Известия РАН. Серия географическая, 2022, T. 86, № 1, стр. 134-150

ВВЕДЕНИЕ

Адекватная оценка содержания и запасов органического углерода в верхнем слое почв (C_орг) и скорости их деградации в результате хозяйственного использования – одна из важнейших задач современной прикладной экологии. Это связано с тем, что почвы и их состояние жизненно важны для существования наземных экосистем и общества, будучи крупнейшим биосферным резервуаром биогенных веществ, в первую очередь углерода, и основой первичной продукции и плодородия (Schwanghart and Jarmer, 2011). В частности, почвы мира содержат 1500–2400 Гт углерода в верхнем метровом слое (Scharlemann et al., 2014), что превышает его суммарное содержание в атмосфере и растительности (Friedlingstein et al., 2020). Этот резервуар достаточно подвижен, чтобы отражать общее направление долговременной динамики баланса углерода в местных экосистемах, и играет значимую роль в регуляции концентрации атмосферного углерода и смягчении последствий современного антропогенного потепления (Crowther et al., 2016). С_орг признан мировым сообществом как ключевой показатель оценки качества и деградации почв в результате эрозии (Croft et al., 2012), а также для поддержания первичной продукции растений. Кроме того, наблюдаемое сейчас в ряде хозяйственных регионов снижение содержания С_орг признается одной из основных угроз продовольственной безопасности (Communication …, 2006). Конвенция ООН по борьбе с опустыниванием (UNCCD) признала карту запасов С_орг в качестве одного из ключевых показателей оценки площадей деградированных земель в контексте достижения цели нейтрализации процесса деградации земель к 2030 году (IUCN, 2015).

Тем не менее задача пространственно-временной оценки С_орг отягощается широкой пространственной вариацией самих запасов углерода почвы, что определяется множеством исторических, природных и антропогенных факторов (Lamichhane et al., 2019), а также рутинными и дорогостоящими лабораторными анализами, что не позволяет применять их в широких масштабах (Conant et al., 2011). Главной альтернативой является применение современных методов дистанционного зондирования Земли (ДЗЗ). За последнее десятилетие существенно снизилась сложность и повысилась точность дистанционного определения характеристик почвы, как с беспилотных летательных аппаратов (БПЛА) и самолетов, так и со спутников (Angelopoulou et al., 2019). Хотя едва ли в области мониторинга можно будет полностью обойтись без трудоемких наземных измерений и анализов, заменяющие их дистанционные методы уже позволяют без значительных затрат получать точные оценки пространственной или временной изменчивости ключевых показателей состояния почв (Croft et al., 2012; Lamichhane et al., 2019).

Принципиальная возможность применения данных ДЗЗ для оценки почвенных характеристик обеспечивается тем, что в ранних исследованиях было надежно показано, что с увеличением запасов С_орг отражающая способность всех почв без исключения нелинейно снижается в видимом и ближнем инфракрасном диапазонах между 400 и 2500 нм (Baumgardner et al., 1970; Irons et al., 1989). Есть два хорошо известных дистанционных предиктора содержания углерода в верхнем слое почвы: крутизна склона и цвет почвы. Темный цвет почвы обычно связан с высоким содержанием органического вещества и естественным плодородием (Chen et al., 2000; Schulze et al., 1993). Негативное влияние крутизны поверхности на содержание органического вещества в почвах связано с действием силы тяжести и водной эрозией. Оба показателя связаны друг с другом и коррелируют с отражающей способностью поверхности почвы. Современный этап исследования этой количественной связи определяется широким применением гиперспектральных сенсоров в сочетании с геостатистическими методами и моделированием (Angelopoulou et al., 2019), а также с увеличением масштабов съемки и расширением набора экосистем и типов землепользования в отдельном исследовании.

