Россия
Россия
Россия
Россия
УДК 631.452 Плодородие
В работе представлены результаты исследований по разработке метода расчёта совокупного почвенного балла (СПБ) на основе моделирования урожайности сельскохозяйственных культур для оценки уровня плодородия земель сельскохозяйственного назначения по сравнению с эталонными участками с учетом их выбора для внутризональной и межзональной дифференциации с использованием геометрического среднего относительных значений ключевых почвенных, гидротермических, климатических и вегетационных показателей, адаптированный под условия Алтайского края. Исследования основываются на совмещении и совершенствовании методик разработанных Государственным научно-исследовательским институтом земельных ресурсов и методов моделирования урожайности по Л.М. Бурлаковой с использованием моделей машинного обучения. В расчетах использованы многолетние статистические данные Росстата (2007-2024 гг.), агрохимические показатели, климатические реанализы ERA5-Land (январь-май 2007-2024 гг.), спутниковые индексы NDVI/MODIS (2013-2014 гг.) и цифровые почвенные карты OpenLandMap/SoilGrids. Применён зональный подход с отдельной калибровкой модели Random Forest для семи природных зон. Проведен анализ важности признаков, оценены метрические характеристики различных моделей. Показано, что ключевыми детерминантами урожайности являются гидротермические и гидрологические показатели, обеспеченность элементами минерального питания и факторы энергетического баланса. Разрабатываемая методика позволит повысить точность прогноза урожайности по природным зонам, а также оценивать пригодность земельных участков с помощью расчета совокупного почвенного балла для принятия решений по приоритетному введению земель в сельскохозяйственный оборот, в том числе неиспользуемой пашни, в соответствии с Государственной программой эффективного вовлечения в оборот земель сельскохозяйственного назначения и развития мелиоративного комплекса Российской Федерации (2021 г.). Полученные результаты могут служить научным основанием для аграрного планирования, ведения агромониторинга и адаптивного управления почвенными ресурсами.
показатели плодородия почв, урожайность, природные зоны, моделирование, Random Forest, ERA5-Land, NDVI, SoilGrids, Алтайский край
1. Шмидт Ю.Д., Куликов В.Е. Моделирование урожайности сельскохозяйственных культур // Вестник ТГЭУ. 2006. № 1. С. 73-84.
2. Vanella D., Longo-Minnolo G., Belfiore O.R., Ramírez-Cuesta J.M., Pappalardo S., Consoli S., D’Urso G., Chirico G.B., Coppola A., Comegna A., Toscano A., Quarta R., Provenzano G., Ippolito M., Castagna A., Gandolfi C. Comparing the use of ERA5 reanalysis dataset and ground-based agrometeorological data under different climates and topography in Italy // Journal of Hydrology: Regional Studies. 2022. Vol. 42. Article 101182. DOI:https://doi.org/10.1016/j.ejrh.2022.101182
3. Muñoz Sabater, J. Ежемесячные данные ERA5-Land, усредненные с 1981 года до настоящего времени. Служба климата Copernicus Climate (C3S) С запаса климатических данных (CDS). 2019. DOI:https://doi.org/10.24381/cds.68d2bb30
4. Buryak Zh., Grigoreva O., Gusarov A. A Predictive Model for Cropland Transformation at the Regional Level: A Case Study of the Belgorod Oblast, European Russia // Resources. 2023. Vol. 12, No. 11. P. 127. — DOI:https://doi.org/10.3390/resources12110127
5. База данных показателей муниципальных образований Алтайского края [Электронный ресурс]. Управление Федеральной службы государственной статистики по Алтайскому краю и Республике Алтай. URL: http://22.rosstat.gov.ru.
6. Matyunin G., Ogorodnikova S., Murmantseva E., Rozanov V., Palyga R. Assessment of soil fertility indicators based on remote sensing data // BIO Web of Conferences. 2024. Vol. 113. Article 04013. DOI:https://doi.org/10.1051/bioconf/202411304013
7. Poggio L., de Sousa L. M., Batjes N. H., Heuvelink G. B. M., Kempen B., Ribeiro E., and Rossiter D.: SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty, SOIL, 7, 217–240. DOI:https://doi.org/10.5194/soil-7-217-2021, 2021
8. Hengl T., Parente L., Ho Y.-F., Simoes R. и др. OpenLandMap Open Land Data services. Wageningen: OpenGeoHub foundation, 2023. Версия v 0.2. DOI:https://doi.org/10.5281/zenodo.10522799
9. Breiman L. Random Forests // Machine Learning, 2001. V. 45. P. 5-32.
10. Бурлакова Л.М. Плодородие алтайских черноземов в системе агроценоза. Новосибирск: Наука, 1984. 198 с.
11. Максимова Н.Б. Почвенно-климатические ареалы продуктивности зерновых культур Алтайского края: Автореф. дис. ... канд. с.-х. наук. - Барнаул, 1995. 19 с.
12. Иванов В.Д., Кузнецова Е.В. Оценка почв: Учебное пособие / Воронеж: ФГУ ВПО ВГАУ, 2004. 331 с.
