Possibility of Using Zoning of Fallow Vegetation according to Vegetation Indices to Assess the Patterns of Accumulation of Organic Matter in Post-Agrogenic Soils

Cover Page

Cite item

Full Text

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

Abstract

An array of Eutric Retisols (Loamic, Cutanic, Ochric)) was studied under a fallow aged 20–25 years, which is in the stage of overgrowth of meadow vegetation, pine and birch. The site is confined to one element of the relief, has no morphological signs of the development of erosive processes and is characterized by a homogeneous granulometric composition. To assess the influence of fallow vegetation type on the formation of soil organic matter (SOM) reserves, vegetation cover was zoned according to vegetation indices calculated on the basis of remote sensing (RS) data. The “k-means” algorithms and the “random forest” method were used for zoning. It was shown that there were statistically significant differences between the types of land cover in terms of reserves of SOM in the upper layer of the old-arable horizon with the allocation of 3 and 4 clusters. It is shown that the most expedient is the allocation of 3 classes of fallow vegetation using the “k-means” algorithm: coniferous woody vegetation, deciduous woody vegetation and herbaceous vegetation. The correctness of the allocation of these classes was confirmed by a field geobotanical survey of the territory. The results of a pairwise comparison of sites occupied by various types of fallow vegetation show the presence of significant differences in the reserves of the SOM only in the uppermost layer (0–5 cm) of the old arable horizon and only when compared with the array occupied by woody coniferous vegetation and herbaceous vegetation. Differences in accumulated humus reserves in the upper layer of 0–10 cm are statistically significant in soils under deciduous and coniferous woody vegetation, as well as between herbaceous and coniferous vegetation. There was no significant difference in this indicator between the areas occupied by woody deciduous vegetation and herbaceous vegetation.

About the authors

K. G. Giniyatullin

Kazan Federal University

Author for correspondence.
Email: ginijatullin@mail.ru
Russia, 420008, Kazan

I. A. Sahabiev

Kazan Federal University

Email: ginijatullin@mail.ru
Russia, 420008, Kazan

S. S. Ryazanov

Institute of Ecology and Subsoil Use Problems of the Academy of Sciences of the Republic of Tatarstan

