920
.pdfYe.V. Konontseva, Ye.G. Pivovarova, Zh. G. Khludenzov
Altai SAU, Barnaul, Russia
MATHEMATICAL MODELING OF DIAGNOSTICS OF CENTRAL IMAGES OF CHERNOZEMS AND CARBONATE CHERNOZEMS SOILS OF THE ARID STEPPE OF THE ALTAI REGION
Abstract. An information-logical model for the diagnosis of central images has been developed regional soils (chernozems) of the arid steppe of the Altai region, taking into account the taxonomic weight of diagnostic features in accordance with the profile and genetic and substantive genetic classification of soils, it can be used to diagnose soils and monitor their agroecological state.
Keywords: diagnostic feature, moderately arid steppe, ordinary chernozems, taxonomic weight, mathematical model.
References
1.Agroclimatic resources of the Altai region (without the Altai Autonomous Region) [Text]. - L.: Gidrometeoizdat, 1971. – 155 p.
2.Gerasimova M.I. Soil-formin processes and the concept of elementary soil-forming processes in modern soil classifications [Text] / M.I Gerasimova // Byulleten' Pochvennogo instituta im. V.V. Dokuchaeva. Vyp. 81. – M., 2015 S. 91-101.
3.Klassifikaciya i diagnostika pochv Rossii [Tekst] / Avtory i sostaviteli: L.L.SHishov, V.D. Tonkonogov. I.I. Lebedeva, M.I. Gerasimova. – Smolensk: Ojkumena. 2004. – 342 p.
4.Classification and diagnosis of Russian soils [Text]. – M: Kolos, 1977. – 223p.
5.Pivovarova E.G. Agrochemical indicators system in the regional soil classification of the Altai region [Text] / E.G. Pivovarova, E.V. Kononceva, ZH.G. Hludencov, E.S. Popova // Vestnik Altajskogo gosudarstvennogo agrarnogo universiteta. – Barnaul: Izd-vo AGAU, 2018. - № 8(166). – P. 40-47.
6.Puzachenko YU.G. Vozmozhnosti primeneniya informacionno-logicheskogo analiza pri izuchenii pochvy na primere ee vlazhnosti [Tekst]/ YU.G. Puzachenko // V kn.: Zakonomernosti prostranstvennogo var'irovaniya svojstv pochv i informacionno-statisticheskie metody ih izucheniya.//Karpachevskij L.O., Vznuzdaev N.A.//M.: Nauka, 1970. – S. 103-121.
7.Rozhkov V.A. Formal soil classification apparatus [Text] / V.A. Rozhkov // Pochvovedenie. 2011. № 12. P. 1411–1424.
8.Sokolov I.A. Theoretical problems of genetic soil science [Text] / I.A. Sokolov. Novosibirsk, 2004. 296 p.
9.Cline M.G. Logic of new system of soil classification // Soil Sci. 1963. Vol. 96(1). R. 17-22.
УДК 635.37
С.В.Макарычев, С.Ю. Бондаренко ФГБОУ ВО Алтайский ГАУ, Барнаул, Россия e-mail: makarychev1949@mail.ru
МОДЕЛИРОВАНИЕ ГИДРОТЕРМИЧЕСКИХ РЕЖИМОВ В ПОЧВАХ
Аннотация. Решение поставленной задачи основано на электромоделировании тепловых процессов с помощью аналогий. При этом теплопроводности соответствует электросопротивление, теплоемкости - электроемкость, градиенту температур - напряжение. Полученная база данных по температуре в почвенном профиле при использовании разработанной программы позволяет моделировать процессы теплообмена и представлять их в 3D-режиме.
Ключевые слова: модель, температура, влажность, режим, теплообмен, теплопроводность.
350
Понятие «гидротермический режим» определяется как пространственное и временное распределение температуры и влажности в почвенном профиле. За более чем столетний период накоплен и обобщен обширный объем сведений о режимах температуры и влагосодержания, что нашло свое отражение в работах многих авторов [1, 2, 3].
