Soil erosion factors in the macroregion of the European part of Russia: modeling, geoinformation mapping and spatial analysis

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

A new quantitative assessment of the factors of soil erosion and its intensity from storm and melt runoff was carried out in most of the European part of Russia for 2014–2019. Assessment is based on the universal soil loss equation USLE/RUSLE with spatial resolution 250 m. The results are generalized and cartographically presented in the geosystems of small river basins. A new approach has been developed for modeling the rainfall erosivity (R-factor) using intra-daily precipitation data. A rainfall erosivity model was developed using the GAM method and explained 87% of the data variability. A new methodology has been developed for detecting the cover management factor (C-factor) based on Earth remote sensing data. New results on the C-factor were obtained based on multi-temporal satellite data on vegetation density, spectral vegetation indices and phenological metrics. Snow Water Equivalent data from the Copernicus program was used as current data on water reserves in snow to determine the intensity of soil erosion from melt runoff. The annual intensity of soil erosion (from rain and melt runoff) throughout the entire territory is insignificant: on average 0.6 t/ha per year, median 0.02 t/ha per year. On the plowed lands of the basins, these values are higher: 2.4 t/ha per year and 1.6 t/ha per year, respectively.

Full Text

Restricted Access

About the authors

O. P. Yermolaev

Institute of Environmental Sciences, Kazan Federal University

Email: zakieva.alika@mail.ru
Russian Federation, Kazan, 420008

S. S. Mukharamova

Institute of Environmental Sciences, Kazan Federal University

Email: zakieva.alika@mail.ru
Russian Federation, Kazan, 420008

K. A. Maltsev

Institute of Environmental Sciences, Kazan Federal University

Email: zakieva.alika@mail.ru
Russian Federation, Kazan, 420008

A. R. Polyakova

Institute of Environmental Sciences, Kazan Federal University

Author for correspondence.
Email: zakieva.alika@mail.ru
Russian Federation, Kazan, 420008

