 10 (11), pp. 1775–1787, DOI: 10.1080/01431168908904007.

Mei J., Li R.-J., Gao W., Cheng M.-M., CoANet: Connectivity attention network for road extraction from satellite imagery, IEEE Transactions on Image Processing, 2021, Vol. 30, pp. 8540–8552, DOI: 10.1109/TIP.2021.3117076.

Mena J. B., State of the art on automatic road extraction for GIS update: a novel classification, Pattern Recognition Letters, 2003, Vol. 24, pp. 3037–3058.

Mikheeva T. I., Fedoseev A. A., Klasterizacija giperspektral’nyh dannyh monitoringa ob’ektov transportnoj infrastruktury (Clustering of hyperspectral monitoring data of transport infrastructure facilities), Izvestija Samarskogo nauchnogo centra Rossijskoj akademii nauk, 2014, Vol. 16, No 4 (2), pp. 404–408.

Mikheeva T. N., Fedoseev A. A., Identifikacija izmenenij konfiguracii transportnoj seti na osnove kosmicheskoj s’emki (Identification of transport network configuration changes based on satellite imagery), Izvestija Samarskogo nauchnogo centra Rossijskoj akademii nauk, 2016, Vol. 18, No 4 (4), pp. 808–814.

Miroshnichenko S. Ju., Titov V. S., Jashhenko A. A., Metod avtomaticheskoj lokalizacii protjazhennyh geoprostranstvennyh ob’ektov (Method of automatic localization of extended geospatial objects), Izvestija vuzov. Priborostroenie, 2013, Vol. 56, No 6, pp. 17–22.

Muhametshin A. R., Samsonov T. E., Deshifrirovanie kosmicheskih snimkov s ispol’zovaniem mashinnogo obuchenija po dannym OpenStreetMap (Space images interpretation with machine learning based on the OpenStreetMap) Nauchnye issledovanija molodyh uchenyh-kartografov, vypolnennye pod rukovodstvom sotrudnikov kafedry kartografii i geoinformatiki geograficheskogo fakul’teta MGU imeni M. V. Lomonosova: sbornik statej, pod red. A. M. Karpachevskogo, Moscow, “KDU”, “Dobrosvet”, 2022, pp. 64–72.

Nachmany Y., Alemohammad H., Detecting roads from satellite imagery in the developing world, The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019, pp. 84–89.

Oehmcke S., Thrysoe C., Borgstad A., Vaz Salles M. A., Brandt M., Gieseke F., Detecting hardly visible roads in low-resolution satellite time series data, IEEE International Conference on Big Data, 2019, pp. 1–10, DOI:10.1109/BigData47090.2019.9006251.

Orlov V. A., Avtomatizirovannoe raspoznavanie lesnyh dorog po kosmicheskim snimkam (Automated recognition of forest roads based on satellite images), Aktual’nye problemy lesnogo kompleksa, 2006, No 14, pp. 1–4.

Pestunov I. A., Rylov S. A., Segmentacija sputnikovyh izobrazhenij vysokogo razreshenija po spektral’nym i teksturnym priznakam (Segmentation of satellite images of high spatial resolution by spectral and textural features), InterJekspo Geo-Sibir’, 2012, Vol. 1, No 4, pp. 86–91.

Podolskaia E. S., Primenenie kosmicheskih skanernyh snimkov dlja ob’ektivizacii kartograficheskoj generalizacii na obzorno-topograficheskih kartah (Application of space scanner images for objectification of map generalization on the survey-and-topographic maps), Izv. Vuzov. Ser. Geodezija i ajerofotos’emka, 2005, No 5, pp. 83–96.

Podolskaia E. S., Sezonnost’ dorog v transportnom modelirovanii GIS-proekta lesnogo hozjajstva (Seasonality of roads in the transport modeling of GIS forestry project), Fundamental’nye, poiskovye, prikladnye issledovanija i innovacionnye proekty. Sbornik trudov Nacional’noj nauchno-prakticheskoj konferencii, Moscow, RTU MIRJeA, 2022, pp. 267–271.

Podolskaia E., Ershov D., Kovganko K., Comparison of data sources on transport infrastructure for the regional forest fire management, Managing forests in the 21st century: Book of abstracts, Managing forests in the 21st century, Conference at the Potsdam Institute for Climate Impact Research, Potsdam 2020, 59 p. DOI: 10.2312/pik.2020.002.

Podolskaia E. S., Ershov D. V., Kovganko K. A., Transportnoe modelirovanie nazemnogo dostupa dlja bor’by s lesnymi pozharami na urovne Federal’nyh okrugov Rossii (Transport modeling of ground access to fight the forest fires at the level of the Federal Districts of Russia), Sbornik statej po itogam nauchno-tehnicheskih konferencij, 2020, No 11, Moscow: MIIGAiK. Prilozhenie k zhurnalu Izvestija vuzov “Geodezija i ajerofotos’emka”, pp. 154–156.

Riedl M., Berthold I., Schauer P., Angelhuber M., Fischer P., Canzani E., How many roads? Object segmentation on satellite imagery in a production environment, Proceedings of 2019 Big Data from Space (BiDS’19), 19-21 February 2019, Munich (Germany), pp. 173–176. DOI: 10.2760/848593.

Satyanarayana V. L., Chandana Ch. G., Bindusha K., Padmanabhudu D., Shahanaaz bhanu G., Extraction of roads from satellite resolution images using Matlab, International Journal of Engineering Applied Sciences and Technology, 2020, Vol. 4, No 12, pp. 708–714.