Тем не менее прямые спутниковые оценки по-прежнему сопряжены со значительными искажениями, связанными с углом съемки, характером поверхности и влиянием атмосферы (Angelopoulou et al., 2019), а также влиянием на спектральный ответ почвы корки, образующейся на ее поверхности в результате дождей и засух, фактором обработки, переменной влажностью и текстурой почвы, наличием растительности и пожнивных остатков. Компенсация недостаточного качества и количества данных ДЗЗ требует применения сложных интерполяционных статистических и геостатистических процедур (Gomez et al., 2008). Однако эти подходы не позволяют решить проблему надежного предсказания пространственного распределения С_орг применительно ко всем новым случаям, что часто требует индивидуальной настройки существующих моделей, или создания новых (Croft et al., 2012; Ladoni et al., 2010). Наилучшие результаты (r² = 0.62–0.97) при этом достигаются в мелких и средних масштабах с охватом порядка десятков, сотен и тысяч км² (Mondal et al., 2017; Schillaci et al., 2017; Wang et al., 2021), а также при использовании БПЛА или самолетов [см. обзор (Angelopoulou et al., 2019)]. При использовании данных ДЗЗ для одного типа землепользования в масштабе одного−нескольких км² точность существенно снижается. Улучшению предсказательных возможностей моделей способствует также увеличение пространственной вариабельности С_орг в пределах рассматриваемой площади. Такое же влияние оказывает и увеличение количества почвенных проб для построения и верификации моделей (Croft et al., 2012; Gomez et al., 2008). Все это накладывает известные ограничения на использование спутниковой информации.

До 2006–2008 гг. собственно спутниковым данным придавалось по сути лишь вспомогательное значение: для оценки границ площадей биотопов и оценки рельефа при исследованиях больших территорий (Lu et al., 2004; Wei et al., 2008 и мн. др.), что было связано с качеством снимков и их стоимостью. Но, начиная с этого периода, доступное научному сообществу разрешение спутниковых сенсоров достигает 0.6–30 м (Vrieling, 2006), и начинает активно применяться гиперспектральная съемка, что позволяет использовать отражательную способность поверхности почв для анализа их состава непосредственно по спутниковым сенсорам (Mondal et al., 2017; Schwanghart and Jarmer, 2011; Wang et al., 2021).

Число научных работ, посвященных аэрокосмической оценке распределения и динамики С_орг в различных типах почв и экосистемах, резко увеличилось за последнее десятилетие и насчитывает уже более 300 публикаций в мировых периодических изданиях [см. обзоры (Angelopoulou et al., 2019; Lamichhane et al., 2019)]. Привлекательность именно спутниковой информации придает регулярность и частота ее поступления, а также значительная площадь охвата территории при достаточно высоком разрешении самих снимков. Тем не менее попыток использования для этой цели только спутниковых данных существенно меньше, что связано с перечисленными выше ограничениями. Если же говорить о черноземах, то посвященных им подобных исследований обнаруживаются единицы (Suleymanov et al., 2021; Takata et al., 2007); также черноземы иногда рассматриваются в составе почвенного покрова крупных регионов (Wei et al., 2008). Это соответствует их небольшой площадной представленности в мире, но не отвечает высокой хозяйственной значимости. Кроме того, в работах по дистанционному зондированию почв при пространственной оценке содержания углерода или степени эродированности почв крайне редко привлекаются другие, прочно связанные с этими факторами, почвенные характеристики, такие как микробная активность, базальное дыхание, эмиссия СО₂, содержание азота, влаги и прочие.

Цель проведенной работы заключалась в оценке количественной связи между физико-химическими и биологическими характеристиками верхнего слоя старопахотных типичных черноземов (С_орг в частности), определяемыми наземными методами, его спектральными характеристиками и так называемым LS-фактором (см. ниже), определяемыми с помощью данных ДЗЗ из космоса при среднем пространственном разрешении.

Несмотря на то, что данные более высокого пространственного разрешения в совокупности с результатами наземных измерений и применением БПЛА могут обеспечить более высокую точность предсказания этих характеристик, нами оценивалась применимость именно общедоступных данных ДЗЗ без привлечения дополнительных дорогостоящих источников информации и трудоемких наземных измерений.

Используемый в нашей работе LS-factor (Slope Length and Steepness factor – показатель топографического положения точки наблюдения, прямо пропорциональный длине и уклону склона) широко используется в специальной англоязычной литературе, однако в русскоязычных публикациях пока не появилось единого устоявшегося термина. Согласно анализу российской научной библиотеки eLIBRARY.RU, в качестве эквивалента в текстах статей и аннотациях чаще всего используется словосочетание “эрозионный потенциал рельефа” и его краткий эквивалент “LS-фактор”. Поэтому ради краткости нами в дальнейшем используется именно этот термин. Этот показатель представляет собой удобный критерий определения эрозионного потенциала, учитывающий совокупное влияние длины и крутизны склона на перенос вещества. Значению LS-фактора прямо пропорциональна степень эрозионной опасности: более высокий показатель указывает на повышенный эрозионный потенциал рельефа. LS-фактор главным образом используется в моделях почвенной эрозии, таких как USLE¹¹. Однако эти модели требуют большого количества дополнительной информации из разных источников, как дистанционных, так и наземных. Поэтому привлекательным представляется использование LS-фактора как самостоятельного показателя уровня эрозионной опасности (Буряк, 2014).