A. A. Saveliev

Institute of Environmental Sciences, Kazan Federal University

Email: zakieva.alika@mail.ru
Russian Federation, Kazan, 420008

References

  1. Ашаткин И.А., Мальцев К.А., Гайнутдинова Г.Ф., Усманов Б.М., Гафуров А.М., Ганиева А.Ф., Мальцева Т.С., Гиззатуллина Э.Р. Анализ морфометрии рельефа по глобальным ЦМР в пределах южной части Европейской территории России // Учен. зап. Казан. ун-та. Сер. Естеств. науки. 2020. Т. 162. № 4. С. 612–628.
  2. Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 с.
  3. Геопортал “Речные бассейны Европейской России”: http://bassepr.kpfu.ru/ (дата обращения: 15.03.2024).
  4. Голосов В.Н., Ермолаев О.П. Пространственно-временные закономерности развития современных процессов природно-антропогенной эрозии на Русской равнине / Казань: Изд-во АН РТ. 2019. 372 с.
  5. Единый государственный реестр почвенных ресурсов России: http://egrpr.esoil.ru/ (дата обращения: 12.03.2024).
  6. Ермолаев О.П. Новая оценка интенсивности почвенной эрозии на Европейской территории России // Тридцать седьмое пленарное межвузовское координационное совещание по проблеме эрозионных, русловых и устьевых процессов (г. Рязань, 3–7 октября 2022 г.): Доклады и сообщения. М., 2022. С. 15–23.
  7. Ермолаев О.П., Мальцев К.А. Оценка эрозионного риска для почвенного покрова лесных и лесостепных ландшафтов Среднего Поволжья средствами ГИС-технологий // Учен. зап. Казан. ун-та. Сер. Естеств. науки. 2008. Т. 150. № 4. С. 85–97.
  8. Кирюхина З.П., Пацукевич З.В. Смываемость пахотных почв // Работа водных потоков. 1987. С. 30–39.
  9. Кирюхина З.П., Пацукевич З.В. Эродируемость пахотных почв России в период ливневого стока // Почвоведение. 2001. № 9. С. 1140–1146.
  10. Кирюхина З.П., Пацукевич З.В. Эродируемость почв Европейской части Советского Союза // Вестник МГУ. 1989. № 1. С. 50–57.
  11. Ларионов Г.А. Эрозия и дефляция почв: основные закономерности и количественные оценки / Москва: Изд-во МГУ. 1993. 198 с.
  12. Лисецкий Ф.Н., Половинко В.В. Эрозионные катены на земляных фортификационных сооружениях // Геоморфология. 2012. № 2. С. 65–78.
  13. Лисецкий Ф.Н., Светличный А.А., Черный С.Г. Современные проблемы эрозиоведения. Белгород: Константа. 2012. 456 с.
  14. Литвин Л.Ф. География эрозии почв сельскохозяйственных земель России. М.: Академкнига, 2002. 256 с.
  15. Литвин Л.Ф., Кирюхина З.П., Краснов С.Ф., Добровольская Н.Г. География динамики земледельческой эрозии почв на Европейской территории России // Почвоведение. 2017. № 11. С. 1390–1400.
  16. Мальцев К.А. Анализ качества глобальной цифровой модели рельефа GMTED2010 для оценки эрозионного потенциала (на примере юга Европейской территории России) // Изв. РГО. 2022. Т. 154. № 5–6. С. 112–122. https://doi.org/10.31857/S0869607122050068
  17. Мальцев К.А., Ермолаев О.П. Потенциальные эрозионные потери почвы на пахотных землях Европейской части России // Почвоведение. 2019. № 12. С. 1502–1512.
  18. Научно-прикладной справочник по климату СССР. Сер. 3. Многолетние данные. Ч. 4. Влажность, осадки и снежный покров. Л.: Гидрометеоиздат, 1990.
  19. Национальный атлас России. Т. 2. Природа. Экология / Гл. ред. Котляков В.М. М.: Роскартография, 2007. 495 с.
  20. Федеральная служба государственной статистики. База данных показателей муниципальных образований: https://rosstat.gov.ru/dbscripts/munst/ (дата обращения: 13.03.2024).
  21. Федеральная служба по гидрометеорологии и мониторингу окружающей среды: http://meteo.ru/ (дата обращения: 11.03.2024).
  22. Фридланд В.М. Почвенная карта РСФСР. М.: ГУГУК, 1988.
  23. Чалов С.Р. Речные наносы в эрозионно-русловых системах. Дис. … д-р. геогр. наук. М., 2021. 358 с.
  24. Чалов Р.С., Сидорчук А.Ю., Голосов В.Н. Эрозионно-русловые системы. М.: ИНФРА-М., 2017. 698 с.
  25. Agriculture and Agri-Food Canada Annual Crop Inventory ground truth data. 2021.
  26. Angulo-Martínez M., Beguería S. Estimating rainfall erosivity from daily precipitation records: A comparison among methods using data from the Ebro Basin (NE Spain) // J. Hydrol. 2009. V. 379. № 1–2. P. 111–121. https://doi.org/10.1016/j.jhydrol.2009.09.051
  27. Bonilla C.A., Vidal K.L. Rainfall erosivity in Central Chile // J. Hydrol. 2011. V. 410. № 1–2. P. 126–133. https://doi.org/10.1016/j.jhydrol.2011.09.022