Shoshina K. V., Sistema monitoringa i issledovanija lesnyh dorog (Forest road monitoring and research system), Vestnik Severnogo (Arkticheskogo) Federal’nogo universiteta. Serija: Estestvennye nauki, 2013, No 4, pp. 50–54.

Skripachev V. O., Gujda M. V., Gujda N. V., Zhukov A. O., Issledovanie svertochnyh nejronnyh setej dlja obnaruzhenija ob’ektov na ajerokosmicheskih snimkah (Research of convolutional neural networks to detect objects on the aerospace images), International Journal of Open Information Technologies, 2022, Vol. 10, No 7, pp. 54–64.

Tormozov V. S., Vasilenko K. A., Zolkin A. L., Nastrojka i obuchenie mnogoslojnogo perseptrona dlja zadachi vydelenija dorozhnogo pokrytija na kosmicheskih snimkah goroda (Setup and training of a multilayer perceptron for the task of highlighting the pavement on satellite images of the city), Programmnye produkty i sistemy, 2020, Vol. 33, No 2, pp. 343–348, DOI: 10.15827/0236-235X.130.343-348.

Turk Y., Boz F., Aydin A., Eker R., Evaluation of UAV usage possibility in determining the forest roads pavement degradation: preliminary results. 3rd International Engineering Research Symposium, INERS’19. Comparison of Autonomous and Manual UAV Flights in Determining Forest Road Surface Deformations, European Journal of Forest Engineering, 2022, Vol. 8 (2), pp. 77–84.

Tusikova A. A., Vihtenko Je. M., O raspoznavanii avtomobil’nyh dorog na sputnikovyh snimkah s ispol’zovaniem sverhtochnyh setej MASK-RCNN (About the recognition of highways on satellite images using convolutional networks MASK-CNN), V Mezhdunarodnaja konferencija “Informacionnye tehnologii i vysokoproizvoditel’nye vuchyslenija” (ITHPC-2019), Habarovsk, Rossija, 2019, pp. 308–314.

Wei X., Fu X., Yun Y., Lv X., Multiscale and multitemporal road detection from high resolution SAR images based attention mechanism, Remote Sensing, 2021, Vol. 13, p. 3149. DOI: 10.3390/rs 13163149.

Zegeye A., Road extraction from satellite imagery based on fully convolutional neural network, IOSR Journal of Computer Engineering (IOSR-JCE), 2020, Vol. 22, No 4, Ser. II, pp. 59–72, DOI: 10.9790/0661-2204035972.

Zhurkin I. G., Badyshev T. T., Analiz izmenenij zheleznodorozhnoj seti po kosmicheskim snimkam (Analysis of changes in the railway network based on satellite images), Izvestija vysshih uchebnyh zvedenij. Geodezija i ajerofotos’emka, 2014, Vol. 3, pp. 83–86.

Reviewer: Candidate of Biological Sciences V. V. Elsakov

[1] Open Source Python-based library which is aimed to interact with neural networks

© 2023 г.                    А. Е. Квашнина^1*, Ф. К. Возьмитель¹, В. А. Хамедов^2,3

¹Государственный природный заповедник «Денежкин Камень»

Россия, 624480, г. Североуральск, ул. Ленина, 6

²Сибирский государственный университет геосистем и технологий

Россия, 630108, г. Новосибирск, ул. Плахотного, 10

³Санкт-Петербургский государственный университет аэрокосмического приборостроения

Россия, 190000, г. Санкт-Петербург, ул. Большая Морская, 67

^*E-mail: zapov.dk@gmail.com

Поступила в редакцию: 01.03.2023

После рецензирования: 20.03.2023

Принята к печати: 22.03.2023

На основе данных дистанционного зондирования Земли выполнена реконструкция динамики площади погибшей лесной растительности на территории, оказавшейся под влиянием неконтролируемого подотвального стока с Северного медно-цинкового рудника на севере Свердловской области. По материалам дешифрирования серии спутниковых снимков за период с 2009 г. по 2022 г. выявлено экспоненциальное увеличение площади погибшей лесной растительности, рассчитана цифровая модель стока, подтверждена приуроченность очагов гибели растительности к формам рельефа местности.

Ключевые слова: дистанционное зондирование, дешифрирование космических снимков, гидрологический анализ, модель стока, гибель лесной растительности, рудник

На севере Свердловской области, на расстоянии 3 и 5 км от восточной границы заповедника «Денежкин Камень», на хребте Шемур расположены два карьера — Шемурский и Ново-Шемурский, разрабатываемые Акционерным обществом «Святогор» в составе Уральской горно-металлургической компании (УГМК). С 2008 г. добыча медных, медно-цинковых серно-колчеданных руд на карьерах ведется открытым способом. Разработка карьеров производится на вершине хребта с крутыми склонами (высота хребта составляет 700 м над ур. м., а его уклоны от 21% до 40%), при этом находящиеся на склонах отвалы с содержанием колчеданов активно участвуют в формировании водотоков рек Банная, Чёрная, Ольховка и Тамшёр. Реки Банная и Чёрная являются притоками р. Тальтия, а реки Ольховка и Тамшёр — р. Шегультан. Реки Тальтия и Шегультан, в свою очередь, являются важными водотоками заповедника «Денежкин Камень», они берут начало на его территории. В 2018 г. выявлены случаи загрязнения всех указанных рек тяжелыми металлами и обнаружены участки с погибшей лесной растительностью (Квашнина, Владимирова, 2019; Владимирова, Квашнина, 2019; Квашнина, 2022). Кроме действующих карьеров Шемурский и Ново-Шемурский в состав Северного медно-цинкового рудника входит карьер Тарьёрский, добыча на котором была остановлена в 2014 г.