В задачи исследования входило:

– выявить, могут ли LS-фактор и спектральные характеристики старопахотных черноземов, оцениваемые по спутниковым данным среднего пространственного разрешения, выступать в качестве самостоятельных, а не вспомогательных предикторов рассматриваемых почвенных характеристик в изучаемом типе ландшафта;

– проверить, позволяет ли рассчитанный на основе спутниковых данных ДЗЗ LS-фактор местности отразить в крупном пространственном масштабе процессы деградации, происходящие в черноземах при их многолетней эксплуатации в качестве пашен.

МАТЕРИАЛЫ И МЕТОДЫ

Объекты и район исследований

Комплекс наземных полевых исследований был проведен в окрестностях Курской биосферной станции Института географии РАН (КБС ИГ РАН), расположенной в Медвенском районе Курской области. Участок сбора полевых данных расположен в лесостепном ландшафте с высокой аграрной освоенностью и представляет собой старопахотные (более 200 лет) земли с различными сельскохозяйственными культурами, общей площадью 350 га, ограниченные широколиственным лесным массивом, лесополосами вдоль автомобильных дорог, овражно-балочной сетью и сельским поселением (рис. 1). Пашни занимают 57% территории, леса 17%, луга 10%, участки лесостепи, балки и овраги 12%, селитебные территории и дороги 4%. Почвы на пашнях и на окружающих их степных и залежных участках в основном относятся к группе типичных черноземов (Haplic Chernozem (Loamic, Pachic)) (IUSS…, 2015). Климат в районе исследований умеренно-континентальный. По данным расположенной вблизи участка наблюдений метеостанции Центрально-Черноземного заповедника им. В.В. Алехина, климатические нормы (за период 1991–2020 гг.) составляют для среднегодовой температуры воздуха +7.1°C, для среднегодового количества осадков 637 мм; снежный покров мощностью до 50 см наблюдается с ноября по март. Значение среднемноголетнего гидротермического коэффициента (ГТК Селянинова) в сезон активной вегетации соответствует нормальным условиям увлажнения.

Рис. 1.

Космический снимок Sentinel-2 (10 мая 2018 г., синтез в натуральных цветах), на основе которого производился расчет спектральных характеристик методом главных компонент. Косая штриховка – территория Курской биосферной станции ИГ РАН, пунктирные линии – трансекты A и B.

Для выполнения поставленных задач на основе оцененного по данным ДЗЗ LS-фактора были заложены две контрастные по этому показателю трансекты (катены) (см. рис. 1 и 2).

Рис. 2.

Картограмма LS-фактора исследуемого участка. Большие значения соответствуют более высокой эрозионной опасности. В качестве картографической основы использованы карты OSM (© Участники OpenStreetMap). Обозначения: см. подпись к рис. 1.

Трансекта А (36°04′15.35″ в.д., 51°32′38.49″ с.ш.; 36°04′14.13″ в.д., 51°32′17.93″ с.ш.) расположена к западу-северо-западу от КБС ИГ РАН, направлена линейно с севера на юг, находится в плакорной части с низкими углами наклона местности (максимальный угол наклона 2.8°, в среднем 0.8°). На момент исследований проходила через посевы сои (фаза бутонизации, высота растений 20–25 см). Протяженность трансекты 1142 м, максимальный перепад высоты 6.1 м. Общее количество точек отбора проб составило 17, среднее расстояние между ними 67.2 м.