Сначала двухтысячных годов на кафедре физики АГАУ проводятся комплексные исследования тепло- и гидрофизического состояния почв разного генезиса с целью последующей разработки моделей теплопереноса и влагопереноса, графического построения гидротермических полей во времени и пространстве.
Сцелью решения этих задач рассмотрим возможность моделирования температурного поля в почвенном профиле. Основой для этого процесса могут служить уравнение Фурье [1] для теплопереноса. Аналогично возможно моделирование влагопереноса с использованием уравнения Дарси [3].
Характер теплового поля зависит, прежде всего, от градиента температур поверхности почвы и температуры воздуха на некоторой высоте. Конвективный теплообмен при свободной конвекции определяется следующим произведением чисел подобия:
|
|
m |
в |
|
Nu A Gr *Pr |
|
|
Pr |
|
в |
в |
|
|
Pr |
|
|
|
||
|
|
|
н |
|
|
0,25 |
|
|
|
|
|
|
,
где: А и m – численные параметры, Nu – число Нуссельта, Gr – число Грасгофа, Pr
– число Прандтля.
Индексы н и в относятся соответственно к теплоносителю в контактном слое с поверхностью и теплоносителю, который удален на значительное расстояние. Зная выражения для чисел Нуссельта, Грасгофа и Прандтля, коэффициент теплоотдачи, можно найти из уравнения:
g Тl |
3 |
c |
|
|
m |
|
|
с |
|
|
|
|
|
|
|
0,25 |
|||||
|
|
|
|
|
|
|
|
||||||||||||||
|
|
в |
|
|
в |
|
|
|
н |
, |
|||||||||||
|
в |
|
|
|
|
|
|
|
|
|
в |
|
|
в |
|
|
|||||
А |
|
|
|
|
|
|
p |
|
|
* |
|
р |
|
* |
|
|
|||||
|
|
|
в |
|
в |
|
|
|
|
н |
с |
н |
|
н |
|
|
в |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
р |
|
|
|
|
|
||||||
где: – коэффициент теплоотдачи; λн – коэффициент теплопроводности; l – геометрический размер модели; g – ускорение свободного падения; β – температурный коэффициент объемного расширения; ∆Т – градиент температуры; ν – коэффициент кинематической вязкости; а – температуропроводность; ср и ρ – соответственно теплоемкость и плотность.
Решение поставленной задачи основано на электромоделировании тепловых процессов с помощью аналогий. Из сравнения обобщенных зависимостей нестационарного теплового процесса с соответствующими зависимостями переходного электрического процесса можно установить, что если соблюдены условия подобия, то каждой тепловой величине соответствует аналогичная ей величина в электрической цепи, составленной из сопротивлений и емкостей [4, 5]. Здесь теплопроводности соответствует электрическое сопротивление, теплоемкости - электроемкость, градиенту температур - напряжение.
Рассмотрим неустановившийся электрический процесс, проходящий во времени t в электрической решетке, состоящей из активных сопротивлений R и емкостей С (рис. 1).
351
Рисунок 1. Элемент замещения элементарного объема слоя почвы
Будем считать, что такая электрическая решетка является элементом замещения элементарного объема слоя почвы. При этом переменные координат X; Y; Z являются независимыми и рассматриваются только в определенных равноотстоящих узловых точках решетки. Расстояние между узловыми точками примем равными X; Y; Z.
Пусть распределение напряжений U в узлах электрической решетки описывается некоторой функцией координат сплошной проводящей среды, которую электрическая решетка замещает. Напряжения в узлах 0-6 можно записать в следующее виде:
Узел 0 (центр решетки): U (X;Y;Z),
Узлы 1: U (X- X;Y;Z), 2: U (X+ΔX;Y;Z), 3: U (X;Y- Y;Z), 4: U (X;Y+ΔY;Z), 5: U (X;Y;Z- Z), 6: U (X;Y;Z+ΔZ).
Проводимости элементов gk0 (k=1, 2, 3, 4, 5, 6), включенных между узлом 0 и смежными узлами сетки, выражаются через удельную проводимость среды γ.
Зная выражения для токов в центральном узле и разлагая полученную систему уравнений в ряд Тейлора, получим, что ток, протекающий в емкости, равен:
i |
C |
u |
|
|
( X ;Y ; Z ) |
U |
|
X Y Z С |
|
||||
c |
|
t |
|
0 |
|
t |
|
|
|
|
|
||
где С0 – емкость единицы объема с координатами (X,Y,Z).
,
Согласно первому закону Кирхгофа для узла 0: получим:
k
ik
i 1
|
|
|
|
U |
|
|
X Y Z |
|
|
x |
|
|
|
|
Y |
|||||
|
X |
|
X |
|
||
|
y |
U |
|
|
|
z |
|
|
|
|
|||
|
||||||
|
|
Y |
|
Z |
|
|
U |
С0 |
U |
0 |
|
|
||
Z |
|
t |
|
Учитывая симметричность модели, и помещая т. 0 в геометрическом центре, с учетом того, что проводимости в направлении координатных осей равны между собой получим:
|
2U |
|
|
2U |
|
2U |
|
С0 U |
||||||
|
|
2 |
|
|
|
2 |
|
|
|
2 |
|
|
|
|
|
|
|
|
|
||||||||||
|
X |
|
|
Y |
|
|
Z |
|
|
f ( xy ) t |
||||
|
|
|
|
|
|
|
|
|
|
|||||
352
Для точного определения параметров этой функции были проведены экспериментальные исследования температурного поля на почвенном слое с конкретными теплофизическими характеристиками. Для обработки полученных экспериментальных данных по температуре нами была создана компьютерная программа, написанная на языке LISP на графической платформе AutoCAD. Программа позволяет визуально наблюдать форму температурных и влажностных полей в 3D-ре- жиме и получать данные о любой точке поля.
Для построения температурного поля программа использует метод математического планирования эксперимента (МПЭ). При этом экспериментатор должен четко определить объем и содержание информации, которую необходимо извлечь из экспериментальных данных, а также целесообразность и возможность применения МПЭ для конкретных условий.
Используемые программой методы МПЭ, позволяют одновременно, варьируя несколькими значениями независимых переменных (глубина, время, температура) на основании опытных и расчетных данных получить данные для математической модели исследуемых зависимостей температуры от времени и глубины.
Описанный выше метод расчета позволяет рассчитать температуру в конкретном почвенном профиле, исходя из температуры воздуха за определенный период времени. Для нахождения промежуточных значений программа использует количественную зависимость в виде полинома второго порядка. При расчете кривой построения программа выбирает оптимальные значения факторов в пределах области варьирования, что позволяет получить наиболее вероятные значения определяемых параметров. Для построения промежуточных точек поля программа интегрирует температуру или влажность по полусфере, окружающей точку, если она лежит на поверхности, или по сфере, если находится на глубине более дискретности вычислений. Для построения интегралов температур используются функции, описывающие три основных компоненты, формирующие температуру - теплопроводности, конвекции и лучевой составляющей. Однако, точное аналитическое решение таких интегралов во многих точках невозможно. В таком случае программа использует численные методы, аналогичные методу Монте-Карло, который позволяет вычислить значение интеграла как сумму небольшого количества значений подинтегральных функций, выбранных случайным образом.
Изменение некоторых факторов, от которых зависит искомая величина между двумя точками с точно определенными в результате эксперимента данными, носит случайный характер, что, в свою очередь, не позволяет точно предсказать ее значение. Поэтому, какое именно событие произойдет (увеличение или уменьшение величины) в точке, ближайшей к «известной», в случае невозможности ее определения, зависит от генератора случайных чисел, использующего сумму коэффициентов трех основных компонент, формирующих температуру.
Корректная работа программы обеспечивается большим количеством экспериментальных данных, от числа которых зависит точность построения.
На рисунке 2 представлен результат работы программы по построению трехмерного температурного поля и сечения по изотермам. Несмотря на то, что измерения температур проводились 2 раза в месяц, программа с помощью МПЭ просчитывает промежуточные точки и строит непрерывные поля и изолинии. При этом можно построить температурное поле, развернутое во времени и пространстве.
Данный способ «целостного» построения температурных полей позволил проанализировать их и найти закономерности распределения тепла в почве.
353
Работа программы апробирована на выщелоченных черноземах в условиях плодового сада. Температура измерялась зимой и летом в 13 часов дня.
Анализ ряда полученных температурных полей показывает (рис. 2), что на глубине 0-10 см распределение температур имеет вероятностный характер, следуя за температурой воздуха.
При увеличении глубины распределение становится более упорядоченным и математически предсказуемым, постепенно формируясь в семейство парабол, соединенных наподобие синусоиды. Начиная с глубины 50 см и глубже, распределение температуры носит ярко выраженный параболический характер.
Расстояние между двумя точками параболы с одинаковой амплитудой при увеличении глубины возрастает и на глубине около 1 м достигает 0,5 года. Одновременно с увеличением глубины происходит сдвиг фаз (вершин парабол).
Если рассматривать график зависимости сдвига фаз от глубины, то он, в
свою очередь, является квадратичной зависимостью вида: графиком которой тоже является кривая, близкая к параболе.
kx2
Функция
bx c ,
, опре-
деляющая сдвиг фаз температурных колебаний практически описывает процесс теплопередачи в почве.
Рисунок 2. Температурное поле в профиле чернозема выщелоченного в 2004-2006 гг.
Кроме того, сравнительный анализ результатов круглогодичных наблюдений в условиях плодового сада указывает на значительное влияние зимнего мерзлотного режима чернозема на характер изменений его теплового состояния в весеннелетний период. Особая роль в этом принадлежит снежному покрову, который препятствует проникновению в почву отрицательных температур, не давая им опуститься ниже -100С уже в верхнем 20-ти сантиметровом слое.
В заключение следует отметить, что полученная база данных по температуре в почвенном профиле при использовании разработанной нами программы позволяет не только моделировать процессы теплообмена, но и дает возможность прогнозировать тепловое состояние почвенного профиля, используя температуру поверхности
354
почвы. Аналогичная модель может быть использована и для распределения почвенной влажности во времени и пространстве.
Литература
1.Макарычев С.В. Теплофизические свойства почв Юго-Западной Сибири: дисс. д-ра биол. наук / С.В. Макарычев. - М., 1993. – 378 с.
2.Шеин Е.В., Болотов А.Г., Мазиров М.А., Мартынов А.И. Моделирование теплового режима почвы по амплитуде температуры приземного воздуха // Земледелие. – 2017. – № 7. – С. 26-28.
3.Bolotov A.G., Shein E.V., Makarychev S.V. 2019. Water retention capacity of soils in the Altai Region // Eurasian Soil Science. Vol. 52. No. 2. pp. 187–192.
4.Коздоба Л.А. Электрическое моделирование явлений тепло- и массопереноса. – М.: Энергия, 1972.
5.Кузьмин М.П. Электромоделирование некоторых нестационарных тепловых процессов. – М.-Л.: Энергия, 1964. – 117с.
S.V. Makarychev, S.Yu. Bondarenko
Altai SAU, Barnaul, Russia
MODELING OF HYDROTHERMAL REGIMES IN SOILS
Abstract. The solution of this problem is based on the electrical modeling of thermal processes by using analogies. In this case, the thermal conductivity corresponds to electrical resistance, thermal capacity corresponds to electrical capacity, and temperature gradient
– to voltage. When the developed program is used, the obtained database on the temperatures in the soil profile enables simulating heat transfer processes and representing them in 3D-mode.