Оценка влияния техногенного загрязнения на состав и свойства почвенных вод как фактора воздействия на состояние растительного покрова является одной из важнейших задач в решении экологической безопасности районов добычи и разработки полезных ископаемых (Ершов, 2020). В связи с этим целью данной работы является реконструкция динамики увеличения площадей погибшей лесной растительности на территории, оказавшейся под влиянием неконтролируемого подотвального стока на Северном медно-цинковом руднике с помощью дешифрирования серии спутниковых снимков за период с 2009 г. по 2022 г.

Спутниковые снимки среднего пространственного разрешения широко используются для исследования повреждений растительности в различных тематических задачах (Хамедов и др., 2006; Baumann et al., 2014). В настоящей работе использование данных дистанционного зондирования позволило реконструировать процессы гибели растительности вблизи охранной зоны заповедника, ранее не обнаруженные своевременно, а также обеспечило эффективность проведения натурных обследований за счет возможности одномоментного охвата большой по площади территории.

МАТЕРИАЛЫ И МЕТОДЫ

С целью выявления источников и путей попадания загрязняющих веществ в водотоки рек Банная, Чёрная, Тамшёр и Ольховка была создана цифровая модель рельефа (ЦМР) на основе топографических карт масштаба 1:25 000 и 1:50 000. Размер пикселя созданной ЦМР составил 10×10 м, что позволило сгладить локальные понижения и устранить небольшие ошибки и неточности модели. На основе ЦМР создан растр направления стока из каждой ячейки по ближайшей соседней ячейке вниз по склону наибольшей крутизны, а затем растр потока накопления в каждую ячейку для территории карьеров — суммарный сток. После привязки точек устьев к ячейкам с наибольшим суммарным стоком, на основе растра направления стока были созданы растровые карты водосборных областей и бассейнов рек. Гидрологический анализ ЦМР и построение модели стока выполнены с помощью пакета инструментов ArcGIS Pro.

Для определения наличия и масштабов повреждений растительности в результате стоков загрязняющих веществ была проанализирована серия снимков Landsat-5, 7 и Sentinel-2 за летний сезон в период с 2006 г. по 2022 г. На снимках Landsat использовалась комбинация каналов коротковолновый инфракрасный 1 (SWIR1), ближний инфракрасный (NIR) и красный (Red). Для анализа снимков Landsat-5 использовалась комбинация каналов B5-B4-B3, для снимков Landsat-7 — B6-B5-B4. Для анализа снимков Sentinel-2 использована комбинация каналов коротковолновый инфракрасный 1 (SWIR1), ближний инфракрасный 8 (Vegetation Red Edge 8) и красный (Red), или B11-B8а-B4. Комбинации каналов красной части спектра, как правило, наилучшим образом детектируют повреждения растительности (Крылов и др., 2011; Никитина и др., 2019; Елсаков, 2021).

Для верификации процессов, зафиксированных по данным дистанционного зондирования, проводились натурные обследования участков погибшей лесной растительности в долинах рек Банная, Ольховка, Тамшёр, в том числе проводилась съемка с применением беспилотного летательного аппарата.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Полученные результаты анализа построенной карты стока показывают, что с карьера Тарньёрский сток осуществляется в р. Мундыр (приток р. Ивдель) и в безымянный водоток, впадающий в р. Тальтия. С карьера Шемурский сток направлен в реку Банная (приток р. Тальтия) и в безымянный водоток, являющийся притоком р. Чёрная (впадает в р. Тальтия). С площадок склада слабоминерализованных пород и серно-колчеданных руд сток аккумулируется в р. Тамшёр (приток р. Шегультан). Стоки с карьера Ново-Шемурский участвуют в формировании рек Ольховка и Тамшёр, являющихся притоками р. Шегультан. На рис. 1 представлена подготовленная карта суммарного стока с территорий объектов Северного медно-цинкового рудника, подверженных загрязнениям. Красным цветом на рисунке показаны водотоки с максимальным суммарным стоком, а зеленым — с минимальным. Рассчитанные водосборные области, участвующие в формировании водотоков на исследуемой территории, обозначены разными оттенками синего цвета. Участки карьеров на схеме обозначены черным контуром, границы заповедника «Денежкин Камень» — красным контуром, а охранная зона заповедника — зеленым контуром.

Исследование изменений лесной растительности по материалам космической съемки показало, что ее гибель в районе Тарньёрского рудника началась в 2010 г., а в 2015 г. начал гибнуть лес по долинам рек Тамшёр и Ольховка.

Рисунок 1. Суммарный сток с территории объектов Северного медно-цинкового рудника и рассчитанные водосборные области, участвующие в формировании водотоков

Согласно спутниковым данным, очаги гибели приурочены к рекам, в которые попадают стоки с карьеров (рис. 2) и полностью повторяют рассчитанную модель стока. На рисунке участки погибшей лесной растительности обозначены красным контуром, в качестве подложки использован снимок Sentinel-2 в комбинации каналов B11-B8а-B4, полученный 23.08.2021 г.

Рисунок 2. Фрагмент космического снимка Sentinel-2 c участками погибшей растительности

На территориях, не подвергающихся воздействию вод, стекающих с отвалов, значимых повреждений лесной растительности, по данным дистанционного зондирования, не обнаружено. Наблюдение подтверждено натурными обследованиями. В то же время в пределах участков, подвергающихся воздействию, натурное обследование показало наличие небольших участков под пологом леса, на которых начинают гибнуть травянистый и кустарничковый ярусы растительности, которые не были детектированы космосъемкой.

Анализ приуроченности очагов гибели растительности к формам рельефа показал, что около 80% очагов расположены на пологих склонах (уклон не более 30%), на которых происходит задержание поллютантов. Также массовая гибель растительности наблюдается на заболоченных участках. На более крутых склонах признаки гибели растительности менее выражены. Например, вдоль р. Банная на западных склонах хребта Шемур, имеющих уклон более 35%, площадь поврежденной лесной растительности минимальна.

С 2018 года территория, на которой выявлена гибель лесной растительности, увеличивается экспоненциально. В 2019 г. площадь погибшей растительности составляла 379.4 га, в 2020 г. — около 622.1 га, в 2021 г. — 712.5 га, в 2022 г. — 1149 га (рис. 3).

Рисунок 3. Динамика площади погибшей лесной растительности в период 2009–2022 гг.

Практически все участки погибшего леса немного увеличились в ширину, некоторые в длину. Заметно увеличился участок погибшего леса в устье р. Тамшёр, вдоль Шегультана, а также на выположенном участке в долине р. Тамшёр. В низовьях р. Безымянная (Чёрная) признаки гибели растительности были зафиксированы в 2021 г.

ЗАКЛЮЧЕНИЕ

Данные дистанционного зондирования позволяют обнаружить участки, на которых гибнет древесный ярус, однако небольшие участки с погибшей травянистой и кустарничковой растительностью обнаружить дистанционными методами невозможно. Анализ данных показывает, что массовое усыхание лесной растительности приурочено к долинам рек, в которые попадают неконтролируемые стоки с медно-колчеданных отвалов Северного рудника, а также к самим отвалам. Территория, на которой выявлена гибель растительности, увеличивается экспоненциально с 2018 г. Анализ приуроченности очагов гибели растительности к формам рельефа с использованием моделирования показал, что около 80% очагов расположены на пологих склонах (уклон не более 30%). Характерные особенности участков, на которых растительность погибла в результате химического отравления почв, отличаются от участков, пострадавших в результате воздействия иных негативных факторов, так как наблюдается гибель всех компонентов растительности. Так, например, в случае поражения участков короедом травянистая и кустарничковая растительность не погибает, при гибели растительности в результате лесного пожара восстановление травянистой растительности происходит уже на следующий год, тогда как на исследованных участках химического загрязнения почв восстановление растительности не происходит.

СПИСОК ЛИТЕРАТУРЫ

Владимирова Н. А., Квашнина А. Е. Оценка масштабов гибели лесных экосистем в результате разработки месторождений Северного медно-цинкового рудника по серии космических снимков 2009–2018 гг. // Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии: Доклады VII Всероссийской конференции (Москва, 22-24 апреля 2019 г.). М.: ЦЭПЛ РАН. 2019. С. 29–31

Елсаков В. В. Спектральные различия характеристик растительного покрова тундровых сообществ сенсоров Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 4. С. 92–101. DOI: 10.21046/2070-7401-2021-18-4-92-101.

Ершов В. В. Мониторинг состава атмосферных и почвенных вод в лесных экосистемах: достижения и перспективы // Вопросы лесной науки. 2020. Т. 3. № 2. С. 1–34. DOI: 10.31509/2658-607x-2020-3-2-1-34.

Квашнина А. Е., Владимирова Н. А. Экспресс-оценка последствий неконтролируемого подотвального стока на северном медно-цинковом руднике и проблемы заповедника «Денежкин камень», с ним связанные // География и современные проблемы географического образования: материалы Всероссийской научно-практической конференции, посвященной 100-летию со дня рождения Почетного члена Русского Географического Общества, доктора географических наук, профессора Василия Ивановича Прокаева, Екатеринбург, 16–20 сентября 2019 года. Екатеринбург: УГПУ, 2019. С. 139–145.

Квашнина А. Е. Дешифрирование космоснимков района расположения Северного медно-цинкового месторождения с целью определения всех возможных потоков загрязненных вод и их воздействие на окружающую среду (2021 г.) // Научные исследования в заповедниках и национальных парках Российской Федерации (2015–2021 гг.) / Отв. ред. Д. М. Очагов. Выпуск 5. Симферополь: Бизнес-Информ, 2022. С. 152–153.

Крылов А. М., Соболев А. А., Владимирова Н. А. Выявление очагов короеда-типографа в Московской области с использованием снимков Landsat // Вестник Московского государственного университета леса — Лесной вестник. 2011. № 4. С. 54–60.

Никитина А. Д., Князева С. В., Гаврилюк Е. А., Тихонова Е. В., Эйдлина С. П., Королева Н. В. Картографирование динамики растительного покрова территории национального парка «Куршская коса» по материалам космической съемки Alos и Sentinel-2 // Вопросы лесной науки. 2019. Т. 2. № 3. С. 1–21. DOI: 10.31509/2658-607x-2019-2-3-1-21.

Хамедов В. А., Копылов В. Н., Полищук Ю. М., Шимов С. В. Использование данных дистанционного зондирования в задачах лесной отрасли // Современные проблемы дистанционного зондирования Земли из космоса. 2006. Т. 3. № 2. С. 380–387.

