Педотрансферні функції для прогнозування вмісту органічного вуглецю в чорноземах типових і звичайних на прикладі Лівобережного Лісостепу України

Автор(и)

DOI:

https://doi.org/10.31073/acss98-02

Ключові слова:

органічний вуглець ґрунту; чорноземи типові і звичайні; педотрансферні функції

Анотація

Наразі в Україні моніторинг ґрунтів у його науковому розумінні відсутній, а реальним контролем стану ґрунтів на землях с.-г. призначення є агрохімічна сертифікація. Проте її методика не передбачає вимірювання вмісту органічного вуглецю у ґрунті (ОВҐ) і, враховуючи триваючу війну та обмежене державне фінансування, фундаментальна реформа системи моніторингу ґрунтів найближчим часом не очікується. Для подолання інформаційних прогалин щодо кількості та запасів ОВҐ вирішальне значення має моделювання на основі доступних агрохімічних показників. Метою цього дослідження є створення з використанням даних агрохімічної 

паспортизації ґрунтів та оцінка педотрансферних функцій (ПТФ) для прогнозування вмісту ОВҐ у чорноземах типових і звичайних Лівобережного Лісостепу України. Цілі дослідження: 1. З використанням сучасного аналізатора Multi EA 4000 в зразках ґрунтів, відібраних з орного горизонту, визначити вміст ОВҐ та агрохімічні показники (вміст гумусу, доступних форм фосфору та калію, лужногідролізованого азоту, pHн2о); 2. Як предиктори для моделювання серії ПТФ в цілях прогнозу вмісту ОВҐ використати вказані ґрунтові показники як окремі, так і їх поєднання; 3. Для створених варіантів ПТФ провести порівняльне оцінювання ефективності моделей з огляду на їхню прогностичну силу та пояснювальну здатність, використовуючи статистичні критерії (MAE, RMSE, NRMSE, R² та MAD); 4. Визначити можливості застосування побудованих ПТФ для практичного використання в контексті підтримки рішень щодо сталого управління ґрунтовими ресурсами. Матеріали та методи. У процесі агрохімічної сертифікації зразки ґрунтів було відібрано з верхнього (орного) горизонту (0–20 см) у межах Лівобережної височинної провінції Лісостепової зони для двох підтипів чорноземів: типовий (n = 18) та звичайний (n = 11). Окрім стандартних агрохімічних аналізів, здійснених в лабораторії Полтавської філії Державної установи «Інститут охорони ґрунтів України», у київській лабораторії цієї ж установи визначали загальний вміст вуглецю (TC), загальний вміст неорганічного вуглецю (TIC) та загальний вміст органічного вуглецю (TOC) у тих самих зразках грунтів. Вміст вуглецю визначали за допомогою аналізатора Multi EA 4000 (Jena) шляхом спалювання, під час якого вуглець окиснюється до CO₂ за різної температури в кисневій атмосфері. Загальний обсяг вивільненого вуглецю вимірювали автоматично за допомогою недисперсійного інфрачервоного детектора (NDIR). Загальний вміст органічного вуглецю (TOC) визначали як різницю між загальним вмістом вуглецю і вмістом неорганічного вуглецю: TOC = TC - TIC (г/кг ґрунту). Cтатистичний, кореляційний та регресійний аналізи проводили з використанням програми Excel для оцінювання точності моделей та узгодженості між прогнозованими та виміряними значеннями TOC. Статистично значущість відмінностей між групами прогнозованих значень вмісту TOC оцінювали за допомогою двовибіркового t-критерію з припущенням нерівних дисперсій. В оцінці узгодженості між прогнозованими та виміряними значеннями TOC використовували як статистичні показники точності, так і перевірку