Keywords: model, temperature, moisture content, regime, heat exchange, thermal conductivity.
References
1.Makarychev S.V. Thermo-physical properties of soils of South-Western Siberia: Thesis of Dr. Bio. Sciences. Moscow, 1993. 378 p.
2.Shein Ye.V. Modeling of soil thermal regime by surface air temperature amplitude / Ye.V. Shein, A.G. Bolotov, M.A. Mazirov, A.I. Martynov // Agriculture. 2017. No. 7. P. 26-28.
3.Bolotov A.G., Shein E.V., Makarychev S.V. 2019. Water retention
capacity of soils in the Altai Region // Eurasian Soil Science. Vol. 52. No. 2. pp. 187–192.
4.Kozdoba L.A. Electrical modeling of heat and mass transfer phenomena. Moscow: Energiya Publ., 1972.
124p.
5.Kuzmin M.P. Electrical modeling of some non-stationary thermal processes. Moscow-Leningrad: Energiya Publ., 1964. 117 p.
УДК 631.4
Ю.Л. Мешалкина1,2, В.П. Самсонова1
1Факультет почвоведения МГУ имени М.В. Ломоносова, Москва, Россия
2Кафедра экологии РГАУ-МСХА имени К.А. Тимирязева, Москва, Россия e-mail: jlmesh@list.ru, vkbun@mail.ru
ОЦЕНКА НЕОПРЕДЕЛЕННОСТИ КАРТОГРАММ ДЛЯ ПОЧВЕННЫХ СВОЙСТВ С РАЗНЫМ ВАРЬИРОВАНИЕМ
НА МАЛЫХ РАССТОЯНИЯХ
Аннотация. Проверка устойчивости вариограмм и картограмм проводилась на территории Брянского ополья. Картограммы были построены методом ординарного кригинга и методом обратных расстояний. Сравнение картограмм показало, что для обоих методов наблюдаются аналогичные зависимости.
355
Ключевые слова: Брянское ополье, агросерые (лесные) почвы, влияние объема выборки, семивариограмма, сравнение картограмм
Картирование пространственной изменчивости почвенных свойств на некоторой территории обычно осуществляется на основе выборочных данных. Наиболее распространенными методами построения картограмм почвенных свойств являются метод обратных расстояний и ординарный кригинг. Перед проведением ординарного кригинга строится специальный график, называемый семивариограммой.
Семивариограмма (обозначается γ (h)) характеризует зависимость среднего квадрата разности значений изучаемого показателя от расстояния между точками опробования, в которых эти значения измерены. На рисунке показана модель транзитивной семивариограммы. Максимальное значение функции γ (h), если семивариограммы транзитивна, называют порогом, величина которого должна примерно соответствовать дисперсии случайной величины. Рангом (R) называют расстояние между точками (h), начиная с которого значение функции γ(h) не изменяется. Ранг определяет размеры однородных структур, выделяемых в почвенном покрове. Когда расстояние между точками (h) стремится к нулю, значение γ (h) приближается к некоторому значению, называемому «наггет-эффект» (или «эффект самородка») и обозначается С0. В него входит варьирование случайной величины на расстояниях меньших, чем шаг, использованный в модели, а также варьирование, связанное с аналитическими ошибками. Разница между порогом и «наггет-эффектом» обозначается С1.
Высокая стоимость первичной информации обуславливает желание многих исследователей ограничить число точек, в которых отбираются образцы, по данным, полученным из которым, затем строятся картограммы почвенных свойств. Цель данной работы состоит в том, чтобы оценить неопределенность результатов, связанную с количеством отбираемых образцов, по которым затем строится картограмма.
