/
Author: Красильников П.В.
Tags: почвоведение почвенные исследования монография землеустройство географическая литература геостатистика
ISBN: 978-5-02-035748-8
Year: 2007
Text
ГЕОСТАТИСТИКА
ГЕОГРАФИЯ
ПОЧВ
НАУКА
РОССИЙСКАЯ АКАДЕМИЯ НАУК
КАРЕЛЬСКИЙ НАУЧНЫЙ ЦЕНТР
ИНСТИТУТ БИОЛОГИИ
RUSSIAN ACADEMY OF SCIENCES
KARELIAN RESEARCH CENTER
INSTITUTE OF BIOLOGY
GEOSTATISTICS
AND
SOIL
GEOGRAPHY
MOSCOW NAUKA 2007
ГЕОСТАТИСТИКА
ГЕОГРАФИЯ
ПОЧВ
МОСКВА НАУКА 2007
УДК 631.445
ББК40.3
Г36
Ответственный редактор
кандидат биологических наук П В Красильников
Рецензенты:
доктор биологических наук Е П Иешко,
доктор географических наук Н Н Филатов
Работа выполнялась при финансовой поддержке грантов:
«Почвенно-географическая интерпретация пространственной
вариабельности почвенных свойств (03-04-048089-а), сопряженных
экспедиционных (03-04-63084-к, 04-04-63043-к), поддержанных
Венгерским министерством образования (NKFP 3BI0057I2002
и NKFP 4I064I2004), Финско-Венгерской
и Российско-Венгерской программами Межправительственного
научного и технологического сотрудничества (SF-3/03 и RUS-9/2004)
и Венгерским национальным фондом (ОТКА Т042996 и Т048302)
Геостатистика и география почв / [отв. ред. П.В. Красильников] ;
Ин-т биологии КарНЦ РАН. - М. : Наука, 2007. - 175 с. : ил. -
ISBN 978-5-02-035748-8 (в пер.).
В монографии рассматриваются эпистемологические и методические вопросы
применения геостатистики, способы выявления скрытых структур в распределении
почвенных свойств, интерпретации почвенной неоднородности в рамках классической почвенно-
географической парадигмы, влияния антропогенного и зоогенного воздействия на
пространственную вариабельность, методы интерполяции точечных моделей влагопереноса
в почвах. Обширная география данной монографии позволила представить широкий
диапазон методов и географических обстановок, проиллюстрировав использование
геостатистики для решения различных конкретных задач в почвоведении. Настоящая
коллективная монография является первой крупной публикацией на русском языке,
обобщающей почвенно-географические исследования с использованием методов геостатистики.
Для специалистов, использующих геостатистику в почвенных исследованиях.
По сети «Академкнига»
ISBN 978-5-02-035748-8 © Институт биологии Карельского
научного центра РАН, 2007
© Редакционно-издательское оформление.
Издательство «Наука», 2007
ПРЕДИСЛОВИЕ
Последние десятилетия ознаменовались бурным развитием
геостатистических методов в почвенных исследованиях. Это
связано как с объективными, так и с субъективными причинами.
Среди объективных следует отметить, с одной стороны,
усиливающуюся потребность общества в высокоточных данных по
отдельным свойствам почв, прежде всего для решения задач
координатного земледелия и оценки деградации и загрязнения
почв. С другой стороны, развитие вычислительной техники и
программных продуктов позволило эффективно производить
вычисления, которые ранее из-за больших затрат времени и сил
были недоступны почвоведам. Субъективные причины же
связаны, прежде всего, с феноменально высокой активностью
пионеров геостатистики в почвоведении, которые публикуют сотни
статей, проводят десятки конференций, издают собственный
бюллетень и поддерживают множество сайтов в Интернете.
Области использования геостатистических методов в
почвенных исследованиях обширны и разнообразны. Составление
агрохимических картограмм, исследование загрязнения почв,
интерполяция точечных данных при изучении физических и химических
свойств почв - все эти области сейчас немыслимы без аппарата
геостатистических методов. К сожалению, эти методы
недостаточно используются в настоящее время в почвенно-географиче-
ских исследованиях. Видимо, существенное различие в подходах
к научному объяснению самой вариабельности почв в
пространстве приводит к недостаточной интеграции геостатистических
методов в почвенно-географические работы. На наш взгляд,
география почв только выигрывает от более широкого применения
геостатистического аппарата; в то же время и интеграция
географических знаний даёт геостатистике большие преимущества.
Очевидно, что география почв, которая ставит задачей
выявление пространственной структуры почвенного покрова, не может
игнорировать мощный поток данных, отражающих
пространственно-распределённые количественные характеристики почв,
которые генерируются геостатистическими работами. Отвлекаясь
от чисто теоретических споров, необходимо активно включать
5
геостатистические методы в практику почвенно-географических
исследований. В то же время без почвенно-географической
теории геостатистические методы не могут быть экстраполированы
за пределы исследованного участка, что ограничивает их
применение.
Процесс интеграции геостатистических методов в географию
почв непрост и вряд ли будет быстрым, хотя первые шаги в этом
направлении уже сделаны. Данная работа делает попытку
осмысления, как существующего опыта, так и тех данных, которые
получены в ходе наших исследований. Основу данной монографии
составили результаты работ лаборатории Экологии и географии
почв Института биологии Карельского научного центра РАН в
рамках исследовательского гранта РФФИ «Почвенно-географи-
ческая интерпретация пространственной вариабельности
почвенных свойств» (№ 03-04-48089). Эти результаты были дополнены
итогами работ по двухстороннему проекту Института биологии
КарНЦ РАН и Института почвоведения и агрохимии Венгерской
академии наук «Пространственная вариабельность химических и
агрофизических свойств почв», а также по ряду проектов,
поддержанных Министерством образования Венгрии и Венгерским
научно-техническим фондом. Часть работ, вошедших в книгу,
было выполнено на территории Республики Карелия, где
геостатистические методы были использованы при крупномасштабном
почвенном картографировании отдельных почвенных
горизонтов, исследовании пространственной вариабельности лесных
подстилок Фенноскандии, а также при описании изменения
пространственной структуры почв в связи с деятельностью бобров.
Одна из глав показывает пример использования геостатистики
для пространственной экстраполяции моделей водного
транспорта в почвах, полученных для отдельных почвенных профилей на
территории Венгрии. Наконец, была сделана попытка оценить
по геостатистическим данным пространственную структуру
некоторых почвенных показателей в зональном ряду почв от
лесостепной до сухостепной подзоны; эта работа была выполнена на
территории Русской равнины. Таким образом, в настоящей
монографии мы попытались охватить максимально широкий круг
почвенно-географических задач на примере по возможности
широкого диапазона почв и ландшафтов. Нам представляется, что
интеграция базовой почвенно-географической теории с
методами почвенной геостатистики оказывается вполне плодотворной.
Несколько особняком стоят две главы в монографии,
посвященные общим теоретическим вопросам использования
геостатистических методов в почвоведении. Обе главы были
подготовлены специально для настоящего издания. Первая, вводная глава
6
Ричарда Вебстера, одного из главных идеологов геостатистики в
почвоведении, даёт краткий обзор истории, современного
состояния и перспектив развития геостатистических методов в
почвоведении. Другая глава носит дискуссионный характер, и написана
она Хуан-Хосе Ибаньесом, «отцом» концепции почвенного
разнообразия, и Асунсьон Салданьей, которые считают, что
использованию геостатистики в почвенных исследованиях уделяется
неоправданно большое внимание. Мы решили пригласить в нашу
монографию столь разных по взглядам учёных, чтобы
представить весь спектр оценок места и роли геостатистики в географии
почв, предоставляя читателю самому решить, позволяет ли
геостатистика сделать принципиально новый шаг в осмыслении
пространственно-распределённых данных о почве или же это всего
лишь технический метод. Мы считаем, что, независимо от
оценки геостатистики, она является полезным инструментом в поч-
венно-географических исследованиях, и хотим привлечь
внимание широкого круга специалистов к её применению в подобных
работах.