Трансекта В (36°06′01.62″ в.д., 51°32′13.17″ с.ш.; 36°06′09.18″ в.д., 51°32′33.99″ с.ш.) была заложена вдоль наиболее выраженного местного рельефа (максимальный угол наклона 9°, средний 3.9°) и расположена к востоку и северо-востоку от КБС ИГ РАН. Проходит через поле подсолнечника (фаза бутонизации, высота растений 100–120 см), пересекает относительно крутой северный склон, на котором формируется выраженная сеть мелких канавок в результате дождевой эрозии, и спускается в днище ложбины. Протяженность трансекты 1144 м, максимальный перепад высоты 23.5 м. Общее количество точек отбора проб составило 21, среднее расстояние между ними 54.5 м.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Сводка различий средних наблюдаемых наземных показателей между двумя сравниваемыми трансектами приведена в табл. 2. Как следует из приведенных значений, трансекта A является значимо более пологой. Средний угол склона составляет здесь 0.8°, что существенно меньше, чем для трансекты В (4 > 0.8°, p < 0.01). Медианное значение рассчитанного LS-фактора составляет для трансекты А – 0.033, для трансекты В – 0.51. При этом почва трансекты А содержала значимо больше влаги (10.4 > 6.4%, p < 0.01), больше углерода и азота, а также имела более выгодное для микробиоты соотношение C : N и в 1.5 раза бо́льшую биомассу микроорганизмов (508.1 > > 329.4 мкг C г^–1, р < 0.01).

В обоих горизонтах диапазон изменчивости содержания органического углерода составил 2.51–3.94% (CV = 7.7%); общего азота 0.17–0.31% (CV = 10.3%); соотношение C : N менялось от 12.06 до 14.99 (CV = 4.6%). Таким образом, можно заключить, что вариабельность анализируемых химических показателей была относительно низкой. В то же время наземные оценки угла склона (0°–8.2°, CV = 85%), остаточной объемной влажности почвы (4.4–10.6%, CV = 45%), равно как и экспериментально оцененные показатели микробной активности почвенных проб, варьировали намного заметнее. Это относится к базальному дыханию (0.13–1.95 мкг С г^–1 абс. сух. почвы ч^–1, CV = 51.6%), субстрат-индуцированному дыханию (1.48–11.4 мкг С г^–1 абс. сух. почвы ч^–1, CV = = 39.4%) и усилению выделения СО₂ в результате эффекта Бирча (CV = 41.7%).

В результате обработки полевых и лабораторных данных была построена общая корреляционная матрица (табл. 3), где в качестве зависимых переменных могут выступать перечисленные выше почвенные характеристики, а в качестве независимой переменной – крутизна склона. Как видно из полученных данных, содержание углерода обратно зависит от крутизны (r_p = –0.49, р < < 0.0001), которая служит средним по силе предиктором; такая же связь показана и для азота (r_p = –0.48, р < 0.0001). Соотношение C : N смещалось в сторону преобладания углерода на участках с большим углом склона, что менее выгодно для роста растений и микробиоты. Связь между крутизной склона и содержанием углерода в пахотном горизонте выше, чем в подпахотном (r_p = –0.54 > > ‒0.47).

Помимо угла склона значимые положительные связи содержания углерода были показаны с объемной влажностью почвы (r_p = +0.36, р < 0.01), содержанием общего азота (+0.91, р < 0.01), а также с V_sir (+0.50, р < 0.01), С_mic (+0.54, р < 0.01) и V_birch (+0.40, р < 0.01), что позволяет использовать содержание углерода в качестве предиктора для оценки связанных с ним характеристик почвы.

С увеличением крутизны склона достоверно падает содержание воды в почве (r_p = –0.47, р < < 0.01), снижается присутствие микроорганизмов (–0.43 (С_mic), p < 0.01), а также снижается их реакция на внесение биогенных веществ (раствора глюкозы) (–0.42 (V_sir) p < 0.01). Таким образом, биомасса микробов оказалась в 1.5 раза выше в почве с лучшими физико-химическими характеристиками, и это микробное сообщество демонстрировало менее активный отклик на улучшение условий питания. Это показывает, что даже при относительно небольшой крутизне склона (медиана угла для обеих трансект составляет 2°, что соответствует уклону в 3.5%; обычно диапазон в по-добных исследованиях находится в пределах 0–20% (Mondal et al., 2017)), и на таких гигроскопичных почвах с мощным гумусовым горизонтом, как типичные черноземы, характер мезорельефа может существенно влиять на их характеристики. Это влияние, вероятно, в большей степени реализуется через водную эрозию, так как для образцов почвы, отобранных на участках с большей крутизной склона, не отмечено значимого изменения скорости выделения СО₂ из верхнего горизонта почвы, а эоловое или механическое переотложение почвенных частиц слабо влияет на химический состав верхнего слоя почвы из-за наличия в местных черноземах мощного гумусового горизонта [55–80 см (Люри и др., 2010)]. О ведущем участии водной эрозии в деградации почвы свидетельствуют и специальные исследования агрочерноземов (Плотникова, 2020; Suleymanov et al., 2021).