гіпотез. Результати та висновки. Вміст гумусу та ОВҐ (TOC) практично відповідають нормальному розподілу, що дозволяє нам правильно оцінювати довірчі інтервали та рівні значущості, застосовуючи параметричні статистичні тести. Крім того, що особливо важливо, нормальність розподілу є передумовою для надійного використання лінійної регресії. Також для обґрунтування вибору предикторів для побудови ПТФ, спрямованих на оцінку вмісту ОВҐ (TOC), були проаналізовані парні коефіцієнти кореляції між властивостями ґрунтів. Вміст гумусу не завжди був ключовим фактором, що впливає на вміст органічного вуглецю. Можливими причинами цього можуть бути: а) обмежена амплітуда вмісту гумусу у відібраних нами зразках; б) вплив мультиколінеарності, оскільки гумус достовірно корелює, наприклад, з умістом азоту, а тому втрачає своє індивідуальне значення в багатовимірній моделі; в) відсутні дані про гранулометричний склад ґрунтів, окремі фракції якого можуть мати значний вплив на органічну речовину ґрунтів. Беручи до уваги широку мінливість співвідношень TOC і гумусу, що спостерігалися в нашому дослідженні (від 0,495 до 0,92), використання звичайного коефіцієнта перетворення (0,58) для оцінки вмісту TOC на основі вмісту гумусу може призвести до суттєвих неточностей. Наші результати чітко ілюструють, що такий узагальнений підхід не відображає фактичної різноманітності складу органічної речовини ґрунтів. Це підкреслює критичну потребу в локальних дослідженнях, з урахуванням специфіки та структури ґрунтового покриву в конкретних ареалах, спрямованих на підвищення точності оцінок TOC, особливо в контексті моделювання запасів вуглецю та програми кліматично розумного управління ґрунтами. Прогнозовані значення вмісту TOC з використанням створених нами ПТФ можна вважати статистично взаємозамінними зі спостережуваними в протестованих умовах, що підтверджує адекватність створених нами моделей для практичного застосування в оцінці вмісту TOC. Враховуючи відсутність зміщення та прийнятні рівні похибки прогнозування (NRMSE <10 % для всіх моделей), протестовані ПТФ можуть бути надійно використані для оцінювання TOC у програмах моніторингу орних грунтів з наступною оцінкою запасів TOC, у плануванні заходів вуглецевого землеробства та вуглецевої сертифікації, особливо якщо за використання ПТФ будуть враховані конкретні таксони ґрунтів. Рішення про вибір моделі для прогнозування вмісту TOC є прерогативою дослідника. Наше бачення практичного використання змодельованих ПТФ є таким: якщо бракує точної інформації про класифікаційну приналежність ґрунтів, доцільно використовувати створену нами ПТФ3: TOC (г/кг) = 11,0 + 2,394Гумус - 0,049P + 0,065К; якщо точно визначено тип ґрунту, то для чорноземів типових оптимальним варіантом буде ПТФ5: TOC (г/кг) = 32,1 + 1,21Гумус + 0,0017N + 0,088K - 0,085P - 2,71pH, а для чорноземів звичайних — ПТФ7: TOC (г/кг) = 15,4 + 1,81Гумус. Вказані пропозиції не виключають можливості використання всіх створених нами ПТФ. Запропоновані моделі мають певні обмеження: 1) наша вибірка стосувалася двох підтипів ґрунтів у конкретних умовах, що може вплинути на зовнішню валідність моделей; 2)  чинником, що звужує репрезентативність ПТФ, є якість вхідних даних, як зі сторони точності лабораторних вимірювань, так і щодо репрезентативності ґрунтових зразків. Змодельовані результати необхідно інтерпретувати з урахуванням існуючих обмежень у застосуванні ПТФ.

Посилання

Kaur, M., Nagabhooshanam, N., & Sharma, P. (2024). Quantifying the carbon sequestration potential of different soil management practices aimed at increasing organic content in soil and reducing the usage of chemical inputs. Global NEST Journal, 26(7). https://doi.org/10.30955/gnj.05932

Campos‐Cáliz, A., Valencia, E, Plaza, C., Garland, G., Edlinger, A., Herzog, C., … García-Palacios, P. (2024). The positive effects of soil organic carbon on European cereal yields level off at 1.4 %. Journal of Sustainable Agriculture and Environment, 3, e70017. https://doi.org/10.1002/sae2.70017

Xie, E., Chen, J., Peng, Y., Yan, G., & Zhao, Y. (2024). Historical and future dynamics of cropland soil organic carbon stocks in an intensive human-impacted area of southeastern China. Agriculture, Ecosystems & Environment, 372, 109098. https://doi.org/10.1016/j.agee.2024.109098

Colombi, T., Walder, F., Büchi, L., Sommer, M., Liu, K., Six, J., … Keller, T. (2019). On-farm study reveals positive relationship between gas transport capacity and organic carbon content in arable soil. SOIL, 5(1), 91–105. https://doi.org/10.5194/soil-5-91-2019

Körschens, M. (2002). Importance of soil organic matter (SOM) for biomass production and environment: A review. Archives of Agronomy and Soil Science, 48(2), 89–94. https://doi.org/10.1080/03650340214162

Kanaujia, A., Gupta, J., Banerjee, S., & Malik, S. (2022). Correlation of organic carbon content of soil on paddy productivity: A case study. International Journal of Advances in Agricultural Science & Technology, 9(3), 43–46. https://doi.org/10.47856/ijaast.2022.v09i03.003

Chatterjee, A. Lal, R., Wielopolski, L., Martin, M. Z. & Ebinger, M. H. (2009). Evaluation of different soil carbon determination methods. Critical Reviews in Plant Sciences, 28(3), 164–178. https://doi.org/10.1080/07352680902776556

Abu El Haija, K., Chiang, Y. W., & Dos Santos, R. M. (2024). On-site determination of soil organic carbon content: A photocatalytic approach. Clean Technologies, 6(2), 784–801. https://doi.org/10.3390/cleantechnol6020040

Berthelin, J., Laba, M., Lemaire, G., Powison, D., Tessier, D., Wander, M., & Baveye, P. C. (2022). Soil carbon sequestration for climate change mitigation: Mineralization kinetics of organic inputs as an overlooked limitation. European Journal of Soil Science, 73(1). https://doi.org/10.1111/ejss.13221

Zhao, T., Kubota, H., Hernandez-Ramirez, G. (2024). Contrasting soil organic carbon concentrations and mass storage between conventional farming and organic farming: A meta-analysis. Sustainability, 16(24), 11260. https://doi.org/10.3390/su162411260

Pulleman, M. M., Jongmans, A. G., Marinissen, J. C. Y., & Bouma, J. (2003). Effects of organic versus conventional arable farming on soil structure and organic matter dynamics in a marine loam in the Netherlands. Soil Use and Management, 19(2), 157-165. https://doi.org/10.1079/SUM2003183

Sheoran, S., Meena, R. S., & Sharma, D. K. (2019). Impact of organic and conventional farming practices on soil quality: A global review. Applied Ecology and Environmental Research, 17(1), 951-968. https://doi.org/10.15666/aeer/1701_951968

Segura, C., Neal, A. L., Castro-Sardiňa, L., Harris, P., Rivero, M. J., Cardenas, L.M., & Irisarri, J. G. N. (2024). Comparison of direct and indirect soil organic carbon prediction at farm field scale. Journal of Environmental Management, 365, 121573. https://doi.org/10.1016/j.jenvman.2024.121573

Wadoux, A. M. J.-C., Minasny, B., McBratney, A. B. (2020). Machine learning for digital soil mapping: Applications, challenges and suggested solutions. Earth-Science Reviews, 210, 103359. https://doi.org/10.1016/j.earscirev.2020.103359

Fernandez-Ugalde, O., Tóth, G. (2017). Pedotransfer functions for predicting organic carbon in subsurface horizons of European soils. European Journal of Soil Science, 68, 716–725. https://doi.org/10.1111/ejss.12464

Benke, K. K., Norng, S., Robinson, N. J., Chia, K., Rees, D. B., & Hopley, J. (2020). Development of pedotransfer functions by machine learning for prediction of soil electrical conductivity and organic carbon content. Geoderma, 366, 114210. https://doi.org/10.1016/j.geoderma.2020.114210

Xu, L., He, N. P., Yu, G. R., Wen, D., Gao, Y., & He, H. L. (2015). Differences in pedotransfer functions of bulk density lead to high uncertainty in soil organic carbon estimation at regional scales: Evidence from Chinese terrestrial ecosystems. Journal of Geophysical Research: Biogeosciences, 120(8), 1567-1575. https://doi.org/10.1002/2015JG002929

Hateffard, F., Szatmári, G., & Novák, T. (2023). Applicability of machine learning models for predicting soil organic carbon content and bulk density under different soil conditions. Soil Science Annual, 74(1), 165879. https://doi.org/10.37501/soilsa/165879

Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7, 1247-1250. https://doi.org/10.5194/gmd-7-1247-2014

Hodson, T. O. (2022). Root-mean-square error (RMSE) or mean absolute error (MAE): When to use them or not. Geoscientific Model Development, 15, 5481–5487. https://doi.org/10.5194/gmd-15-5481-2022

Auzzas, A., Carpa, G. F., Jani, A. D., & Ganga, A. (2024). An improved digital soil mapping approach to predict total N by combining machine learning algorithms and open environmental data. Modeling Earth Systems and Environment, 10, 6519–6538. https://doi.org/10.1007/s40808-024-02127-8

Dangal, S. R. S., Sanderman, J., Wills, S., & Ramirez-Lopez, L. (2019). Accurate and precise prediction of soil properties from a large mid-infrared spectral library. Soil Systems, 3(1), 11. https://doi.org/10.3390/soilsystems3010011

Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, e623. https://doi.org/10.7717/peerj-cs.623

Voltr, V., Menšík, L., Hlisnikovský, L., Hruška, M., Pokorný, E., & Pospíšilová, L. (2021). The soil organic matter in connection with soil properties and soil inputs. Agronomy, 11, 779. https://doi.org/10.3390/agronomy11040779

Zhang, H. Wu, P., Yin, A., Yang, X., Zhang, M., & Gao, C. (2017). Prediction of soil organic carbon in an intensively managed reclamation zone of eastern China: A comparison of multiple linear regressions and the random forest model. Science of the Total Environment, 592, 704–713. https://doi.org/10.1016/j.scitotenv.2017.02.146

Ribeiro, S. G., Oliveira, M., Lopes, L. M., Costa, M. C. G., Toma, R. S., Araújo, I. C. S., … Teixeira, A. S. (2023). Reflectance spectroscopy in the prediction of soil organic carbon associated with humic substances. Revista Brasileira de Ciência do Solo, 47, e0220143. https://doi.org/10.36783/18069657rbcs20220143

John, K., Abraham Isong, I., Michael Kebonye, N., Okon Ayito, E., Chapman Agyeman, P., & Marcus Afu, S. (2020). Using machine learning algorithms to estimate soil organic carbon variability with environmental variables and soil nutrient indicators in an alluvial soil. Land, 9, 487. https://doi.org/10.3390/land9120487

Ťupek, B., Ortiz, C. A., Hashimoto, S., Stendahl, J., Dahlgren, J., Karltun, E., & Lehtonen, A. (2016). Underestimation of Boreal Soil Carbon Stocks by Mathematical Soil Carbon Models Linked to Soil Nutrient Status. Biogeosciences, 13, 4439–4459. https://doi.org/10.5194/bg-13-4439-2016

Lal, R. (2008). Carbon sequestration. Philosophical Transactions of the Royal Society: Biological Sciences, 363(1492), 815-830. https://doi.org/10.1098/rstb.2007.2185

Lal, R. (2015). Restoring Soil Quality to Mitigate Soil Degradation. Sustainability, 7, 5875-5895. https://doi:10.3390/su7055875

Klaus, L., Lal, R., Ehlers, K. (2019). Soil organic carbon stock as an indicator for monitoring land and soil degradation in relation to United Nations' Sustainable Development Goals. Land Degradation & Development, 30(7), 824-838. https: //doi.org: 10.1002/ldr.3270

Romanova, S., Dmytruk, Y., Zhukova, Y. (2024). Soil monitoring infrastructure in response to war. International Journal of Environmental Studies, 81(1), 189–198. https://doi.org/10.1080/00207233.2024.2314892

Yatsuk, I. P., Balyuk, S. A. (Eds.). (2019). Methodology for Agricultural Chemical Certification of Agricultural Land: Guidance Document. Kyiv [In Ukrainian].

Haddaway, N. R., Hedlund, K., Jackson, L. E., Kätterer, T., Lugato, E., Thomsen, I. K., … Isberg, P.-E. (2017). How does tillage intensity affect soil organic carbon? A systematic review. Environmental Evidence, 6:30. https://doi.org/10.1186/s13750-017-0108-9

Nocita, M., Stevens, A., Toth, G., Panagos, P., Wesemael, B., & Montanarella, L. (2014). Prediction of soil organic carbon content by diffuse reflectance spectroscopy using a local partial least square regression approach. Soil Biology and Biochemistry, 68, 337-347. https://doi.org/10.1016/j.soilbio.2013.10.022

Grunwald, S., Congrong, Y.U., & Xiong, X. (2018). Transferability and Scalability of Soil Total Carbon Prediction Models in Florida, USA. Pedosphere, 28(6), 856-872. https://doi.org/10.1016/S1002-0160(18)60048-7

Willmott, C. J. & Matsuura, K. (2005). Advantages of the Mean Absolute Error (MAE) over the Root Mean Square Error (RMSE) in Assessing Average Model Performance. Climate Research, 30, 79-82. http://dx.doi.org/10.3354/cr030079

Minasny, B., McBratney, A. B., Malone, B. P., & Wheeler, I. (2013). Chapter One – Digital Mapping of Soil Carbon. Advances in Agronomy, 118, 1-47. https://doi.org/10.1016/B978-0-12-405942-9.00001-3

Jensen, J. L., Christensen, B. T., Schjønning, P., Watts, C. W., & Munkholm, L. J. (2018). Converting loss-on-ignition to organic carbon content in arable topsoil: pitfalls and proposed procedure. The European Journal of Soil Science, 69(4), 604-612. https://doi.org/10.1111/ejss.12558

Prout, J. M., Shepherd, K. D., McGrath, S. P., Kirk, G. J. D., & Haefele, S. M. (2021). What is a good level of soil organic matter? An index based on organic carbon to clay ratio. The European Journal of Soil Science, 72(6), 2493-2503. https://doi.org/10.1111/ejss.13012

Six, J. Conant, R. T., Paul, E. A. & Paustian, K. (2002). Stabilization Mechanisms of Soil Organic Matter: Implications for C-Saturation of Soils. Plant Soil, 241, 155-176. https://doi.org/10.1023/A:1016125726789

Wiesmeier, M., Urbanski, L., Hobley, E., Lang, B., Lützow, M., Marin-Spiotta, E. … Kögel-Knabner, I. (2019) Soil organic carbon storage as a key function of soils – A review of drivers and indicators at various scales. Geoderma, 333, 149-162. https://doi.org/10.1016/j.geoderma.2018.07.026

Завантаження

Опубліковано

2025-07-01

Як цитувати

Дмитрук, Ю. М., Паламарчук, Р. П., Жукова, Я. Ф., & Степаненко, Н. В. (2025). Педотрансферні функції для прогнозування вмісту органічного вуглецю в чорноземах типових і звичайних на прикладі Лівобережного Лісостепу України. Агрохімія і ґрунтознавство, 98, 19-35. https://doi.org/10.31073/acss98-02