Глава 1
ПОЧВОВЕДЕНИЕ И ГЕОСТАТИСТИКА
Вебстер Р.
Ротамстедская экспериментальная станция,
Харпенден, Хертфордшир, Великобритания
Резюме
Почвоведы нуждаются в прочных количественных обоснованиях для
оценки пространственной вариабельности в почвах, и они все больше обращаются к
геостатистике за такими данными. Геостатистика рассматривает почвенные
свойства как продукты случайных процессов и характеризует их варьирование
с помощью вариограмм. Обыкновенный кригинг в большинстве случаев даёт
удовлетворительные результаты для интерполяции значений в точках без
образцов. Более сложные методы требуются в тех случаях, когда
обнаруживается явный тренд; они включают универсальный кригинг и метод ограниченного
максимального правдоподобия (МОМП) для вычисления параметров базовых
моделей. В данном случае для определения всего диапазона вариабельности и
моделирования пространственного распределения при оценке рисков и
эффекта метода отбора образцов необходимо экспериментальное подтверждение.
Существует связь между геостатистическим выражением вариации и
фракталами, однако до настоящего времени вопрос, имеет ли вариабельность в
ландшафте фрактальный характер, остается спорным.
Abstract
Pedologists want sound quantitative measures of spatial variation in soil, and they
are turning increasingly to geostatistics to provide them. They are treating the soil
properties as the outcomes of random processes and characterizing their variation by
venograms. Ordinary knging is proving sufficiently robust for estimating values at unsam-
pled places m most cases. More sophisticated technique is needed where there is evident
trend; it includes universal knging and restricted maximum likelihood (REML) to
estimate the parameters of the underlymg models. Simulation is needed to portray the full
magnitude of the variation and to generate distributions m assessing nsk and sampling
effects. There is a correspondence between the geostatistical expression of variation and
fractals, but whether variation m the landscape is fractal remains moot.
ВВЕДЕНИЕ
Люди, работающие на земле, уже на протяжении многих
веков знают о вариабельности почвенных свойств и принимают её
во внимание при обработке почвы. Они разделяли свои земли на
поля таким образом, чтобы почву можно было обрабатывать
так, как будто она однородна. В последнее время они пришли к
8
мысли о том, что те поля, которые создали они или их предки,
неоднородны, что во многих случаях вариация свойств почвы
довольно значительна, и что с помощью современных технологий
они могут повысить урожаи и более эффективно использовать
удобрения, если примут во внимание эту вариабельность. Эти
новые идеи привели к нынешней заинтересованности в «точном
земледелии» и к необходимости создания картограмм
вариабельности почвенных свойств. В то же время народы и правительства,
по крайней мере в наиболее обеспеченных странах, всё более
обеспокоены загрязнением почв, а также присутствием
естественных почвенных загрязнителей, будь то соли или
микроэлементы. Они также нуждаются в картограммах отдельных
почвенных свойств, в данном случае показывающих, где находится
загрязнитель и в каких количествах. Как эти люди, так и
«точные земледельцы» нуждаются в количественной информации по
содержанию в почвах тех компонентов, которые их интересуют.
Сходные требования предъявляют к почвоведам и коллеги из
смежных дисциплин, таких как геохимия и гидрология.
Количественная информация должна быть результатом
измерений, но мы не можем измерить почвенные показатели
всюду; лучшее, что мы можем сделать - это измерить показатель в
почвенном образце. Таким образом, достоверная информация по
почвам любого района доступна только для отдельных точек
(точнее, очень малых объёмов образца). Какие бы значения мы
не указывали для промежуточных точек или более крупных
площадей земной поверхности, нам приходится прибегать к
интерполяции, то есть к оценке на основе существующих измерений. Это,
в свою очередь, привносит неопределённость, и мы нуждаемся
также в мере этой неопределённости.
Изначально горные инженеры попытались предсказывать
значения почвенных свойств на основании классической
статистики в комбинации с почвенной классификацией. Они отбирали
образцы случайным образом внутри почвенного контура,
обозначенного на карте. Затем для каждого интересующего их
свойства они определяли среднее значение для каждого класса и
использовали это среднее как «оцениватель». Они также
вычисляли вариацию «оценивателя» по отношению к реальным
значениям, что дало им меру неопределённости. Этот метод, как было
доказано, оказался успешным для интерполяции некоторых
физических параметров грунтов, таких как предел Аттерберга и
гранулометрический состав. Но он не работал для оценки
содержания в почве элементов питания растений, на которое сильно
влияет обработка почвы и внесение удобрений; также трудно
ожидать эффективности метода в случае работы с загрязнителями,
9
распределение которых в почве мало связано с геологией и
рельефом, которые определяют пространственное распределение
почв. Кроме того, результаты зависят от мастерства и взглядов
конкретного почвенного картографа, который ранее составил
почвенную карту. Требовался другой подход.
В ранних попытках оторваться от почвенной классификации
почвенные свойства рассматривались как математическая
функция от их координат. Функции аппроксимировались методом
наименьших квадратов, и создавались регрессионные поверхности
или поверхности тренда. Главным образом это были полино-
мальные функции от координат. Этот метод успешно
использовался в нефтяной геологии. Однако вскоре обнаружилось, что
для представления реальной вариабельности в почвах требуются
полиномы очень высоких степеней, и что, скорее всего, их
нельзя представить в общем виде. Почвенные свойства проявлялись,
как будто бы они были скорее случайными, чем закономерными,
и когда это было признано, произошёл прорыв: если почва
проявляет свойства, похожие на случайные, почему бы не
рассматривать их как случайные?
Вопрос был риторическим; почвоведы стали рассматривать
почву, как будто её пространственное варьирование было
случайным, как незадолго до того в поисковой геологии стали
рассматриваться руды и породы с рождением геостатистики.
Почвоведы обнаружили, что методы, разработанные для поисковой
геологии и базовая теория этих методов могут быть успешно
применены к почвам. Так началась новая эра в количественном
почвоведении. Вначале, в 1970-е годы, почвоведам пришлось
освоить математику, программирование и исследовать потенциал
своей новой теории. Позднее, по мере того как результаты их
работ публиковались в исследовательских журналах в 1980-е годы,
эти методы всё более стали использоваться на практике в таких
областях как «точное земледелие», оценка загрязнения и
восстановление земель.
ГЕОСТАТИСТИЧЕСКИЙ ПОДХОД
Мы можем спросить: что характеризует геостатистический
подход? Краткий ответ таков: он рассматривает почву как набор
переменных, которые непрерывны в пространстве, и описывает
их вариацию в терминах пространственной зависимости. Он
рассматривает эти переменные так, если бы они были результатом
случайного процесса, и использует геостатистику для оценки как
функции процесса, генерирующей значения, так и для
интерполяции значений в точках без образцов.
10
Это поможет математически формализовать базовые идеи в
качестве прелюдии к той информации, которая будет
представлена ниже.
Случайные переменные и случайные функции. В
геостатистике мы расцениваем любой интересующий нас участок как
состоящий из бесконечного числа точек хп / = 1, 2,..., оо. В каждой
точке х мы рассматриваем почвенное свойство как случайную
переменную, Z(x), которая может принимать множество
значений. Для непрерывных (континуальных) переменных, таких как
почвенное сопротивление или рН, их значение неограниченно, и
весь процесс может рассматриваться как дважды бесконечное
сверхмножество. Переменная в точке х имеет распределение со
средним значением, вариацией и моментами более высокого
порядка, и её настоящее значение, z(jc), представляет собой
случайную точку на графике данного распределения. Другие
переменные могут иметь конечное количество фиксированных
состояний, и настоящее значение в любом месте соответствует одному
из этих состояний случайным образом.
В такой ситуации количественное описание вариации
включает оценку характеристик того, что мы считаем случайным
процессом, лежащим в основе распределения. Характеристики
включают средние значения и вариации, возможно, упомянутые
выше моменты более высокого порядка, и, что наиболее важно,
пространственную ковариацию.
Пространственная ковариация между переменными в двух
точках xt и хг + А, разделёнными вектором А, определяется как
C(xt9xt +A)ȣ[{Z(xi)-jx(jci)}{Z(xi +A)-|a(jci + *)}], (1.1)
где \i(xt) и (фг, + А) - средние значения лг, и х, + A, a is означает
ожидаемое значение. Если среднее значение постоянно, уравнение
(1.1) преобразуется в
С(к)^Е[{г(х)-11}{г(х)-\1}]^Е\{г(х)}{г(х^к)}-\12\9 (1.2)
где значение постоянно для любого данного А. Эта неизменность
среднего и вариации с ковариацией, которая зависит только от
расстояния между точками (лага), а не от их абсолютных
позиций, составляет стационарность второго порядка.
Таким образом, ковариация - это функция от лага и только
от лага. Она легко преобразуется в безразмерную
автокорреляцию путём
р(А) = С(А)/С(0), (1.3)
где С(0) = а2 - ковариация при лаге 0. Это также функция от А,
называемая пространственной коррелограммой.
11
Во многих случаях неоправданно ожидать, что среднее
значение одинаково во всём регионе. В этих случаях ковариация не
может быть определена, поскольку не существует значения для |Л,
чтобы подставить его в уравнение (1.2). Жорж Матерон
(Matheron, 1965), основатель современной геостатистики,
отметил подобную ситуацию и предложил менее «требовательную»
статистику для описания вариации. Он определил ожидаемый
квадрат разницы между Z(x) в любых двух точках, разделённых
расстоянием Л, как
Е | Щх) - Z(x + Л)}21 - var[Z(jc) - Z(x + h)] - 2y(h). (1.4)
Вариация на каждую точку составляет половину от
полученного значения, т.е. y(h), что Матерон назвал «полувариацией»
(или «полудисперсией»). Так же как и ковариация, она зависит
только от расстояния между точками, а не от их абсолютных
позиций. Как функция, y(h) представляет из себя вариограмму,
часто называемую «полувариограммой». Эта функция ранее была
определена Колмогоровым (Kolmogorov, 1939), который назвал
её «структурной функцией».
Если процесс Z(x) имеет стационарность второго порядка,
полувариация и ковариация идентичны:
у(А) = С(0) - C(h) = а2{1 - Р(А)}- (L5>
Если же он отвечает критерию внутренней гипотезы, но не
стационарности второго порядка, ковариация не существует, но
полувариация остаётся.
Пригодность уравнения (1.4) в широком диапазоне условий
делает вариограмму крайне полезной, так что она стала
центральным инструментом геостатистики. Вариограмма
количественно отражает пространственную вариабельность в виде
зависимости, и является необходимым промежуточным звеном для
пространственного прогноза по минимальной вариации путём
кригинга.
Разработка моделей. Приведённые выше уравнения
формируют базу геостатистики. Однако следует отметить, что они
описывают модели реальности; сами они не являются реальностью.
Скорее, они продукты нашего воображения (см. Webster, 2000).
Ни одна реальная почва не ведёт себя так, как предсказывают
наши умозрительные модели.
В простейшей форме мы можем записать нашу
умозрительную модель как
Z(x) = \х + e(jc), (1.6)
12
где [л, - постоянное значение, по крайней мере в ограниченной
области пространства, а остаточное значение г(х) имеет среднее
значение, равное нулю и структуру ковариации описанную выше.
Как показывают некоторые авторы данного сборника, эта
модель во многих случаях оказывается слишком упрощённой.
Если существует тренд в свойствах почв участка, то значение ц в
уравнении (1.6) не может рассматриваться как постоянная; в
данном случае она заменяется переменной функцией от координат.
Также мы приводим нашу модель к виду
к
Z(x)=2 «*/*(*)+ *(*). (1-7)
в которой fk (х) - известные функции от лг, и ak - коэффициенты,
определяемые для конкретной ситуации. Обычно часть
уравнения, отражающая тренд, может быть представлена в правой
части уравнения (1.7) в виде полинома от пространственных
координат. Вторая часть, как и в предыдущем уравнении,
представляет случайное остаточное значение в виде вариограммы y(h).
Эта более разработанная модель лежит в основе
универсального кригинга, названного так Матероном (Matheron, 1969), и
ныне называемая более точно «кригингом с трендом». Тренд
должен включаться не в Z(jc), а в некую связанную с ней переменную,
допустим, Y(x), и допуская, что отношение между этими двумя
переменными линейно, кригинг может их включить.
Существует одна трудность при использовании данной модели.
Она заключается в определении вариограммы для е(х),
остаточных от тренда значений, поскольку тренд не может быть
правильно определён без знания вариограммы. Олеа (Olea, 1975)
показал, как получить предварительную оценку по данным
регулярной сетки или трансекты, но его метод не может быть
использован в случае, если образцы отбирались нерегулярно, что
обычно при почвенной съёмке. Другой метод, который иногда
пробуют использовать в случае, если тренд линеен (наклонная
плоскость), заключается в том, чтобы определить наклон плоскости
по координатам, вычислить вариограмму в направлении,
перпендикулярном наклону, а затем использовать её как вариограмму
остаточных значений. Этот метод также имеет ограничения,
особенно когда в данном направлении мало пар точек, по которым
проводится сравнение. Циммерман (Zimmerman, 1989) предложил
теоретически более привлекательный метод, а именно Метод
ограниченного максимального правдоподобия (МОМП), и разработал
математический аппарат для его применения. До сих пор
существуют технические проблемы, которые предстоит преодолеть,
13
чтобы метод мог широко применяться, в основном потому что
некоторые популярные модели вариограмм не имеют гладких
функций подобия. Тем не менее, этот подход многообещающ.
Ларк и Куллис (Lark and Cullis, 2004) адаптировали метод для
разделения вклада детерминистского и случайного компонентов, и
мы на Ротамстедской экспериментальной станции также
развиваем данный подход.
Кригинг - практическое применение геостатистики. Я уже
ранее упоминал кригинг, почти как нечто само собой
разумеющееся. Однако мы должны помнить, что силами, движущими
развитие геостатистики, были практика и экономика. В России
метеорологи хотели интерполировать атмосферные переменные на
основании показаний редких метеостанций; в Южной Африке
горные инженеры хотели оценить содержание золота в руде по
данным точечного бурения (Krige, 1966); во всём мире
нефтяники хотели знать запасы нефти из данных, полученных из
единичных скважин; и все они желали, чтобы оценки были
объективными и имели минимальную вариацию. Локальная оценка, то есть
пространственный прогноз, была основной целью геостатистики,
а кригинг был методом достижения этой цели. Колмогоров
(Kolmogorov, 1939) написал свои уравнения именно для этого в
1930-х годах, однако без компьютера никто не мог их решить.
Изобретение компьютера дало шанс горным инженерам и
нефтяникам. Ныне компьютеры позволяют нам, почвоведам,
предсказывать почвенные условия в местах, где не отбирались
образцы на основании более или менее разреженных данных и
составлять картограммы одним нажатием кнопки. Кригинг стал почти
автоматическим.
Планирование эффективной схемы отбора образцов для
получения данных не происходит автоматически и требует
серьёзных размышлений. Ещё менее автоматически происходит
моделирование вариограмм, которое остаётся, возможно, наиболее
содержательной темой в геостатистике. До сих пор существуют
специалисты, которые производят подгонку моделей на глаз, но
их количество стремительно уменьшается по мере того, как
программное обеспечение статистических оценок становится всё
более мощным, с всё лучшими диагностическими возможностями, с
удобным дружественным интерфейсом. Однако большая
гибкость и наличие большего количества опций в программах
означают, что мы должны глубже понимать суть вопроса и делать
осознанный выбор.