  28. Borrelli P., Alewell C., Alvarez P., Anache J.A.A., Baartman J., Ballabio C., Bezak N. et al. Soil erosion modelling: A global review and statistical analysis // Sci. Total Environ. 2021. V. 780. P. 146494. https://doi.org/10.1016/j.scitotenv.2021.146494
  29. Borrelli P., Ballabio C., Yang J.E., Robinson D.A., Panagos P. GloSEM: High-resolution global estimates of present and future soil displacement in croplands by water erosion // Sci Data. 2022. V. 9. № 1. P. 406. https://doi.org/10.1038/s41597-022-01489-x
  30. Borrelli P., Robinson D.A., Fleischer L.R., Lugato E., Ballabio C., Alewell C., Meusburger K. et al. An assessment of the global impact of 21st century land use change on soil erosion // Nat Commun. 2017. V. 8. № 1. P. 2013. https://doi.org/10.1038/s41467-017-02142-7
  31. Capolongo D., Diodato N., Mannaerts C.M., Piccarreta M., Strobl R.O. Analyzing temporal changes in climate erosivity using a simplified rainfall erosivity model in Basilicata (southern Italy) // J. Hydrol. 2008. V. 356. № 1–2. P. 119–130. https://doi.org/10.1016/j.jhydrol.2008.04.002
  32. Copernicus Digital Elevation Model. https://doi.org/https://doi.org/10.5270/ESA-c5d3d65
  33. Danielson J.J., Gesch D.B. Global multi-resolution terrain elevation data 2010 (GMTED2010) / Open-File Report 2011–1073. U.S. Geological Survey, Reston, Virginia. 2011.
  34. De Santos Loureiro N., De Azevedo Coutinho M. A new procedure to estimate the RUSLE EI30 index, based on monthly rainfall data and applied to the Algarve region, Portugal // J. Hydrol. 2001. V. 250. № 1–4. P. 12–18. https://doi.org/10.1016/S0022-1694(01)00387-0
  35. Desmet P.J.J., Govers G.A. GIS-procedure for automatically calculating the USLE LS-factor on topographically complex landscape units // JSWC. 1966. V. 51. № 5. P. 427–433.
  36. Didan K. MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V061. 2021. https://doi.org/10.5067/MODIS/MOD13Q1.061
  37. Gafurov A., Mukharamova S., Saveliev A., Yermolaev O. Advancing Agricultural Crop Recognition: The Application of LSTM Networks and Spatial Generalization in Satellite Data Analysis // Agriculture. 2023. V. 13. № 9. P. 1672. https://doi.org/10.3390/agriculture13091672
  38. Golosov V., Koiter A., Ivanov M., Maltsev K., Gusarov A., Sharifullin A., Radchenko I. Assessment of soil erosion rate trends in two agricultural regions of European Russia for the last 60 years // J. Soils Sediments. 2018. V. 18. № 12. P. 3388–3403. https://doi.org/10.1007/s11368-018-2032-1
  39. Golosov V.N., Collins A.L., Dobrovolskaya N.G., Bazhenova O.I., Ryzhov Yu.V., Sidorchuk A.Y. Soil loss on the arable lands of the forest-steppe and steppe zones of European Russia and Siberia during the period of intensive agriculture // Geoderma. 2021. V. 381. P. 114678. https://doi.org/10.1016/j.geoderma.2020.114678
  40. Hastie T., Tibshirani R. Generalized Additive Models // Statist. Sci. 1986. V. 1. № 3. https://doi.org/10.1214/ss/1177013604
  41. Hawker L., Uhe P., Paulo L., Sosa J., Savage J., Sampson C., Neal J. A 30 m global map of elevation with forests and buildings removed // Environ. Res. Lett. 2022. V. 17. № 2. P. 024016. https://doi.org/10.1088/1748-9326/ac4d4f
  42. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. V. 9. № 8. P. 1735–1780
  43. Ivanov M.A., Mukharamova S.S., Yermolaev O.P., Essuman-Quainoo B. Mapping croplands with a long history of crop cultivation using time series of modis vegetation indices // Uch. Zap. Kazan. Univ. Ser. Estestv. Nauki. 2021. V. 162. № 2. P. 302–313. https://doi.org/10.26907/2542-064X.2020.2.302-313
  44. Lee S., Wolberg G., Shin S.Y. Scattered data interpolation with multilevel B-splines // IEEE Trans. Visual. Comput. Graphics. 1997. V. 3. № 3. P. 228–244. https://doi.org/10.1109/2945.620490
  45. Liu Y., Zhao W., Liu Y., Pereira P. Global rainfall erosivity changes between 1980 and 2017 based on an erosivity model using daily precipitation data // Catena. 2020. V. 194. P. 104768. https://doi.org/10.1016/j.catena.2020.104768
  46. Maltsev K., Yermolaev O. Assessment of soil loss by water erosion in small river basins in Russia // Catena. 2020. V. 195. P. 104726. https://doi.org/10.1016/j.catena.2020.104726
  47. Melkonian A.K., Willis M.J., Pritchard M.E., Stewart A.J. Recent changes in glacier velocities and thinning at Novaya Zemlya // Remote Sens. Environ. 2016. V. 174. P. 244–257. https://doi.org/10.1016/j.rse.2015.11.001
  48. Moore I.D., Nieber J.L. Landscape Assessment of Soil Erosion and Nonpoint Source Pollution // JMAS. 1989. V. 55. № 1. P. 18–25.
  49. Mukharamova S., Saveliev A., Ivanov M., Gafurov A., Yermolaev O. Estimating the Soil Erosion Cover-Management Factor at the European Part of Russia // IJGI. 2021. V. 10. № 10. P. 645. https://doi.org/10.3390/ijgi10100645
  50. Oliveira P.T.S., Rodrigues D.B.B., Sobrinho T.A., Carvalho D.F.D., Panachuki E. Spatial variability of the rainfall erosive potential in the State of Mato Grosso do Sul, Brazil // Eng. Agríc. 2012. V. 32. № 1. P. 69–79. https://doi.org/10.1590/S0100-69162012000100008
  51. Oliveira P.T.S., Wendland E., Nearing M.A. Rainfall erosivity in Brazil: A review // Catena. 2013. V. 100. P. 139–147. https://doi.org/10.1016/j.catena.2012.08.006
  52. Panagos P., Ballabio C., Borrelli P., Meusburger K., Klik A., Rousseva S., Tadić M.P. et al. Rainfall erosivity in Europe // Sci. Total Environ. 2015. V. 511. P. 801–814. https://doi.org/10.1016/j.scitotenv.2015.01.008
  53. Panagos P., Borrelli P., Meusburger K., Yu B., Klik A., Jae Lim K., Yang J.E. et al. Global rainfall erosivity assessment based on high-temporal resolution rainfall records // Sci. Rep. 2017. V. 7. № 1. P. 4175. https://doi.org/10.1038/s41598-017-04282-8
  54. Panagos P., Borrelli P., Spinoni J., Ballabio C., Meusburger K., Beguería S., Klik A. et al. Monthly Rainfall Erosivity: Conversion Factors for Different Time Resolutions and Regional Assessments // Water. 2016. V. 8. № 4. P. 119. https://doi.org/10.3390/w8040119
  55. Panagos P., Karydas C.G., Gitas I.Z., Montanarella L. Monthly soil erosion monitoring based on remotely sensed biophysical parameters: a case study in Strymonas river basin towards a functional pan-European service // Int. J. Digit. Earth. 2012. V. 5. № 6. P. 461–487. https://doi.org/10.1080/17538947.2011.587897
  56. Phinzi K., Ngetar N.S. The assessment of water-borne erosion at catchment level using GIS-based RUSLE and remote sensing: A review // Int. Soil Water Conserv. Res. 2019. V. 7. P. 27–46. https://doi.org/10.1016/j.iswcr.2018.12.002
  57. Pulliainen J. Mapping of snow water equivalent and snow depth in boreal and sub-arctic zones by assimilating space-borne microwave radiometer data and ground-based observations // Remote Sens. Environ. 2006. V. 101. № 2. P. 257–269. https://doi.org/10.1016/j.rse.2006.01.002
  58. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, 2021.
  59. Renard K.G., Foster G.R., Weesies G.A., McCool D.K., Yoder D.C. Predicting soil erosion by water: a guide to conservation planning with the revised universal soil loss equation (RUSLE). U.S. Department of Agriculture, 1997. 403 p.
  60. Renard K.G., Freimund J.R. Using monthly precipitation data to estimate the R-factor in the revised USLE // J. Hydrol. 1994. V. 157. № 1–4. P. 287–306. https://doi.org/10.1016/0022-1694(94)90110-4
  61. Renard K.G., Yoder D.C., Lightle D.T., Dabney S.M. Universal Soil Loss Equation and Revised Universal Soil Loss Equation // Handbook of Erosion Modelling / Eds. Morgan R.P.C., Nearing M.A. Wiley, 2010. P. 135–167. https://doi.org/10.1002/9781444328455.ch8
  62. Richardson C.W., Foster G.R., Wright D.A. Estimation of Erosion Index from Daily Rainfall Amount // Transactions of the ASAE. 1983. V. 26. № 1. P. 0153–0156. https://doi.org/10.13031/2013.33893
  63. Science documentation: Revised Universal Soil Loss Equation Version 2. USDA–ARS, Washington, DC. 2013.
  64. Tadono T., Nagai H., Ishida H., Oda F., Naito S., Minakawa K., Iwamoto H. Generation of the 30 m-mesh global digital surface model by ALOS prism // Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2016. V. XLI-B4. P. 157–162. https://doi.org/10.5194/isprsarchives-XLI-B4-157-2016
  65. Takala M., Luojus K., Pulliainen J., Derksen C., Lemmetyinen J., Kärnä J.-P., Koskinen J. et al. Estimating northern hemisphere snow water equivalent for climate research through assimilation of space-borne radiometer data and ground-based measurements // Remote Sens. Environ. 2011. V. 115. № 12. P. 3517–3529. https://doi.org/10.1016/j.rse.2011.08.014
  66. Van Rossum G., Drake F.L. Python 3 Reference Manual. Scotts Valley, CA: CreateSpace, 2009.
  67. Wessel B., Huber M., Wohlfart C., Marschalk U., Kosmann D., Roth A. Accuracy assessment of the global TanDEM-X Digital Elevation Model with GPS data // ISPRS J. Photogramm. Remote Sens. 2018. V. 139. P. 171–182. https://doi.org/10.1016/j.isprsjprs.2018.02.017
  68. Wischmeier W.H., Smith D.D. Predicting rainfall erosion losses: A guide to conservation planning. Washington: US Gov. Print. Office, 1978. 537 p.
  69. Wolfs D., Verger A., Van der Goten R., Sánchez-Zapero J. Copernicus Global Land Operations “Vegetation and Energy” “CGLOPS-1” PRODUCT USER MANUAL Leaf Area Index (LAI) Fraction of Absorbed Photosynthetically Active Radiation (FAPAR) Fraction of green Vegetation Cover (FCover) Collection 300m Version 1.1. 2022.
  70. Xie Y., Yin S., Liu B., Nearing M.A., Zhao Y. Models for estimating daily rainfall erosivity in China // J. Hydrol. 2016. V. 535. P. 547–558. https://doi.org/10.1016/j.jhydrol.2016.02.020
  71. Yamazaki D., Ikeshima D., Tawatari R., Yamaguchi T., O’Loughlin F., Neal J.C., Sampson C.C. et al. A high‐accuracy map of global terrain elevations // Geophys. Res. Lett. 2017. V. 44. № 11. P. 5844–5853. https://doi.org/10.1002/2017GL072874
  72. Yermolaev O.P. Geoinformation mapping of soil erosion in the Middle Volga region // Eurasian Soil Sc. 2017. V. 50. № 1. P. 118–131. https://doi.org/10.1134/S1064229317010070
  73. Yermolaev O.P., Mukharamova S.S., Maltsev K.A., Ivanov M.A., Ermolaeva P.O., Gayazov A.I., Mozzherin V.V. et al. Geographic Information System and Geoportal “River basins of the European Russia” // IOP Conf. Ser.: Earth Environ. Sci. 2018. V. 107. P. 012108. https://doi.org/10.1088/1755-1315/107/1/012108
  74. Yin S., Xie Y., Liu B., Nearing M.A. Rainfall erosivity estimation based on rainfall data collected over a range of temporal resolutions // Hydrol. Earth Syst. Sci. 2015. V. 19. № 10. P. 4113–4126. https://doi.org/10.5194/hess-19-4113-2015
  75. Yin S., Xie Y., Nearing M.A., Wang C. Estimation of rainfall erosivity using 5- to 60-minute fixed-interval rainfall data from China // Catena. 2007. V. 70. № 3. P. 306–312. https://doi.org/10.1016/j.catena.2006.10.011
  76. Yu B. Rainfall erosivity and its estimation for Australia’s tropics // Soil Res. 1998. V. 36. № 1. P. 143. https://doi.org/10.1071/S97025
  77. Yu B., Hashim G.M., Eusof Z. Estimating the R-factor with limited rainfall data: A case study from Peninsular Malaysia // J. Soil Water Conserv. 2001. V. 56. № 2. P. 101–105.
  78. Zhang X., Friedl M., Henebry G. VIIRS/NPP Land Cover Dynamics Yearly L3 Global 500m SIN Grid V001. 2020. https://doi.org/10.5067/VIIRS/VNP22Q2.001
  79. Zhidkin A.P, Rukhovich D.I, Maltsev K.A Variation of Soil Erosion Estimates Based on Different Maps of Cropland in Belgorod Oblast, Russia // Eurasian Soil Sci. 2024. V. 57. № 4. P. 666–676.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Appendix
Download (14MB)
Indexing metadata
3. Fig. 1. Diagrams illustrating the quality of the constructed GAM model and the adequacy of the R-factor estimates: (a) – values of the logarithm of the erosive activity of rain, calculated from pluviograms, in comparison with those predicted by the GAM model; (b) – histogram of the frequencies of the GAM model residual values; (c) – model estimates of the R-factor in comparison with the reference ones according to the Global Rainfall Erosivity map [53].

Download (118KB)
Indexing metadata
4. Рис. 2. Пространственное распределение факторов эрозии почв в макрорегионе ЕТР: (а) – R-фактор; (b) – K-фактор; (c) – LS-фактор; (d) – C-фактор (среднемноголетняя оценка за период 2014–2019 гг.).

Download (1MB)
Indexing metadata
5. Fig. 3. Maximum pre-spring water reserves in snow (mm): (a) – according to data from 1960–1980; (b) – according to SWE data for 2006–2019.

Download (651KB)
Indexing metadata
6. Fig. 4. Intensity of soil erosion from rainfall and meltwater runoff (t/ha per year, average long-term value for the period 2014–2019) in river basins.

Download (375KB)
Indexing metadata
7. Fig. 5. Intensity of soil erosion from rainfall and meltwater runoff (t/ha per year, average long-term value for the period 2014–2019) from arable land in river basins.

Download (388KB)
Indexing metadata

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».