Baumann M., Ozdogan M., Wolter P. T., Krylov A. M., Vladimirova N. A., Radeloff V. C. Landsat remote sensing of forest windfall disturbance // Remote Sensing of Environment, 2014. Vol. 143. P. 171–179.

Рецензент: д. т. н. Ступин В. П.

© 2023                                            В. А. Хамедов^1,2, Н. В. Давыдова¹

¹Сибирский государственный университет геосистем и технологий

Россия, 630108, Новосибирск, ул. Плахотного, 10

²Санкт-Петербургский государственный университет аэрокосмического приборостроения

Россия, 190000, Санкт-Петербург, ул. Большая Морская, 67

E-mail: khamedov.vladimir@mail.ru

Поступила в редакцию: 28.02.2023

После рецензирования: 18.03.2023

Принята к печати: 20.03.2023

Разработка и эксплуатация нефтяных месторождений на территории Западной Сибири оказывает существенное воздействие на различные компоненты окружающей среды. В том числе воздействию подвергаются природные комплексы существующих особо охраняемых природных территорий (ООПТ) и перспективные территории, значимые для сохранения биологического разнообразия и ландшафтов. В связи с проектируемым развитием системы ООПТ в Ханты-Мансийском автономном округе целью работы является оценка вероятного загрязнения муниципальных образований региона выбросами при сжигании попутного нефтяного газа для обеспечения поддержки принятия решений при выборе мест размещения перспективных охраняемых территорий. В работе представлена общая характеристика хронического теплового и газохимического загрязнения атмосферы продуктами сжигания попутного нефтяного газа, смоделированы ареалы вероятного атмосферного загрязнения в результате сжигания газа, проведена оценка динамики состояния растительности для территорий муниципальных образований, в границах которых планируется создание охраняемых природных территорий, и даны рекомендации по проектированию таких территорий.

Ключевые слова: попутный нефтяной газ, тепловое и газохимическое загрязнение, выбросы в атмосферу, ВЕГА-Science, NDVI, особо охраняемые природные территории

Ханты-Мансийский автономный округ является основным нефтедобывающим регионом России, на долю которого приходится около 41% общероссийской добычи нефти. По состоянию на 01.01.2022 г. на территории округа учтено 486 месторождений углеводородного сырья, в том числе 423 нефтяных, 23 нефтегазоконденсатных, 18 газовых, 5 газоконденсатных, 17 газонефтяных (Итоги работы Департамента…, 2022). Разработка и эксплуатация месторождений оказывает существенное воздействие на окружающую среду территории Западной Сибири. Вопросам регулирования воздействия нефтедобычи на состояние окружающей среды посвящен ряд работ. Например, в работе К. В. Мячиной и Е. В. Краснова (2021) разработана система оптимизационных решений для снижения нагрузки объектов нефтедобычи на ландшафты степных зон, в работе М. Н. Алексеевой и др. (2018) представлены методические вопросы определения зон теплового загрязнения в радиусе действия факельных установок, в другой работе М. Н. Алексеевой и др. (2019) предложена модель оценивания регионального загрязнения территорий и численно восстановлены поля относительного загрязнения окружающих территорий нефтедобычи в зимний и летний периоды года. Ю. М. Полищук и О. С. Токарева (2010) на основе математического моделирования и данных о выбросах в атмосферу загрязняющих веществ предлагают карты рисков негативного воздействия загрязнения атмосферного воздуха, А. В. Мещерякова и В. А. Хамедов (2020) рассматривают вопросы сохранения водно-болотных угодий в условиях интенсивного антропогенного воздействия, связанного с развитием инфраструктуры нефтяных месторождений Западной Сибири.

МАТЕРИАЛ И МЕТОДЫ

Общая площадь земель, на которых расположены леса Ханты-Мансийского автономного округа, составляет 50 396.9 тыс. га, в том числе земли лесного фонда — 49 351.6 тыс. га (4.3% от площади земель лесного фонда России, 44.1% от площади земель лесного фонда Уральского Федерального округа). Исследование характеристик лесных участков на примере одного из муниципальных образований округа — Советского района — было представлено ранее (Сочилова и др., 2018). В настоящее время на территории автономного округа находится 25 особо охраняемых природных территорий (ООПТ) общей площадью 2378 тыс. га, что составляет 0.2% от общего числа всех российских ООПТ и 1.1% от площади всех российских ООПТ (О концепции развития…, 2013). Эти показатели ниже в сравнении с другими субъектами Российской Федерации. С целью развития системы ООПТ предполагается создание дополнительных охраняемых территорий, перечень которых определен концепцией развития системы ООПТ автономного округа (О концепции развития…, 2013), разработанной в соответствии с Основами государственной политики в области экологического развития Российской Федерации и стратегией социально-экономического развития Ханты-Мансийского автономного округа — Югры на период до 2030 г. Концепцией представлен перечень муниципальных образований автономного округа, в границах которых проектируется создание перспективных ООПТ (табл. 1), однако для отдельных территорий не определены конкретные площади. Целью данной работы является оценка вероятного загрязнения территорий муниципальных образований региона выбросами при сжигании попутного нефтяного газа (ПНГ) для поддержки принятия решений при выборе мест размещения перспективных охраняемых территорий, значимых для сохранения биологического разнообразия и ландшафтов.

Таблица 1. Перечень перспективных ООПТ Ханты-Мансийского автономного округа

Хроническое тепловое и газохимическое загрязнение атмосферы продуктами сжигания ПНГ является одним из существенных факторов негативного воздействия на экосистему. Загрязнение атмосферы оказывает непосредственное воздействие на растительный покров территорий, прилегающих к объектам нефтедобычи. Для контроля их состояния могут быть использованы методы, основанные на обработке данных дистанционного зондирования Земли из космоса. Так, например, оценка состояния растительного покрова, подверженного атмосферному загрязнению, может осуществляться на основе индекса NDVI (Полищук и др., 2016; Косолапов, Хлебникова, 2021), обширные площади теплового загрязнения могут быть определены с использованием измерений, полученных прибором MODIS с космических аппаратов TERRA и AQUA, а состав газохимического загрязнения — с использованием приборов вертикального зондирования атмосферы, например CRIS/ATMS/OMPS космического аппарата NOAA-20. С использованием оптических спутниковых систем могут быть обнаружены участки сажевого загрязнения территорий, образуемого в результате неполного сгорания продуктов сжигания ПНГ. Согласно проведенным исследованиям (Алексеева и др., 2022), при сжигании газа на месторождениях в атмосферу выбрасываются СО и СО₂ (65–80%), сажа (10%), а также диоксид азота NO₂ (от 1 до 3%), SO₂ (около 0.1%), NO (0.1%), H₂S, бутан, гексан, пентан, метан, этан, бензапирен. Образующиеся загрязняющие вещества, в том числе мелкодисперсные частицы (Particulate Matter) РМ10 и РМ2,5, попадая в атмосферу, локализуются в местах сжигания ПНГ, однако атмосферными потоками могут переноситься далеко за пределы действия факельных установок (Кирюшин и др., 2013). С целью регулирования мест размещения инфраструктуры нефтяных месторождений вблизи ООПТ и снижения риска непреднамеренного негативного воздействия на охраняемые территории в регионе создан и успешно функционирует цифровой сервис предоставления информации об ООПТ (Хамедов, Шишканов, 2022).

С использованием результатов дешифрирования космических снимков в геоинформационной системе (ГИС) смоделированы ареалы возможного теплового и газохимического загрязнения атмосферы в результате сжигания ПНГ. В качестве прогностических параметров в модели использованы плотность пространственного расположения установок по сжиганию ПНГ, их интенсивность (условная мощность факела) и повторяемость воздействия (частота обнаружения действующего факела) по данным космического мониторинга. Во время наблюдений в 2013–2015 гг. на территории автономного округа было выявлено 439 установок по сжиганию ПНГ (Куприянов, 2015) и определены их количественные характеристики. Общее количество выявленных дистанционными методами факелов по сжиганию ПНГ за все время наблюдения составило 545 ед. Воздействие загрязнения E рассчитано по формуле

E = N (i) × P (i),

где N(i) — частота обнаружений действующего i-го факела; P(i) — условная мощность горения i-го газового факела.

На рис. 1 представлены результаты расчета ареалов вероятного загрязнения атмосферы продуктами сжигания ПНГ, выполненного с применением геостатистического метода кригинга (Oliver, Webster, 2007) в ГИС.

Рисунок 1. Ареалы вероятного атмосферного загрязнения продуктами сжигания ПНГ

На рис. 1 места факельного сжигания ПНГ обозначены красными точками с градацией по частоте обнаружения горения факела спутниковыми методами, ареалы вероятного теплового и газохимического загрязнения выбросами продуктов факельного сжигания ПНГ представлены в шкале от 1 (минимальное воздействие) до 4 (максимальное воздействие). Каждый ареал разделен на две части для улучшения визуального восприятия карты. Также на карту нанесены границы существующих ООПТ и границы муниципальных образований, в которых в соответствии с Концепцией развития и функционирования системы особо охраняемых природных территорий Ханты-Мансийского автономного округа — Югры на период до 2030 года (О концепции развития…, 2013) планируется создание ООПТ.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

С использованием полученных в результате моделирования ареалов вероятного загрязнения атмосферы продуктами сжигания ПНГ проведено районирование муниципальных образований по степени экологической напряженности в условиях возможного газохимического загрязнения атмосферы по методике, используемой А.М. Трофимовым и др. (2008). Для расчета степени экологической напряженности Н (i) использована формула:

H = (10 S₄ + 5 S₃ + 3 S₂ + S₁) / 100,

где S₄ — доля площади ареалов максимального воздействия загрязнения; S₃ — доля площади ареалов с воздействием загрязнения ниже максимального; S₂ — доля площади ареалов с воздействием выше минимального; S₁ — доля площади ареалов с минимальным воздействием загрязнения.

В соответствии с представленной формулой, экологическая напряженность может принимать значения от 1 (низкая степень) до 10 (высокая степень). В табл. 2 представлены рассчитанные значения степени экологической напряженности муниципальных образований округа в условиях вероятного газохимического загрязнения атмосферы.

Таблица 2. Степень экологической напряженности муниципальных образований

В соответствии с рассчитанной степенью экологической напряженности (табл. 2) наибольшее воздействие загрязняющих веществ в течение длительного периода времени испытывают территории в границах муниципальных образований Нефтеюганского, Ханты-Мансийского и Нижневартовского районов. С учетом фактора влияния факельного сжигания ПНГ проектирование перспективных ООПТ возможно в пределах территорий с низкой степенью экологической напряженности (см. табл. 2), где влияние факельных установок на атмосферное загрязнение менее выражено.

Согласно данным П. А.Кирюшина и др. (2013), при удалении от источника сжигания на расстояние более 10 км остаточным тепловым воздействием на лесные экосистемы можно пренебречь, при этом возможно частичное проникновение и накопление остатков продуктов сжигания в фоновой зоне. Зоны воздействия газохимического загрязнения атмосферы при сжигании ПНГ значительно больше. Они достигают значений от десятков до сотен километров (Брыксин и др., 2009) и обусловлены атмосферным переносом продуктов сжигания тепловыми шлейфами от факельных установок. Спутниковые изображения, полученные, например, комбинацией тепловых каналов датчика MODIS, дают качественную картину газохимического загрязнения.

Для оценки вероятного газохимического загрязнения атмосферы продуктами сжигания ПНГ исследована межгодовая динамика состояния растительности на территории Нефтеюганского района (максимальное воздействие), Березовского и Советского районов (минимальное воздействие) с 2001 по 2022 г. В качестве критерия оценки состояния растительности использован вегетационный индекс NDVI для хвойных вечнозеленых лесов, наиболее подверженных хроническому воздействию при газохимическом загрязнении атмосферы, рассчитанный с применением сервиса ВЕГА-Science (Лупян и др., 2021). В результате проведенного анализа установлено, что значительных отличий индексов вегетации для территорий с различной степенью вероятного загрязнения атмосферного воздуха продуктами сжигания ПНГ не наблюдается (рис. 2), а снижение индекса в период с 2010 по 2012 г. могло быть вызвано природными факторами (снижением количества осадков), что, в том числе, послужило причиной масштабных лесных пожаров на территории региона в 2012 г. В целом состояние растительных покровов территорий муниципальных образований региона можно считать удовлетворительным.

Рисунок 2. Динамика NDVI хвойных вечнозеленых лесов на территории Нефтеюганского, Советского и Березовского районов за период с 2001 по 2022 г.

Одной из возможных причин отсутствия значительных отличий индекса вегетации для территорий с различной степенью вероятного загрязнения атмосферного воздуха может являться влияние розы ветров, относительно равномерно рассеивающей продукты сжигания ПНГ по территории региона. С использованием информации портала https://rp5.ru выполнен анализ розы ветров по территориям муниципальных образований округа с 2005 по 2022 г. На рис. 3 в качестве примера представлены сезонные графики розы ветров за 2005 г., 2010 г., 2015 г. и 2020 г. на территории муниципального образования Нефтеюганский район.

Рисунок 3. Сезонные графики розы ветров территории Нефтеюганского района: а) за 2020 г., б) за 2015 г., в) за 2010 г., г) за 2005 г.

Дополнительно проведен анализ экологической отчетности, подтверждающий ежегодное снижение объемов загрязнения атмосферы в регионе в результате реализации нефтедобывающими предприятиями программ по повышению уровня утилизации попутного нефтяного газа. Так, в 2010 г. выбросы загрязняющих веществ в атмосферу составляли 2129.4 тыс. т, а в 2020 г. — 1142.2 тыс. т (Отчет о результатах…, 2021). При этом уровень использования ПНГ в 2022 г. составил 95.8% (Итоги работы Департамента…, 2022). По материалам отчетности Службы по контролю и надзору в сфере охраны окружающей среды, объектов животного мира и лесных отношений Ханты-Мансийского автономного округа-Югры наблюдается устойчивое снижение выбросов загрязняющих веществ в атмосферу (рис. 4).

Рисунок 4. Валовые выбросы загрязняющих веществ в атмосферу в Ханты-Мансийском автономном округе за период с 2010 по 2021 г., тыс. тонн

Особенно заметно стабильное уменьшение выбросов загрязняющих веществ в период с 2012 г. Это свидетельствует об усилении мер в области охраны окружающей среды, в том числе охраны ООПТ. Регулирование деятельности в области сжигания ПНГ осуществляется в первую очередь с помощью действующих нормативно-правовых актов, а также соглашений между Правительством региона и нефтегазодобывающими предприятиями, что способствует повышению экологической безопасности региона в условиях существующей высокой техногенной нагрузки.

ЗАКЛЮЧЕНИЕ

Критически острых экологических проблем, связанных с негативным воздействием атмосферного загрязнения выбросами при сжигании попутного нефтяного газа на территории муниципальных образований, не выявлено. При проектировании границ перспективных ООПТ выбор территории должен осуществляться с учетом значимости сохранения биологического разнообразия и ландшафтов и минимизации локальных факторов возможного негативного воздействия объектов инфраструктуры нефтегазового комплекса, в том числе теплового и газохимического загрязнения продуктами сжигания попутного нефтяного газа. В дальнейшем перспективным является исследование влияния факельного сжигания ПНГ на биоту территории, прежде всего ООПТ, с изучением конкретных пространственно-объемных показателей по месторождениям полезных ископаемых, территориям лесничеств, ООПТ (существующих и перспективных) и построение прогноза вероятного атмосферного газохимического загрязнения территории региона к 2030 г.

СПИСОК ЛИТЕРАТУРЫ

Алексеева М. Н., Головацкая Е. А., Ященко И. Г., Пустовалов К. Н. Среднетаежные леса ХМАО в условиях нефтегазодобычи // Научные основы устойчивого управления лесами: Материалы Всероссийской научной конференции с международным участием, посвященной 30-летию ЦЭПЛ РАН. М.: ЦЭПЛ РАН, 2022. С. 146–149.

Алексеева М. Н., Рапута В. Ф., Ярославцева Т. В., Ященко И. Г. Оценка атмосферного загрязнения при сжигании попутного газа по данным дистанционных наблюдений теплового излучения // Оптика атмосферы и океана. 2019. Т. 32. № 11. С. 915–919.

Алексеева М. Н., Ященко И. Г., Перемитина Т. О. Тепловое воздействие на нефтедобывающие территории Томской области при сжигании попутного нефтяного газа // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 5. С. 52–60. DOI: 10.21046/2070-7401-2018-15-5-52-60.

Брыксин В. М., Евтюшкин А. В., Еремеев А. В., Макеева М. А., Хамедов В. А. Автоматизированная система спутникового мониторинга пожарной обстановки в технологических коридорах трубопроводов и лесах ХМАО // Оптика атмосферы и океана. 2009. Т. 22. № 1. С. 90–95.

Итоги работы Департамента недропользования и природных ресурсов Ханты-Мансийского автономного округа — Югры за 2022 год по состоянию на 1 октября 2022 года. URL: https://clck.ru/33q6zQ (дата обращения 29.03.2023).

Кирюшин П. А., Книжников А. Ю., Кочи К. В., Пузанова Т. А., Уваров С. А. Попутный нефтяной газ в России: «Сжигать нельзя, перерабатывать!»: Аналитический доклад об экономических и экологических издержках сжигания попутного нефтяного газа в России. М.: Всемирный фонд природы, 2013. 88 с.

Косолапов В. А., Хлебникова Е. П. Мониторинг территорий с использованием спектральных индексов // Регулирование земельно-имущественных отношений в России: правовое и геопространственное обеспечение, оценка недвижимости, экология, технологические решения. 2021. № 2. С. 128–134. DOI: 10.33764/2687-041X-2021-2-128-134.

Куприянов М. А. Автоматизированная информационная система анализа данных дистанционного зондирования Земли для выявления действующих факельных установок // Геоинформационные технологии в решении задач рационального природопользования: материалы II Всероссийской научно-практической конференции. Ханты-Мансийск: Югорский формат, 2015. С. 82–84.

Лупян Е. А., Прошин А. А., Бурцев М. А., Кашницкий А. В., Балашов И. В., Барталев С. А., Бриль А. А., Егоров В. А., Жарко В. О., Константинова А. М., Кобец Д. А., Мазуров А. А., Марченков В. В., Матвеев А. М., Миклашевич Т. С., Плотников Д. Е., Радченко М. В., Стыценко Ф. В., Сычугов И. Г., Толпин В. А., Уваров И. А., Хвостиков С. А., Ховратович Т. С. Система «Вега-Science»: особенности построения, основные возможности и опыт использования // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 1. № 6. С. 9–31.

Мещерякова А. В., Хамедов В. А. Особенности регионального управления водно-болотными угодьями на примере территории «Верхнее Двуобье» Ханты-Мансийского автономного округа // Актуальные вопросы и инновационные технологии в развитии географических наук: сборник трудов Всероссийской научной конференции. Ростов-на-Дону: Южный федеральный университет, 2020. С. 505–508.

Мячина К. В., Краснов Е. В. Пути оптимизации степных ландшафтов в условиях добычи нефти и газа // Юг России: экология, развитие. 2021. Т. 16. № 1. С. 76–86.

О концепции развития и функционирования системы особо охраняемых природных территорий Ханты-Мансийского автономного округа — Югры на период до 2030 года. Постановление Правительства Ханты-Мансийского автономного округа — Югры от 12 июля 2013 г. № 245-п (ред. от. 21.03.2014 № 98-п, от 26.04.2019 № 138-п). URL: https://goo.su/PChke (дата обращения 28.02.2023).

Отчет о результатах деятельности Природнадзора Югры в сфере охраны окружающей среды и обеспечения экологической безопасности за 2021 год. URL: https://clck.ru/33q6xW (дата обращения 29.03.2023).

Полищук Ю. М., Токарева О. С. Картографирование экологических рисков воздействия нефтедобычи на растительный покров с использованием спутниковых данных // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 3. С. 269–274.

Полищук Ю. М., Хамедов В. А., Русакова В. В. Дистанционные исследования воздействия факельного сжигания попутного газа на лесорастительный покров нефтедобывающей территории с использованием вегетационного индекса // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 1. С. 61–69.

Сочилова Е. Н., Сурков Н. В., Ершов Д. В., Хамедов В. А. Оценка запасов фитомассы лесных пород по спутниковым изображениям высокого пространственного разрешения (на примере лесов Ханты-Мансийского АО) // Вопросы лесной науки. 2018. Т. 1. № 1. С. 1–23.

Трофимов А. М., Кочуров Б. И., Кучерявенко Д. З., Рубцов В. А., Булатова Г. Н. Эколого-экономическое районирование как аспект управления состоянием региона // Ученые записки Казанского государственного университета. Серия: Естественные науки. 2008. Т. 150. № 4. С. 125–140.

Хамедов В. А., Шишканов О. Ю. Опыт разработки цифрового сервиса предоставления информации об особо охраняемых природных территориях // Научные основы устойчивого управления лесами: Материалы Всероссийской научной конференции с международным участием, посвященной 30-летию ЦЭПЛ РАН. М.: ЦЭПЛ РАН, 2022. С. 204–206.

Oliver M. A., Webster R. Kriging: A Method of Interpolation for Geographical Information Systems // International Journal of Geographic Information Systems. 2007. Vol. 4. No 3. P. 313–332.

Рецензент: д. г. н. Булатов В. И.