Email: ginijatullin@mail.ru
Russia, 420087, Kazan

E. V. Smirnova

Kazan Federal University

Email: ginijatullin@mail.ru
Russia, 420008, Kazan

D. V. Tishin

Kazan Federal University

Email: ginijatullin@mail.ru
Russia, 420008, Kazan

L. I. Latypova

Kazan Federal University

Email: ginijatullin@mail.ru
Russia, 420008, Kazan

References

  1. Баева Ю.И., Курганова И.Н., Лопес де Гереню В.О., Почикалов А.В., Кудеяров В.Н. Физические свойства и изменение запасов углерода серых лесных почв в ходе постагрогенной эволюции (юг Московской области) // Почвоведение. 2017. № 3. С. 75–83.
  2. Гиниятуллин К.Г., Рязанов С.С., Смирнова Е.В., Латыпова Л.И., Рыжих Л.Ю. Использование геостатистических методов для оценки запасов органического вещества в залежных почвах // Учен. зап. Казан. ун-та. Сер. Естеств. науки. 2019. Т. 161. Кн. 2. С. 275–292. https://doi.org/10.26907/2542-064X.2019.2.275-292
  3. Гиниятуллин К.Г., Сахабиев И.А., Смирнова Е.В. Цифровое картографирование показателей, определяющих сорбционные свойства почв по отношению к поллютантам, по данным дистанционного зондирования Земли с применением машинного обучения // Георесурсы. 2022. Т. 24. № 1. С. 84–92. https://doi.org/10.18599/grs.2022.1.8
  4. Добровольский В.В. Практикум по географии почв с основами почвоведения. М.: Гуманит. Изд. Центр ВАДОК, 2001. 144 с.
  5. Иванов А.Л., Завалин А.А., Кузнецов М.С., Захаренко В.А., Свинцов И.П., Карпухин А.И., Исаев В.А., Гулюк Г.Г., Чекмарев П.А., Ефанов П.А., Кирюшин В.И., Хитров Н.Б., Романенко Г.А. Агроэкологическое состояние и перспективы использования земель, выбывших из активного сельскохозяйственного производства. М.: Российский научно-исследовательский институт информации и технико-экономических исследований по инженерно-техническому обеспечению агропромышленного комплекса, 2008. 64 с.
  6. Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 341 с.
  7. Когут Б.М., Семенов В.М., Артемьева З.С., Данченко Н.Н. Дегумусирование и почвенная секвестрация углерода // Агрохимия. 2021. № 5. С. 3–13. https://doi.org/10.31857/S0002188121050070
  8. Кудеяров В.Н. Почвенно-биогеохимические аспекты состояния земледелия в Российской Федерации // Почвоведение. 2019. № 1. С. 109–121. https://doi.org/10.1134/S0032180X1901009X
  9. Кудеяров В.Н. Современное состояние углеродного баланса и предельная способность почв к поглощению углерода на территории России // Почвоведение. 2015. № 9. С. 1049–1060. https://doi.org/10.7868/S0032180X15090087
  10. Кузнецова И.В., Тихонравова П.И., Бондарев А.Г. Изменение свойств залежных серых лесных почв // Почвоведение. 2009. № 9. С. 1142–1150. https://doi.org/10.1134/S1064229309090142
  11. Курганова И.Н., Лопес Де Гереню В.О., Швиденко А.З., Сапожников П.М. Изменение общего пула органического углерода в залежных почвах России в 1990–2004 гг // Почвоведение. 2010. № 3. С. 361–368.
  12. Литвинович А.В., Павлова О.Ю. Изменение гумусного состояния дерново-подзолистой глееватой песчаной почвы на залежи // Почвоведение. 2007. № 11. С. 1323–1329.
  13. Люри Д.И., Горячкин С.В., Караваева Н.А., Денисенко Е.А., Нефедова Т.Г. Динамика сельскохозяйственных земель России в XX в. и постагрогенное восстановление растительности и почв. М.: ГЕОС, 2010. 416 с.
  14. Маевский П.Ф. Флора средней полосы европейской части России. М.: Товарищество научных изданий КМК, 2014. 635 с.
  15. Некрич А.С., Люри Д.И. Изменения динамики аграрных угодий России в 1990–2014 гг. // Известия РАН. Сер. географическая. 2019. № 3. С. 64–77. https://doi.org/10.31857/S2587-55662019364-77
  16. Орешкина Н.С. Статистические оценки пространственной изменчивости свойств почв. М.: Изд-во Моск. ун-та, 1988. 112 с.
  17. Рогова Т.В., Шайхутдинова Г.А. Биоразнообразие и динамика наземных экосистем. Методическое пособие для проведения учебной практики. Казань: Изд-во Казан. ун-та, 2007. 60 с.
  18. Романовская А.А. Органический углерод в почвах залежных земель России // Почвоведение. 2006. № 1. С. 52–61.
  19. Росновский И.Н. Системный анализ и математическое моделирование процессов в почвах: Учеб. пособие. Томск: Томский государственный университет, 2007. 312 с.