Полученные экспериментально значения микробного метаболического коэффициента V_basal/C_mic(МЕТ2) также отражают ухудшение состояния почвы при увеличении крутизны склона. На трансекте B его величина значимо выше как для пахотного, так и подпахотного горизонтов (см. табл. 2), что говорит о более напряженном метаболизме микробиоты и менее благоприятных условиях питания (Иващенко, 2017) с увеличением крутизны. Это отражает и положительный коэффициент корреляции этого показателя с крутизной склона (r_p = +0.37, р < 0.05; см. табл. 3). В то же время коэффициент V_basal/V_sir (МЕТ1) продемонстрировал обратное различие: он оказался в пределах нижней границы нормы на трансекте В (0.220), но значимо более низким на более пологой трансекте А (0.105), что, напротив, говорит в пользу несколько лучших условий микробного питания на склонах. Непосредственной причиной таких значений коэффициента МЕТ1 является значимо не различающийся между трансектами уровень базального дыхания на фоне существенно более низкой биомассы микробов на наклонной трансекте. Такие результаты не находят однозначного объяснения. В частности, это может быть связано с влиянием разных посевных культур (соя и подсолнечник) и приемов их обработки на сравниваемых трансектах. Тем не менее для нашего исследования важно то, что различия по этому метаболическому коэффициенту между трансектами, заложенными на участках с разной крутизной склона, оказались значимы, как и для других показателей.

То же касается обнаруженной в нашем случае слабой, но положительной связи между крутизной склона и базальным дыханием (r_p = +0.30, р < < 0.01). Как правило, более подверженные факторам деградации почвы, в частности черноземы, демонстрируют ослабленное дыхание (Плотникова, 2020; Сушко, 2019; Suleymanov et al., 2021). Однако в нашем случае этого не наблюдалось, что, вероятнее всего, связано с относительно невысокой степенью деградации почвы в пределах трансект. Гораздо лучше это отражают показатели С_mic и МЕТ2, которые поэтому предпочитаются в подобных исследованиях (Иващенко, 2017).

Попытки связать крутизну склона и спектральные характеристики, полученные на основе данных ДЗЗ, показали, что наилучший результат во всех случаях достигается при использовании каналов RGB и NIR и метода “sums-of-squares-and-cross-products matrix”. В этом сочетании положительная корреляция спектральных характеристик с углом склона местности составляет от +0.50 до +0.60 (р < 0.01). Корреляция спектральных характеристик с содержанием углерода и азота в почве оказалась существенно лучше для подпахотного горизонта при использовании каналов RBG, Red Edge и NIR: от –0.41 до –0.70 (р < 0.01). При этом различий между статистическими методами расчета не наблюдалось.

При группировке переменных, отражающих характеристики почвы, с помощью метода PCA были выделены три главных компоненты. Первая в основном описывает микробную составляющую (переменные V_sir, V_birch, C_mic, MET1 и MET2) и объясняет около половины дисперсии всех исходных данных (47.8%). Вторая компонента во всех вариантах, кроме четвертого (см. раздел “Статистический анализ”), включает общие характеристики почвы (C, N, базальное дыхание). Третья – включает разные наборы переменных и отвечает за существенно меньшую долю вариации. С углом склона местности (SLOPE) несильно, но достоверно коррелирует лишь первая компонента (рис. 3, табл. 4), при этом крутизна склона самостоятельно объясняет от 10% (в подпахотном слое) до 16% (в пахотном горизонте) ее изменчивости.

Рис. 3.

Корреляция между главной компонентой PC 1 (см. табл. 4), отражающей состояние микробиоты почвы, и углом склона (SLOPE, °) для пахотного горизонта на основе наблюдений за различными по состоянию эрозии участками типичных черноземов (Курская обл., Медвенский район, июнь 2020).