Проверка устойчивости семивариограмм и картограмм проводилась на территории Брянского ополья, история сельскохозяйственного использования которого охватывает более 100 лет. Почвенный покров территории является комплексным: основным почвенным типом являются агросерые почвы типичные и со вторым гумусовым горизонтом. Почвенный покров сильно нарушен эрозионными процессами разной степени выраженности и мелиорацией, проведенной в 80-тых годах прошлого века.
h 0,25
0,20 0,15 0,10 0,05 0,00
0 |
20 |
40 |
60 |
80 |
|
|
|
Расстояние, м |
|
Рисунок. Пример транзитивной семивариограммы
С0 – «наггет»-эффект, R – ранг, С0+С1 – порог
356
Опробованием была охвачена территория в 12 га, где было собрано 277 почвенных образцов, расположенных случайно, с глубины 0-20 см. В образцах было определено содержание гумуса по Тюрину и удельная поверхность. По 20 подвыборок объемом 200, 150, 100 и 50 точек формировались из исходных выборок путем бутстреп-моделирования. Суть бутстреп-моделирования состоит в том, что выборки состоят из случайно выбранных точек, а отбор осуществляется с возвращением. Для каждой подвыборки для каждого свойства были рассчитаны параметры семивариограммы, построены картограммы методом обратных расстояний и ординарным кригингом. Для сравнения картограмм использовались коэффициенты корреляции, расчитанные для 200 случайно расположенных на картограммах точках.
Если анализировать выборки целиком, то оказалось, что ранги для обоих свойств практически равны и составляют, соответственно, 72 м для гумуса и 73 м для удельной поверхности. Пространственные характеристики варьирования для этих двух свойств сильно отличаются: отношение ниггет/ (наггет +C1) для гумуса составило 63%, а для удельной поверхности – 26%. Таким образом, пространственное варьирование на расстояниях до 73 м составляет для гумуса только 1/3 от общего варьирования, 2/3 занимает варьирование на близких расстояниях, а для удельной поверхности пространственное варьирование до ранга составляет более 2/3 от общего варьирования.
Коэффициенты корреляции между картограммами, построенными методом ординарного кригинга и методом обратных расстояний были ожидаемо высокими и составили, соответственно, для гумуса – 0, 89 и для удельной поверхности – 0,92. Таким образом, метод интерполяции при большом числе точек опробования не играет существенного значения.
Таблица
Распределение коэффициентов корреляции между картограммами для двух почвенных свойств, построенными по выборкам одинакового объема
Вы- |
N |
Ми-ни- |
Ниж- |
Ниж- |
Ме-ди- |
Сред- |
Верх- |
Верх- |
Мак- |
бор- |
|
мум |
ний |
ний |
ана |
нее |
ний |
ний |
симум |
ки |
|
|
де- |
квар- |
|
|
квар- |
де- |
|
|
|
|
циль |
тиль |
|
|
тиль |
циль |
|
|
|
Содержание гумуса, метод обратных расстояний |
|
|
|||||
200 |
190 |
0,72 |
0,76 |
0,79 |
0,82 |
0,82 |
0,85 |
0,87 |
0,93 |
150 |
190 |
0,42 |
0,61 |
0,65 |
0,69 |
0,69 |
0,74 |
0,77 |
0,85 |
100 |
190 |
0,23 |
0,41 |
0,47 |
0,54 |
0,53 |
0,60 |
0,65 |
0,75 |
50 |
190 |
0,00 |
0,08 |
0,18 |
0,28 |
0,27 |
0,37 |
0,47 |
0,59 |
|
|
Содержание гумуса, метод ординарного кригинга |
|
|
|||||
200 |
190 |
0,52 |
0,70 |
0,76 |
0,82 |
0,79 |
0,85 |
0,87 |
0,92 |
150 |
190 |
0,41 |
0,58 |
0,66 |
0,72 |
0,71 |
0,76 |
0,80 |
0,87 |
100 |
172 |
0,00 |
0,00 |
0,33 |
0,43 |
0,40 |
0,52 |
0,59 |
0,78 |
50 |
172 |
0,00 |
0,06 |
0,00 |
0,16 |
0,18 |
0,29 |
0,40 |
0,75 |
|
|
Удельная поверхность, метод обратных расстояний |
|
|
|||||
200 |
190 |
0,82 |
0,88 |
0,89 |
0,91 |
0,91 |
0,92 |
0,94 |
0,95 |
150 |
190 |
0,68 |
0,75 |
0,78 |
0,81 |
0,81 |
0,83 |
0,85 |
0,89 |
100 |
190 |
0,42 |
0,54 |
0,60 |
0,65 |
0,64 |
0,70 |
0,74 |
0,80 |
50 |
190 |
0,07 |
0,27 |
0,37 |
0,46 |
0,44 |
0,54 |
0,60 |
0,71 |
|
|
Удельная поверхность, метод ординарного кригинга |
|
|
|||||
200 |
190 |
0,80 |
0,85 |
0,88 |
0,90 |
0,89 |
0,91 |
0,92 |
0,95 |
150 |
190 |
0,74 |
0,79 |
0,81 |
0,83 |
0,83 |
0,85 |
0,87 |
0,90 |
100 |
190 |
0,44 |
0,58 |
0,62 |
0,67 |
0,66 |
0,71 |
0,75 |
0,82 |
50 |
171 |
0,09 |
0,24 |
0,31 |
0,40 |
0,41 |
0,49 |
0,59 |
0,79 |
357
Бутстреп-моделирование показало, что для удельной поверхности ранг предсказывается выборками объема 100-200 с точностью 10-15%, а выборки объемом 50 дают очень большой разброс от 21 м до 110 м. Для гумуса ранг оказался наименее устойчивой характеристикой: для большей части подвыборок, вне зависимости от их объема, ранг оказался сильно смешенным в сторону уменьшения. При этом для любых выборок отмечалось несколько случаев, когда ранг был равен нулю, то есть пространтсвенные зависимости отсутствовали. Для выборок объемом 100 и 50 появляются случаи неоправданного большого ранга.
Что касается наггет-эфффекта, описывающего варьирование на малых расстояниях, то только выборки объемом 200 и 150 оценивают его адекватно для удельной поверхности, а для гумуса требуются выборки, объемом не менее 200.
Сравнение картограмм (Таблица) показало, что для метода обратных расстояний и для ординарного кригинга наблюдаются аналогичные зависимости схожести карт от объема выборок. Для удельной поверхности выборкам объема 200 соответствует разброс коэффициентов корреляции от 0,80 до 0,95, а для гумуса эти значения разбросаны от 0,52 до 0,92. Для выборок объемом 150 наблюдается та же тенденция. Для удельной поверхности выборки объемом 100 еще могут быть приемлемыми, так как разброс коэффициентов корреляции составляет от 0,44 до 0,75 при медианном значении 0,67. Для гумуса при выборке 100 одна из карт оказалась вырожденной, то есть состоящей из одного среднего значения, а коэффициенты корреляции между еще 3 картами оказались равными 0. Еще худшая картина наблюдается для выборок 50: для гумуса медиана составляет 0,16, а для удельной поверхности – 0,40. Верхний предел «похожести картограмм» зависит от доли «высокочастотной» составляющей в общей дисперсии свойства. Чем эта доля выше, тем слабее связь между картограммами.
Таким образом, при значительном наггет–эффекте (30-60% от общего варьирования), только выборки 200 и 150, дали устойчивые результаты при оценивании параметров вариограмм и давали сравнимые картограммы. Выборки объемом 50 в обоих случаях давали неустойчивые результаты.
Литература
1. Иванникова Л.А., Мироненко Е.В. Теория регионализированных переменных при исследовании пространственной вариабельности показателей агрохимических свойств почвы // Почвоведение. 1988. № 5. С. 113-121.
Yu..L. Meshalkina1,2, V.P. Samsonova1
1Soil Science faculty of Moscow Lomonosov State University, Russia,
2Russian State Agrarian University - Moscow Timiryazev Agricultural Academy jlmesh@list.ru, vkbun@mail.ru
UNCERTAINTIES ASSESSMENT OF MAPS COMPARISON
FOR SOIL PROPERTIES WITH DIFFERENT SHORT RANGE VARIATION
Abstract. Uncertainties assessment of semivariogram parameters and maps comparison was conducted on the territory of Bryansk Opolje, Russia. Maps were made using inverse distance method and ordinary kriging. Maps comparison showed that similar dependencies on subsets volumes are observed for the both interpolation methods.
Bryansk Opolje, agrogrey (forest) soil, influence of sample size, semivariogram, maps comparison
References
1. Ivannikova L.A., Mironenko E.V. The theory of regionalized variables in the study of spatial variability of agrochemical properties of soils // Pochvovedenie, 1988, 5, pp. 113–120 (in Russian).
358
УДК 631.4
И.В. Михеева, А.А. Оплеухин ФГБУН Институт почвоведения и агрохимии СО РАН, Новосибирск, Россия
e-mail: mikheeva@issa-siberia.ru, pulya80@ngs.ru
ИНФОРМАЦИОННАЯ ОЦЕНКА ИЗМЕНЕНИЙ ПОЧВ ПО ДАННЫМ ПОЧВЕННОГО МОНИТОРИНГА
Аннотация. Изучены профильные и временные изменения вероятностных распределений и информационных характеристик (статистической энтропии и информационной дивергенции) реакции среды рН в черноземах южных легко и среднесуглинистого состава на значительной территории на юге Западной Сибири
Ключевые слова: мониторинг; свойства почв; базы данных; вероятностно-ста- тистические модели; информационные характеристики.
Постановка проблемыю Почвы являются центральным звеном всех наземных экосистем, поэтому информация о почвенном покрове и состоянии почв является важной составляющей для управления сельским хозяйством и эколого-природо-хозяйственной деятельностью. В связи с этим на значительных площадях сельскохозяйственной зоны Российской Федерации и стран бывшего
СССР в разные годы проводились крупномасштабные территориальные исследования почв. К сожалению, далеко не все полученные в этих исследованиях атрибутивные данные о почвенном покрове были введены в компьютерные базы данных, хотя они являются национальным наследием данных. Эти данные имеют большое значение как точка отсчета для оценки произошедших за последние два-три десятилетия изменений почв под влиянием антропогенной деятельности и естественных климатических и природных изменений. При этом характеристики почв изменяются не только в пространстве, но и во времени. Поэтому формирование баз атрибутивных данных о свойствах почв в разные моменты времени является очень важным этапом для совершенствования хозяйственной и природоохранной деятельности. Для анализа этих данных необходима организация преемственности наследия данных (legacydata), что вызывает потребность развития информационных методов аналитической математической оценки изменений состояния почв, для выявления тенденций развития современных процессов в почвенном покрове.
Методы исследования. Предыдущие исследования показали, что структура вариабельности свойств почв под влиянием природных и антропогенных процессов перестраивается, что приводит к изменению функций их вероятностных распределений [1]. Анализ вариабельности свойства природного объекта может быть осуществлен путем идентификации его вероятностно-статистиче- ской модели, характеризующейся определенным типом и параметрами математической функции вероятностного распределения, или вероятностно-статисти- ческим распределением (ВСР). ВСР является наиболее точными полным статистическим эталоном изучаемого свойства объекта. Для скалярной целостной оценки вариабельности и ее изменений нами использованы информационные характеристики, вычисляемые на основе ВСР. Для информационной характери-
359