  20. Рыжова И.М., Ерохова А.А., Подвезенная М.А. Динамика и структура запасов углерода в постагрогенных экосистемах южной тайги // Почвоведение. 2014. № 12. С. 1426–1435. https://doi.org/10.7868/S0032180X14090111
  21. Самсонова В.П. Пространственная изменчивость почвенных свойств: На примере дерново-подзолистых почв. М.: Изд-во ЛКИ, 2008. 160 с.
  22. Сидорова В.А. Динамика пространственного варьирования почвенных свойств луговых агроценозов Карелии при постантропогенном развитии // Российский журн. прикладной экологии. 2016. № 3. С. 23–27.
  23. Сорокина О.А., Данилов А.Н. Оценка плодородия почвы залежи на сопряженных элементах рельефа в Красноярской лесостепи // Плодородие. 2016. № 2. С. 31–34.
  24. Сорокина Н.П., Козлов Д.Н., Кузнецова И.В. Оценка постагрогенной трансформации дерново-подзолистых почв: картографическое и аналитическое обоснование // Почвоведение. 2013. № 10. С. 1193–1205. https://doi.org/10.7868/S0032180X13100134
  25. Телеснина В.М., Ваганов И.Е., Карлсен А.А., Иванова А.Е., Жуков М.А., Лебедев С.М. Особенности морфологии и химических свойств постагрогенных почв южной тайги на легких отложениях (Костромская область) // Почвоведение. 2016. № 1. С. 115–129. https://doi.org/10.7868/S0032180X16010111
  26. Цифровая почвенная картография / Отв. ред. Савин И.Ю., Докукин П.А. М.: РУДН, 2017. 156 с.
  27. 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. https://doi.org/10.31857/S0032180X21030047
  28. Чернова О.В., Рыжова И.М., Подвезенная М.А. Оценка запасов органического углерода лесных почв в региональном масштабе // Почвоведение. 2020. № 3. С. 340–350. https://doi.org/10.31857/S0032180X20030028
  29. Batjes N.H. Harmonized soil property values for broad-scale modelling (WISE30sec) with estimates of global soil carbon stocks // Geoderma. 2016. V. 269. P. 61–68. https://doi.org/10.1016/j.geoderma.2016.01.034
  30. Batjes N.H. Total carbon and nitrogen in the soils of the world // Eur. J. Soil Sci. 2014. V. 65. № 1. P. 10–21. https://doi.org/10.1111/EJSS.12114_2
  31. Bicego M. K-Random Forests: A K-means style algorithm for Random Forest clustering // Proc. Int. Jt. Conf. Neural Networks. 2019. V. 2019. https://doi.org/10.1109/IJCNN.2019.8851820
  32. Braimoh A.K., Vlek P.L.G. Impact of land use on soil resources // L. Use Soil Resour. Springer Netherlands. 2008. P. 1–7.
  33. Camera C., Zomeni Z., Noller J.S., Zissimos A.M., Christoforou I.C., Bruggeman A. A high resolution map of soil types and physical properties for Cyprus: A digital soil mapping optimization // Geoderma. 2017. V. 285. P. 35–49. https://doi.org/10.1016/j.geoderma.2016.09.019
  34. Chavez P. Image-Based Atmospheric Corrections - Revisited and Improved // American Society of Photogrammetry. 1996. №. 62. P. 1025–1036.
  35. Congedo L., Munafò M., Macchi S. Investigating the relationship between land cover and vulnerability to climate change in Dar es Salaam. Rome: Sapienza University, 2013. 58 p.
  36. 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 // Agron. 2022. V. 12. № 3. P. 628. https://doi.org/10.3390/agronomy12030628
  37. Godwin R.J., Miller P.C.H. A Review of the Technologies for Mapping Within-field Variability // Biosyst. Eng. 2003. V. 84. № 4. P. 393–407. https://doi.org/10.1016/S1537-5110(02)00283-0
  38. Grunwald S., Yu C., Xiong X. Transferability and Scalability of Soil Total Carbon Prediction Models in Florida, USA // Pedosphere. 2018. V. 28. № 6. P. 856–872. https://doi.org/10.1016/S1002-0160(18)60048-7
  39. Guo L.B., Gifford R.M. Soil carbon stock and land use change: A meta-analysis // Global Change Biol. 2002. V. 8. № 4. P. 345–360. https://doi.org/10.1046/j.1354-1013.2002.00486.x
  40. Guo L., Fu P., Shi T., Chen Y., Zhang H., Meng R., Wang S. Mapping field-scale soil organic carbon with unmanned aircraft system-acquired time series multispectral images // Soil Tillage Res. 2020. V. 196. P. 104477. https://doi.org/10.1016/J.STILL.2019.104477
  41. iNaturalist. 2022. URL: https://www.inaturalist.org/ (дата обращения: 17.11.2022).
