Creating accurate digital maps of the agrochemical properties of soils on a field scale with a limited data set is a problem that slows down the introduction of precision farming. The use of machine learning methods based on the use of direct and indirect predictors of spatial changes in the agrochemical properties of soils is promising. Spectral indicators of open soil based on remote sensing data, as well as soil properties, were used to create digital maps of available forms of nitrogen, phosphorus, and potassium. It was shown that machine learning methods based on support vectors (SVMr) and random forest (RF) using spectral reflectance data are similarly accurate at spatial prediction. An acceptable prediction was obtained for available nitrogen and available potassium; the variability of available phosphorus was modeled less accurately. The coefficient of determination (R2) of the best model for nitrogen is R2SVMr = 0.90 (Landsat 8 OLI) and R2SVMr = 0.79 (Sentinel 2), for potassium—R2SVMr = 0.82 (Landsat 8 OLI) and R2SVMr = 0.77 (Sentinel 2), for phosphorus—R2SVMr = 0.68 (Landsat 8 OLI), R2SVMr = 0.64 (Sentinel 2). The models based on remote sensing data were refined when soil organic matter (SOC) and fractions of texture (Silt, Clay) were included as predictors. The SVMr models were the most accurate. For Landsat 8 OLI, the SVMr model has a R2 value: nitrogen—R2 = 0.95, potassium—R2 = 0.89 and phosphorus—R2 = 0.65. Based on Sentinel 2, nitrogen—R2 = 0.92, potassium—R2 = 0.88, phosphorus—R2 = 0.72. The spatial prediction of nitrogen content is influenced by SOC, potassium—by SOC and texture, phosphorus—by texture. The validation of the final models was carried out on an independent sample on soils from a chernozem zone. For nitrogen based on Landsat 8 OLI R2 = 0.88, for potassium R2 = 0.65, and for phosphorus R2 = 0.31. Based on Sentinel 2, for nitrogen R2 = 0.85, for potassium R2 = 0.62, and for phosphorus R2 = 0.71. The inclusion of SOC and texture in remote sensing-based machine learning models makes it possible to improve the spatial prediction of nitrogen, phosphorus and potassium availability of soils in chernozem zones and can potentially be widely used to create digital agrochemical maps on the scale of a single field.

To create maps of the available forms of nutrients in arable land for implementation of systems of mineral fertilizers differential application, various approaches of interpolation by the ordinary kriging method were used. Maps of the availability were built according to the agrochemical analysis of mixed samples compiled from elementary plots of 5 ha. In the first case, the result of the agrochemical analysis was tied to the centroids of the elementary plots, and the interpolation was carried out using point ordinary kriging. In the second case, the indicator value was attached to blocks corresponding to the area of elementary sites. In this case, the interpolated cards were obtained using block kriging. It was shown that the application of various approaches to interpolation gives similar maps of spatial distribution. At the same time, maps obtained by ordinary point kriging are characterized by a more accurate forecast compared to maps obtained using block kriging. Therefore, the construction of interpolated maps of the availability of arable lands with nutrients based on the results of agrochemical analysis of mixed samples with data binding to the centroids of the sampling cells and compiling the combined samples is more preferable.

No abstract

1 Казанский (Приволжский) федеральный университет, г. Казань, 420008, Россия 2 Институт проблем экологии и недропользования Академии наук Республики Татарстан, г. Казань, 420087, Россия Аннотация В отобранных послойно (через 5 см) образцах из старопахотного горизонта залежных светло-серых лесных почв определяли содержание органического вещества (ОВ) и плотность сложения для расчета запасов гумуса. Образцы отбирались из 50 точек пробоотбора, распределенных на участке исследования по стратифицированной рандомизованной схеме. Расчет запасов гумуса проводили с использованием геостатистических методов интерполяции с учетом пространственной горизонтальной и вертикальной изменчивости содержания ОВ в старопахотном горизонте, его плотности сложения и мощности. Установлено, что накопление почвенного органического вещества под залежами происходит преимущественно в верхней части старопахотного горизонта, а количество накопленного за 15 лет нахождения под залежной растительностью гумуса составляет 21% от его общего запаса. В работе описаны также методические аспекты отбора почвенных проб, позволяющие получить несмещенную оценку запасов гумуса.Ключевые слова: залежные почвы, запасы органического вещества, геостатистика Введение К.Г. ГИНИЯТУЛЛИН и др. 276 с пашни на естественные ценозы или кормовые угодья может осуществляться в форме как увеличения запасов почвенного органического вещества (ПОВ), так и накопления ОВ в надземной и подземной фитомассе [3][4][5]. Если общее накопление углерода в залежных почвах принимается большинством авторов, то отношение к изменению запасов собственно ПОВ не столь однозначно. В работе [5] на основании мета-анализа литературных источников было показано, что при естественном зарастании пашни лесом запас ПОВ увеличивается на 53%, при переводе в пастбища -на 19%. Увеличение запасов ОВ отмечалось в залежных серых лесных почвах [7, 8], в дерново-подзолистых [9], а также в черноземах под луговой растительностью, при небольшом падении на ранних стадиях сукцессий [6]. В работе [10] также отмечается накопление органического углерода для ряда зональных почв России от дерново-подзолистых до каштановых, при этом скорость накопления была максимальна в первые 15 лет. В отдельных работах отмечается [11, 12], что при зарастании пашни лесом происходит не только увеличение содеожания гумуса, но и изменение его качественного состава.Существуют исследования, в которых отмечается ухудшение гумусного состояния окультуренных пахотных почв под залежами [13]. Уменьшение запасов гумуса в слое 0-50 см в залежных почвах южной тайги в течение первых 55 лет было отмечено в работе [14]. Рядом исследователей указывается на отсутствие статистически значимого изменения запасов ПОВ под залежами. Так в [15] не было выявлено значимого изменения запасов гумуса в слое 0-50 см даже при наблюдаемой дифференциации старопахотного горизонта по его содержанию.Известно мнение, что изменение гумусного состояния почв под залежами протекает разнонаправлено и зависит от ряда факторов: биоклиматических условий, типа и свойств почвы, истории...

No abstract