Дополнительно проведенный для наземных переменных множественный линейный пошаговый регрессионный анализ показал, что наилучшую объясняющую способность демонстрирует модель, где в качестве зависимой переменной используется V_sir, а в качестве независимых – оставшиеся количественные переменные (см. общий список в разделе “Материалы и методы”). В этом случае модель объясняет 42% дисперсии (r² = = 0.42, F = 26.2, p < 0.0001, β = 0.436 (MOIST), 0.349 (N)). Такую же объясняющую способность имеет модель, где зависимой переменной является микробная биомасса С_mic (r² = 0.42, F = 25.2, p < < 0.0001; β = 0.388 (C), 0.384 (MOIST)), что естественно, так как эта переменная рассчитывается на основе линейной зависимости (2) от V_sir.

В случае, когда независимой переменной служит содержание органического углерода в почве, практический интерес представляет оценка его зависимости от угла склона местности, а не предсказание с помощью других почвенных характеристик (например, содержания азота или скорости эмиссии СО₂), что, по сути, требует того же набора химических анализов или не менее сложных лабораторных газометрических процедур. Такие предикторы содержания углерода в почве, как угол склона местности, который был получен по наземным данным, и LS‑фактор, оцениваемый на основе данных ДЗЗ, имеют одинаковый вклад в регрессионную модель и могут быть в ней взаимозаменяемы. В частности, регрессионная зависимость, построенная для оценки содержания углерода в пахотном горизонте (C, %) от среднего значения LS-фактора в пределах 10 м от точек отбора проб по обеим трансектам (LS), позволяет объяснить 30% наблюдаемой дисперсии:

Относительно невысокая объясняющая способность регрессии (r² = 0.30) в основном связана с небольшим разбросом данных, использованных для построения уравнения, поскольку они получены только для двух пашен и одного варианта почвы. LS-фактор по двум трансектам варьировал существенно (CV = 75.9%), однако содержание углерода в исследованных почвенных образцах пахотного горизонта менялось в диапазоне 2.97–3.91% (CV = 6.8%), что намного меньше по сравнению с обычно используемыми в моделировании на основе ДЗЗ диапазонами этого показателя (0.03–3.2%, CV = 30%; оценка выполнена по данным обзора (Lamichhane et al., 2019)). Тем не менее, полученная между этими величинами средняя по силе обратная связь (r_p = –0.55, p = 0.01) показывает, что даже в таком крупном пространственном масштабе последний фактор может оказывать значимое влияние. Кроме того, размер ячейки, использованной для расчетов цифровой модели рельефа, не позволяет более точно привязать на местности точки отбора проб к значениям LS-фактора.

Сопоставление полученных результатов с литературными данными. С опубликованными данными можно сравнить отдельные почвенные показатели по старопахотным типичным черноземам (содержание углерода, состояние микробиоты) и точность моделей ДЗЗ, предсказывающих содержание С_орг в сходном масштабе.

Содержание почвенного углерода определялось в районе исследований множеством авторов для различных целей (Иващенко, 2017; Люри и др., 2010; Мамонтов и др., 2016; Плотникова, 2020; Сушко, 2019). Это связано с тем, что здесь расположен Центрально-Черноземный заповедник им. В.В. Алехина, обладающий уникальными участками эталонных лесостепных экосистем на типичных черноземах, в том числе с разным режимом использования, что позволяет проводить сравнения. В частности, в аналоговой серии залежей (Люри и др., 2010), описанной по единичным разрезам, для верхнего горизонта постоянных пашен приводится значение С_орг = 3.19%; для сравнения, на 58-летней залежи в том же слое оно составляет 3.73%. Наблюдаемая по нашим данным пространственная вариация содержания С_орг на отдельных пашнях охватывает весь диапазон изменчивости сукцессионного ряда, описываемого в цитируемой работе. Мамонтов с соавторами (2016) в том же районе изучали различные по размеру агрегаты агрочернозема типичного и пришли к выводу, что старопахотные почвы под бессменной озимой пшеницей содержат на 20–30% меньше углерода по сравнению с целиной. При этом средневзвешенное содержание С_орг, рассчитанное по авторским данным, составляет 3.22% (диапазон: 3.07–4.12%). В нашей работе средний показатель оказался сходным (3.47%) при диапазоне 2.51–3.90%. Иващенко (2017) также отмечает, что значения С_орг были ниже на пашнях по сравнению с целинными аналогами (2.7% на пашнях против 4.2–4.5% в целинной степи). В указанных исследованиях, за исключением Мамонтова с соавторами (2016), фактически не оценивалась пространственная вариация С_орг на пашнях и в других экосистемах. Приведенные сравнения с нашими данными демонстрируют выраженную вариабельность С_орг в зависимости от фактора склона, что в нашем случае проявляется даже на относительно небольшом по площади пахотном участке.

Известно, что микробная биомасса почвы и ее базальное дыхание служат интегральными показателями продуктивности и общего состояния экосистем и их почв (Singh and Gupta, 2018 и мн. др.), а оценки запасов микробной биомассы достаточно постоянны в разных экосистемах в ходе вегетационного сезона (Сушко, 2019), поэтому их удобно использовать в качестве биологического индикатора состояния почв. Оценки микробной активности различных экосистем на типичных черноземах, полученные другими исследователями в том же районе аналогичными лабораторными методами, предоставляют хороший материал для сравнения с нашими результатами. В частности, в работе Иващенко (2017) на пашне (ячмень) базальное дыхание менялось в пределах 0.4–0.62 мкг С г^–1 ч^–1 (максимальная величина отмечена для заповедных целинных степей 0.73–1.56, минимальная – для урбаноземов), а микробная биомасса – от 221 до 473 мкг С г^–1 (максимальные значения были получены для некосимой степи: 1954 мкг С г^–1). В том же исследовании показатель микробного метаболизма V_basal/C_mic менялся в среднем от 0.57 (некосимые степи) до 6.83 (урбаноземы г. Курска), составляя для пашен 1.26–1.90 мкг С/ мг С_micч^–1. Наши данные демонстрируют широкие пространственные вариации запасов микробиоты (114.1–854.5 мкг С г^–1) и уровня ее метаболизма (0.49–13.20 мкг С/мг С_mic ч^–1) в верхнем слое старых пашен, хотя средние по всем данным показатели (406.4 (С_mic) и 2.21 (МЕТ2)) хорошо согласуются с опубликованными данными. При этом меньшие запасы и бо́льшая потенциальная микробная активность наблюдаются на более крутых склонах. Такие показатели говорят о малоблагоприятных условиях питания микроорганизмов и их повышенных затратах на жизнедеятельность, а также о более высокой скорости отмирания микробных клеток (Иващенко, 2017). Последнее подтверждает и высокая степень усиления базального дыхания пахотного слоя в результате “эффекта Бирча” (по нашим оценкам в 12.3 разa). Это существенно выше аналогичного показателя для заповедных экосистем в том же районе (6.1) и приближается к аналогичному показателю каштаново-солонцовых комплексов сухих степей – 15.2 (Karelin et al., 2017).

Модели, объясняющие пространственное распределение С_орг с помощью данных ДЗЗ, нередки, однако лишь немногие из них относятся к крупному масштабу порядка одного−нескольких км², что подходит для сравнения с нашим случаем. Эти исследования, выполненные на разных типах почв, характеризуются средним или даже низким коэффициентом детерминации: r² = 0.51 (Gomez et al., 2008); 0.58 (Suleymanov et al., 2021); 0.66 (Hamzehpour et al., 2019); 0.63–0.69 (Schillaci et al., 2017); 0.23–0.67 [обзор (Angelopoulou et al., 2019)]. О причинах этого уже говорилось во введении. Наши значения коэффициента детерминации при использовании LS-фактора и спектральных характеристик почвы для предсказания С_орг находятся в диапазоне 0.25–0.49, что укладывается в эти пределы, даже несмотря на то, что нами не привлекались гиперспектральные данные и использовались простые однофакторные модели.

Возможно, единственным полностью сопоставимым исследованием является работа Suleymanov et al. (2021), посвященная эродированным старопахотным типичным черноземам Башкирии, на участке 14 км² с крутизной склонов от 0° до 8°, где оценивали распределение С_орг по 15-ти спектральным индексам, рассчитанным на основе спутниковых данных с разрешением от 10 до 60 м. Наилучшим результатом оказалась средняя по силе связь (r² = 0.58) одного из индексов с распределением С_орг. Среднее содержание С_орг в этом исследовании совпадает с нашим, однако вариация этого показателя существенно выше (CV = = 23.7 > 6.8%), что, вероятнее всего, связано с бо́льшей крутизной склонов (4°, в среднем, против 2°, в нашем случае) и бо́льшей площадью наблюдений при доказанном ведущем участии водной эрозии. Более низкие уровни базального дыхания были зафиксированы в этой работе на эродированных участках, которые хорошо оценивались визуально по разрывам почвенно-растительного покрова. В нашем случае маркерами водной эрозии были только следы ручейков на поверхности склона (трансекта В), при этом базальное дыхание слабо зависело от угла склона, хотя более надежные микробные показатели это успешно показали.

Связь используемых показателей с эрозией почвы. Как уже упоминалось во введении, в наши задачи входило выяснить, возможно ли, используя только данные ДЗЗ из космоса среднего пространственного разрешения, оценить, как меняются основные почвенные характеристики (прежде всего содержание С_орг и микробное дыхание) старопахотных типичных черноземов в зависимости от длины и крутизны склона местности. Последние показатели оценивались, с одной стороны, наземными методами, а с другой – с помощью спутниковых данных. LS-фактор выступал как независимый предиктор почвенных характеристик опосредованно, будучи индикатором потенциала эрозионных процессов в точке наблюдения.

Нельзя отрицать, что эрозия – это сложный процесс, зависящий не только от рельефа, но от многих других факторов, которые учитываются специальными моделями (режим осадков, ветра, способы и режимы обработки почвы, тип почвы, характер растительности и др.). В нашей работе был использован лишь один фактор эрозии (правда, относящийся к ведущим) – рельеф. В данном случае задачей было проверить, можно ли установить значимую количественную связь между относительно простым независимым показателем (мезорельеф), который оценивается с помощью доступной дистанционной информации, и зависимыми от него почвенными характеристиками. Кроме того, изначально было неясно, удастся ли выявить такие связи для старопахотных типичных черноземов при крупном масштабе наблюдений. Поскольку связь эту установить в нашем исследовании удалось почти по всем исследованным почвенным показателям, можно считать, что для достижения конкретной цели оказалось достаточно простой модели и в этом случае нет необходимости привлекать более сложные. Кроме того, эродированность почвы косвенно оценивалась нами не только через LS-фактор, но и через почвенные характеристики, отражающие степень деградации почвы.

Оценка применимости полученных результатов. Нижняя граница пространственного масштаба в нашем исследовании определяется используемым интервалом при отборе наземных проб (60 м) и общей протяженностью трансект (1800 м), а также выраженностью обследованного мезорельефа (угол cклона между отдельными пунктами отбора проб на трансектах менялся от 0° до 9°). Из семи известных групп пространственных факторов, определяющих содержание С_орг в данной точке: влияние организмов, климата, рельефа, местоположения, физико-химических свойств почвы, истории ее формирования и материнских пород (Lamichhane et al., 2019), в нашем случае представлены (меняются) только физико-химические свойства почвы и мезорельеф, а воздействие биоты представлено лишь разными растительными культурами на сравниваемых трансектах в год проведения наблюдений.

Границы использованного в работе пространственного масштаба определяют область применения полученных результатов: это старопахотные поля произвольного размера на типичных черноземах, имеющие угол склона в пределах 0°–9°. Поскольку, по-видимому, подавляющее большинство современных пашен находится в указанных пределах (Мамонтов и др., 2016), можно говорить о применимости результатов ко всем старопахотным участкам на типичных черноземах в пределах Европейской территории России. Нижний предел экстраполяции на местности определяется максимальным пространственным разрешением использованных космических снимков (ЦМР: 30 м).

ЗАКЛЮЧЕНИЕ

В результате сопоставления наземных, экспериментальных и дистанционных данных в крупном пространственном масштабе обнаруживаются средние по силе связи между рядом почвенных характеристик и показателями морфологии ре-льефа, что выражается в снижении содержания ведущих биогенных элементов и соединений (углерод, азот и вода), а также в снижении биомассы микробных сообществ пахотных и подпахотных горизонтов типичных черноземов, длительно находящихся в аграрном использовании, с ростом крутизны склона и LS-фактора (эрозионного потенциала рельефа). Можно говорить о самостоятельной применимости рассчитанного по спутниковым данным LS-фактора для оценки степени деградации пахотных черноземов через прогноз содержания углерода, азота, воды и связанных с ними биогенных показателей. Применение для этих целей спектральных характеристик, полученных на основе данных ДЗЗ из космоса, менее желательно, так как требует точного соблюдения равенства условий на поверхности почвы, на что оказывают влияние приемы обработки почвы, растительный покров, а также ограничения, накладываемые недостаточным разрешением снимков из космоса.