  42. Kalinina O., Chertov O., Dolgikh A.V., Goryachkin S.V., Lyuri D.I., Vormstein S., Giani L. Self-restoration of post-agrogenic Albeluvisols: Soil development, carbon stocks and dynamics of carbon pools // Geoderma. 2013. V. 207–208. P. 221–233. https://doi.org/10.1016/j.geoderma.2013.05.019
  43. Kurganova I.N., Kudeyarov V.N., De Gerenyu L. Updated estimate of carbon balance on Russian territory // Tellus. 2010. V. 62. № 5. P. 497–505.
  44. Kurganova I., Lopes de Gerenyu V., Kuzyakov Y. Large-scale carbon sequestration in post-agrogenic ecosystems in Russia and Kazakhstan // Catena. 2015. V. 133. P. 461–466. https://doi.org/10.1016/j.catena.2015.06.002
  45. Landsat 8 (L8) data users handbook. South Dakota: EROS. Sioux Falls, 2015. 106 p.
  46. Lo Seen D., Ramesh B.R., Nair K.M., Martin M., Arrouays D., Bourgeon G. Soil carbon stocks, deforestation and land-cover changes in the Western Ghats biodiversity hotspot (India) // Glob. Chang. Biol. 2010. V. 16. № 6. P. 1777–1792. https://doi.org/10.1111/J.1365-2486.2009.02127.X
  47. Martin M.P., Orton T.G., Lacarce E., Meersmans J., Saby N.P.A., Paroissien J.B., Jolivet C. et al. Evaluation of modelling approaches for predicting the spatial distribution of soil organic carbon stocks at the national scale // Geoderma. 2014. V. 223–225. № 1. P. 97–107. https://doi.org/10.1016/J.geoderma.2014.01.005
  48. Matinfar H.R., Maghsodi Z., Mousavi S.R., Rahmani A. Evaluation and Prediction of Topsoil organic carbon using Machine learning and hybrid models at a Field-scale // catena. 2021. V. 202. P. 105258. https://doi.org/10.1016/j.catena.2021.105258
  49. QGIS Development Team. QGIS Geographic Information System. Open Source Geospatial Foundation Project. 2016. https://www.qgis.org/en/site/ (дата обращения: 17.11.2022).
  50. R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna. Austria. URL: http://www.r-project. org/index.html (дата обращения: 17.11.2022).
  51. Sahabiev I., Smirnova E., Giniyatullin K. Spatial Prediction of Agrochemical Properties on the Scale of a Single Field Using Machine Learning Methods Based on Remote Sensing Data // Agron. 2021. V. 11. P. 2266. https://doi.org/10.3390/agronomy11112266
  52. Saleh A.M. Relationship Betweenvegetation Indicesof Landsat-7 ETM+, MSS Data and Some Soil Properties: Case Study of Baqubah, Diyala, Iraq // IOSR J. Agric. Vet. Sci. Ver. II. 2015. V. 8. № 2. P. 2319–2372.
  53. Schillaci C., Perego A., Valkama E., Märker M., Saia S., Veronesi F., Lipani A. et al. New pedotransfer approaches to predict soil bulk density using WoSIS soil data and environmental covariates in Mediterranean agro-ecosystems // Sci. Total Environ. 2021. V. 780. P. 146609. https://doi.org/10.1016/j.scitotenv.2021.146609
  54. 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. V. 266. P. 98–110. https://doi.org/10.1016/j.geoderma.2015.12.003
  55. Thompson J.A., Kolka R.K. Soil Carbon Storage Estimation in a Forested Watershed using Quantitative Soil-Landscape Modeling // Soil Sci. Soc. Am. J. 2005. V. 69. № 4. P. 1086–1093. https://doi.org/10.2136/SSSAJ2004.0322
  56. Vågen T.G., Winowiecki L.A., Tondoh J.E., Desta L.T., Gumbricht T. Mapping of soil properties and land degradation risk in Africa using MODIS reflectance // Geoderma. 2016. V. 263. P. 216–225. https://doi.org/10.1016/J.GEODERMA.2015.06.023
  57. Vågen T.G., Winowiecki L.A., Abegaz A., Hadgu K.M. Landsat-based approaches for mapping of land degradation prevalence and soil functional properties in Ethiopia // Remote Sens. Environ. 2013. V. 134. P. 266–275. https://doi.org/10.1016/J.RSE.2013.03.006
  58. Walvoort D.J.J., Brus D.J., de Gruijter J.J. An R package for spatial coverage sampling and random sampling from compact geographical strata by k-means // Comput. Geosci. Pergamon. 2010. V. 36. № 10. P. 1261–1267. https://doi.org/10.1016/J.CAGEO.2010.04.005

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2.

Download (284KB)
Indexing metadata

Copyright (c) 2023 К.Г. Гиниятуллин, И.А. Сахабиев, С.С. Рязанов, Е.В. Смирнова, Д.В. Тишин, Л.И. Латыпова

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies