Моделирование пространственно-временнóй изменчивости запасов углерода в почве (обзор)

Аннотация

В целях смягчения последствий климатических изменений, сохранения и увеличения плодородия почв большое внимание уделяется развитию методов эффективного управления земельными ресурсами. Для выбора оптимальной стратегии управления необходимы надежные прогнозы реакции почв на будущие изменения климата и антропогенное воздействие. Одним из ведущих методов анализа и прогнозирования пространственно-временнóй изменчивости запасов органического углерода почв является математическое моделирование. В настоящее время оно развивается в двух основных направлениях. Первое использует эмпирические модели, полученные методами цифровой почвенной картографии. Второе направление представляют процесс-ориентированные модели биогеохимического цикла углерода. Каждое из них имеет сильные и слабые стороны. Модели цифровой почвенной картографии эмпирические, основанные только на анализе данных о свойствах почв и характеристиках окружающей среды, поэтому они ограничены в объяснении изменчивости запасов почвенного углерода. Неопределенность прогнозов на основе этих моделей зависит от объема и качества данных для обучения. Они демонстрируют превосходство прогнозирования запасов органического углерода в почве над процесс-ориентированными моделями в тех случаях, когда использовались большие наборы качественных данных. Преимущество биогеохимических моделей состоит в том, что они основаны на накопленных в почвоведении знаниях о процессах круговорота углерода, поэтому эффективны при изучении механизмов динамики запасов углерода в почве. Однако прогнозирование с использованием этих моделей особенно регионального и глобального масштабов характеризуется высокой неопределенностью. В настоящее время для уменьшения неопределенности прогнозов предлагается использовать ансамблевое моделирование (интеграция различных алгоритмов искусственного интеллекта, используемых в цифровой почвенной картографии, с процесс-ориентированными моделями). Для эффективного развития этой стратегии необходимо глубокое понимание роли основных биогеохимических процессов в динамике запасов органического углерода в почве для улучшения концептуальной основы моделей и увеличения доверия к прогнозам. В статье обсуждаются источники неопределенности биогеохимических моделей и возможность использования минимальных моделей в целях обоснованного выбора необходимого набора основных процессов и математических формализмов для их явного описания в моделях разного пространственно-временнóго масштаба, что может уменьшить структурную неопределенность нелинейных биогеохимических моделей.

Литература

1.               Гопп Н.В., Мешалкина Ю.Л., Нарыкова А.Н. и др. Картографирование содержания и запасов органического углерода почв на региональном и локальном уровнях: анализ современных методических подходов // Вопросы лесной науки. 2023. Т. 6, № 1. С. 14–73.

2.               Гумусообразование в техногенных ландшафтах. Новосибирск, 1986. 165 с.

3.               Романенков В.А., Мешалкина Ю.Л., Горбачева А.Ю. и др. Прогноз динамики запасов углерода в почвах возделываемых земель европейской России в контексте стратегии низкоуглеродного развития // Известия РАН. Серия географическая. 2023. Т. 87, № 4. С. 584–596. https://doi.org/10.31857/S2587556623040106

4.               Рыжова И.М. Анализ устойчивости почв на основе теории нелинейных динамических систем // Почвоведение. 2003. № 5. С. 583–590.

5.               Рыжова И.М. Обратные связи в системе почва–растительность: сравнение минимальных моделей круговорота углерода // Материалы Пятой конференции «Математическое моделирование в экологии» ЭкоМатМод-2017, Пущино. Россия, 2017.

6.               Рыжова И.М., Романенков В.А., Степаненко В.М. Современное развитие моделей динамики органического вещества почв (обзор) // Вестн. Моск. ун-та. 2024. Сер. 17. Почвоведение. № 4. С. 122–129. https://doi.org/10.55959/MSU0137-0944-17-2024-79-4-122-129

7.               Рыжова И.М., Романенков В.А., Степаненко В.М. и др. Моделирование насыщения почвы органическим углеродом // Почвоведение. 2026. № 3. С. 454–471.

8.               Савин И.Ю., Жоголев А.В., Прудникова Е.Ю. Современные тренды и проблемы почвенной картографии // Почвоведение. 2019. № 5. С. 517–528. https://doi.org/10.1134/S0032180X19050101

9.               Семенов В.М., Когут Б.М. Почвенное органическое вещество. М., 2015. 233 с.

10.            Сергеев М.В. Динамика процессов почвообразования в техногенном ландшафте // Рекультивация земель, нарушенных горными работами КМА. Воронеж, 1985. С. 51–74.

11.            Файкин Г.М., Степаненко В.М., Медведев А.И. и др. Конструктор динамических моделей углеродного цикла почвы // Вычислительные методы и программирование. 2025. Т. 26, № 3. C. 281–303. https://doi.org/10.26089/NumMet.v26r320

12.            Флоринский И.В. Гипотеза Докучаева как основа цифрового прогнозного почвенного картографирования (к 125-летию публикации) // Почвоведение. 2012. № 4. C. 19–25.

13.            Чертов О.Г., Комаров А.С. Теоретические подходы к моделированию динамики содержания органического вещества почв // Почвоведение. 2013. № 8. https://doi.org/10.7868/S0032180X13080017

14.            Чертов О.Г., Надпорожская М.А. Модели динамики органического вещества почв: проблемы и перспективы // Компьютерные исследования и моделирование. 2016. Т. 8, № 2. C. 391–399.

15.            Чинилин А.В., Савин И.Ю. Оценка содержания органического углерода в почвах России с помощью ансамблевого машинного обучения // Вестн. Моск. ун-та. Сер. 5. География. 2022. № 6. C. 49–63. https://doi.org/10.55959/MSU0579-9414-5-2022-6-49-63

16.            Abramoff R., Xu X., Hartman M. et al. The Millennial model: in search of measurable pools and transformations for modeling soil carbon in the new century // Biogeochemistry. 2018. Vol. 137. https://doi.org/10.1007/s10533-017-0409-7

17.            Abramoff R.Z., Guenet B., Zhang H. et al. Improved global-scale predictions of soil carbon stocks with Millennial Version 2 // Soil Biol. Biochem. 2022. Vol. 164. P. 108466. https://doi.org/10.1016/j.soilbio.2021.108466

18.            Ahrens B., Braakhekke M.C., Guggenberger G. et al. Contribution of sorption, DOC transport and microbial interactions to the 14C age of a soil organic carbon profile: insights from a calibrated process model // Soil Biol. Biochem. 2015. Vol. 88. P. 390–402. https://doi.org/10.1016/j.soilbio.2015.06.008

19.            Blankinship J.C., Berhe A.A., Crow S.E. et al. Improving understanding of soil organic matter dynamics by triangulating theories, measurements, and models // Biogeochemistry. 2018. Vol. 140. P. 1–13. https://doi.org/10.1007/s10533-018-0478-2(0123456789

20.            Bernardini L.G., Rosinger C.,Bodner G. et al. Learning vs. understanding: When does artificial intelligence outperform process-based modeling in soil organic carbon prediction? // New Biotechnology. 2024. Vol. 81, № 25.

21.            Bradford M., Wieder W., Bonan G. et al. Managing uncertainty in soil carbon feedbacks to climate change // Nature Clim Change. 2016. Vol. 6. P. 751–758.

22.            Campbell E.E., Paustian K. Current developments in soil organic matter modeling and the expansion of model applications: a review // Environ. Res. Lett. 2015. Vol. 10. P. 123004. https://doi.org/10.1088/1748-9326/10/12/123004

23.            Ding Z., Liu K., Zhou M. et al. Advancing Soil Organic Carbon Prediction: A Comprehensive Review of Technologies, AI, Process-Based and Hybrid Modelling Approaches // Advanced Science. 2025. Vol. 12. P. 1–28.

24.            Falloon P., Jones C.D., Ades M. et al. Direct soil moisture controls of future global soil carbon changes: An important source of uncertainty // Global Biogeochem. Cycles. 2011. Vol. 25. https://doi.org/10.1029/2010GB003938

25.            Friedlingstein P., O'Sullivan M., Jones M.W. et al. Global Carbon Budget 2023 // Earth Syst. Sci. Data. 2023. Vol. 15, № 12. P. 5301–5369. https://doi.org/10.5194/essd-15-5301-2023

26.            Ghezzehei T.A., Sulman B., Arnold C.L. et al. On the role of soil water retention characteristic on aerobic microbial respiration // Biogeosciences. 2019. Vol. 16. P. 1187–1209. https://doi.org/10.5194/bg-16-1187-2019

27.            Heuvelink G.B., Angelini M.E., Poggio L. et al. Machine learning in space and time for modelling soil organic carbon change // Eur. J. Soil Sci. 2021. Vol. 72. https://doi.org/10.1111/ejss.12998.

28.            Kakhani N., Alamdar S., Kebonye N.M. et al. Uncertainty Quantification of Soil Organic Carbon Estimation from Remote Sensing Data with Conformal Prediction // Remote Sens. 2024. Vol. 16. P. 413. https://doi.org/10.3390/rs16030438

29.            Khaledian Y., Miller B.A. Selecting appropriate machine learning methods for digital soil mapping // Applied Mathematical Modelling. 2020. Vol. 81. P. 401–418.

