Серия 17. Почвоведение. 2026. № 1

Цифровая почвенная картография (ЦПК) использует современные подходы и методы в области компьютерного анализа и моделирования пространственных данных о почвах. В настоящее время более 90% всех публикаций в области картографирования почв относятся к области ЦПК. Анализ наукометрических баз данных и публикаций показывает, что количество публикаций ежегодно растет, но декларируемое качество создаваемых почвенных карт при этом практически не повышается. Это связано с рядом причин, выявление которых на основе обзора научных публикаций и является целью статьи. Проведенные исследования показали, что создаваемые в рамках подходов ЦПК карты различаются по качеству. Декларируемая авторами точность моделей, используемых для создания цифровых почвенных карт, обычно варьирует от 30–40 до 70–80%. Выявлено 16 потенциальных источников ошибок на цифровых почвенных картах, которые группируются в ошибки исходных данных о свойствах почв, исходных данных о предикторах, ошибки выбора модели и ошибки, связанные с пониманием почвы как объекта моделирования. Часть источников ошибок может быть устранена в настоящее время или в ближайшей перспективе, но существуют ошибки, устранение которых представляется на данном этапе развития науки и технологий невозможным. Больше всего перспектив к существенному повышению качества цифровых почвенных карт свойств поверхностного горизонта почв, меньше всего — у карт классификационных названий почв. Наличие ошибок на почвенных картах, создаваемых методами ЦПК, должно анонсироваться при создании любой почвенной карты вплоть до маскирования участков карты с максимальными ошибками.

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.

Целью работы было проведение систематического исследования и метаанализа отечественных и зарубежных данных (всего 687 точек данных) по влиянию гуминовых препаратов (ГП) на полевую урожайность. В задачи исследования входили оценка диапазона эффективности ГП (прибавка урожая, выраженная в процентах от контроля) с учетом статистической неопределенности, оцениваемой на основании абсолютного медианного отклонения, и влияния на этот показатель особенностей ГП, сельскохозяйственных культур и почвенных свойств. Было установлено, что эффективность ГП варьируется в диапазоне от –59 до 540% (среднее 18%) и характеризуется ненормальным распределением. Медианное значение эффективности ГП составило 12%; величины нижнего и верхнего квартиля 5 и 21% соответственно; неопределенность 99%. Ранговый дисперсионный анализ Краскела–Уоллиса показал, что гранулометрический состав почвы и обогащение ГП микроэлементами не являются факторами, влияющими на эффективность ГП, а значимыми факторами были: катион соли гумата, входящего в состав ГП (наименее эффективными были соли Na); способ применения ГП (наиболее эффективным было комбинированное применения путем внесения в почву и внекорневой подкормки); кислотность и гумусированность почвы (эффективность ГП была более выражена при рН выше 6,6 и содержании гумуса менее 1%). Наиболее отзывчивыми к ГП были растения семейства астровых; эффективность ГП по отношению к бобовым и пасленовым была значимо ниже. В условиях недостатка азота эффективность ГП возрастала до 22%, а в большинстве исследований, посвященных оценке влияния ГП на качество растениеводческой продукции, сообщается о росте содержания азота и/или белка. Высказано предположение, что в полевых условиях положительное действие ГП определяется главным образом их влиянием на ассимиляцию азота растениями. Полученные результаты позволяют заключить, что наиболее перспективным направлением дальнейших работ является проведение исследований, направленных на оценку эффективности ГП на фоне снижения вносимых азотных удобрений. Принимая во внимание растущую стоимость удобрений, даже небольшой эффект в этом случае может быть экономически выгодным. Дальнейшие полевые исследования должны быть направлены на поиск оптимальных условий и способов применения ГП. Возможным способом решения этих задач является установление ключевых факторов, влияющих на неопределенность данных об эффективности ГП, среди которых на основании существующих данных можно предварительно выделить способ применения ГП и почвенные условия: кислотность, содержание гумуса и доступного азота.

В работе исследуется потенциал имитационной модели продукционного процесса WOFOST для прогнозирования урожайности и оценки состояния ряда ключевых сельскохозяйственных культур России на больших территориях за пятнадцатилетний период анализа 2005–2020 гг. на основе почвенно-климатической информации. Отдельный акцент был сделан на адаптации информации из Почвенной карты под редакцией В.М. Фридланда масштаба 1:2 500 000 для обеспечения корректной работы модели. В рамках работы были получены модельные параметры среднерайонных гибридов ячменя, подсолнечника и кукурузы для нескольких сотен районов агропояса РФ, включая характеристики фенологии, фотосинтеза, дыхания и распределения ассимилятов. Параметризация осуществлялась с использованием функций потерь на основе алгоритмов Брента, Нелдера–Мида и дифференциальной эволюции для минимизации ошибок оценки урожайности. Для обеспечения параметризации и независимой оценки точности результатов набор исходных данных был поделен на обучающий набор и контрольный набор в соотношении 80:20. Районно-параметризованные модели обеспечили качественное совпадение гистограмм ошибок на обучающем и контрольном наборах с околонулевым систематическим сдвигом, при этом среднее относительное значение модуля отклонения оценки урожайности находилось в диапазоне 20–26% в зависимости от культуры. Кроме этого, было показано, что модельные оценки не только оказываются близки значениям фактической урожайности для исследуемого интервала лет, но и что модельный прогноз способен улавливать многолетние тренды динамики урожайности исследуемых культур. Наконец, на финальном этапе полученные модельные гибриды культур были использованы для оценки состояния в терминах отклонения модельной урожайности от урожайности оптимального сезона с формированием картограмм отклонений. Полученные в работе результаты могут быть использованы для информационной поддержки сельскохозяйственного сектора, включая прогнозирование урожайности и оценку состояния исследуемых ключевых культур на больших территориях с использованием имитационного моделирования, в том числе в различных климатических сценариях.