30.            Le Noë J., Manzoni S., Abramoff R. et al. Soil organic carbon models need independent time-series validation for reliable prediction // Communications Earth & Environment. 2023. Vol. 4. https://doi.org/10.1038/s43247-023-00830–5h

31.            Luo Y., Ahlström A., Allison S. et al. Toward more realistic projections of soil carbon dynamics by Earth system models // Global Biogeochem. Cycles. 2016. Vol. 30. P. 40–56. https://doi.org/10.5194/bgd-12-4245-2015

32.            Manzoni S., Porporato A. Soil carbon and nitrogen mineralization: Theory and models across scales // Soil Biol. Biochem. 2009. Vol. 41, № 7.

33.            McBratney A.B., Santos M.L.M., Minasny B. On digital soil mapping // Geoderma. 2003. Vol. 117, Iss. 1–2. P. 1355–1379.

34.            Robertson A.D., Paustian K., Ogle S. et al. Unifying soil organic matter formation and persistence frameworks: the MEMS model // Biogeosciences. 2019. Vol. 16. P. 1225–1248. https://doi.org/10.5194/bg-16-1225-2019

35.            Shi Z., Crowell S., Luo Y. et al. Model structures amplify uncertainty in predicted soil carbon responses to climate change // Nature Communications. 2018. Vol. 9.

36.            Sierra C.A., Trumbore S.E., Davidson E.A. et al. Sensitivity of decomposition rates of soil organic matter with respect to simultaneous changes in temperature and moisture // J. Adv. Model. Earth Syst. 2015. Vol. 7, № 1. P. 335–356.

37.            Smagin A., Sadovnikova N., Belyaeva E. et al. Carbon Sequestration as a Driver of Pine Forest Succession on Sandy Alluvium: Quantitative Assessment and Process Modeling // Forests 2025. Vol. 16. https://doi.org/10.3390/f16091482

38.            Schmidt M., Torn M., Abiven S. et al. Persistence of soil organic matter as an ecosystem property // Nature. 2011. Vol. 478. P. 1–30.

39.            Stewart C.E., Paustian K., Conant R.T. et al. Soil C saturation: concept, evidence, and evaluation // Biogeochemistry. 2007. Vol. 86. P. 19–31. https://doi.org/10.1007/s10533-007-9140–0

40.            Stockmann U., Adams M.A., Crawford J.W. et al. The knowns, known unknowns and unknowns of sequestration of soil organic carbon // Agric. Ecosyst. Environ. 2013. Vol. 164. P. 80–99.

41.            Sulman B.N., Moore J.A.M., Abramoff R. et al. Multiple models and experiments underscore large uncertainty in soil carbon dynamics // Biogeochemistry. 2018. Vol. 141. P. 109–123. https://doi.org/10.1007/s10533-018-0509-z

42.            Technical specifications and country guidelines for Global Soil Organic Carbon Sequestration Potential Map (GSOCseq). Rome: FAO, 2020.

43.            Todd-Brown K.E.O., Randerson J.T., Post W.M. et al. Causes of variation in soil carbon simulations from CMIP5 Earth system models and comparison with observations // Biogeosciences. 2013. Vol. 10, № 3.

44.            Tuomi M., Vanhala P., Karhu K. et al. Heterotrophic soil respiration – comparison of different models describing its temperature dependence // Ecological Modelling. 2008. Vol. 211.

45.            Varney R.M., Chadburn S.E., Burke E.J. et al. Evaluation of soil carbon simulation in CMIP6 Earth system models // Biogeosciences. 2022. Vol. 19. P. 4671–4704.

46.            Wieder W.R., Grandy A.S., Kallenbach C.M. et al. Integrating microbial physiology and physio-chemical principles in soils with the Microbial-Mineral Carbon Stabilization (MIMICS) model // Biogeosciences. 2014. Vol. 11.

47.            Wutzler T., Reichstein M. Colimitation of decomposition by substrate and decomposers a comparison of model formulations // Biogeosciences. 2008. Vol. 5. P. 749–759.

48.            Zhang T., Huang L.M., Yang R.M. Evaluation of digital soil mapping projection in soil organic carbon change modeling // Ecological Informatics. 2024. Vol. 79. https://doi.org/10.1016/j.ecoinf.2023.102394

49.            Zhang X., Xie E., Chen J. et al. Modelling the spatiotemporal dynamics of cropland soil organic carbon by integrating process-based models differing in structures with machine learning // Journal of Soils and Sediments. 2023. Vol. 23. P. 2816–2831. https://doi.org/10.1007/s11368-023-03516-9