14
ИНТЕРПРЕТАЦИЯ
Одна из причин, по которой к выбору модели вариограммы
не относятся слишком всерьёз - это то, что кригинг устойчив, его
продукт (картограмма) не очень чувствителен к типу
вариограммы. Поэтому, зачем зря беспокоиться о том, чтобы выбрать
«правильную» модель? Если всё, что мы хотим сказать - это
интерполировать значния и составить картограмму, не стоит
волноваться.
В ряде случаев, однако, исследователи хотят получить
количественное выражение вариации, которую они бы смогли
интерпретировать. В данном сборнике приводятся несколько подобных
примеров. В частности, исследователи часто хотят оценить ранг
пространственной зависимости, и в этой ситуации важно понять
природу пространственной ограниченности вариабельности,
характеризующей такие популярные модели как сферическая и
экспоненциальная, и описать эту природу, равно как и
технические детали вариограмм. Другие интересные характеристики -
отношение значений «наггета» к «плато», которое указывает на
степень локальной сглаженности вариации, и явное отсутствие
верхней границы, которую некоторые исследователи
интерпретируют как значимое фрактальное поведение. Я вернусь к этому
ниже.
ГЕОСТАТИСТИЧЕСКОЕ МОДЕЛИРОВАНИЕ
Оценка кригингом представляет собой пример Наилучшего
линейного несмещенного оценивателя (НЛНО). Эта оценка, как
видно из названия, несмещенная, и она является наилучшей в том
смысле, что дисперсия прогноза минимальна. Если вы
производите кригцнг в месте, где и проводились измерения для данной
модели, кригинг вернёт данные с нулевой дисперсией. В других
местах он вернёт средневзвешенное среднее данных. Результат
представляет собой статистическую поверхность, в которой
дисперсия меньше, чем в начальных данных; кригинг теряет
вариацию, он сглаживает, и чем больше раз мы повторяем эту
процедуру, тем более сглаженными получаются данные. Картограмма,
выполненная оконтуриванием значений, полученных методом
кригинга, которая часто и бывает конечным продуктом
геостатистических упражнений, даёт более или менее сглаженную
картину реальности. Но не всегда требуется именно это.
Часто исследователь желал бы видеть более реалистичную
картину в том смысле, что вся неоднородность, присутствующая,
по его мнению, в почве на изученном участке, должна быть отра-
15
жена на картограмме. Исследователь хочет сохранить всю
вариацию и, может быть, ещё в большей степени пространственную
ковариацию. В этой ситуации он должен моделировать, и
геостатистика предоставляет ему средства для этого.
Моделирование основывается на тех же базовых моделях
случайных процессов, что и кригинг (отражённых, например, в
уравнениях (1.6) и (1.7)). Оно принимает вариограмму или
функцию ковариации как необходимую и достаточную сводку
пространственной вариабельности; и оно генерирует значения, часто
называемые «данными», которые, в принципе, генерируются на
основе той же вариограммы. Обычно эти значения
моделируются в узлах сетки, на базе которой может быть построена
картограмма. Моделирование может зависеть от данных; это означает,
что оно ограничено известными значениями, и в этом случае оно
возвращает эти известные значения в точки, где отбирались
образцы. Картограммы, созданные на основании подобной сетки,
показывают основную структуру вариации, определяемую
данными, с промежуточными деталями, предсказанными на основе
вариограммы. Эта техника также используется для создания
эмпирических распределений значений в местах, где не было
произведено отбора образцов, и оценки рисков загрязнения, токсичности
и недостатка различных компонентов. Как альтернативный
вариант моделирование может проводиться без условий, не принимая
во внимание реальные данные, или для участков, где никаких
данных нет. Последний подход часто используется при изучении схем
отбора образцов (Webster and Oliver, 1992). Существует несколько
хорошо опробованных алгоритмов для подобного моделирования,
и они были записаны в виде программ на языке Фортран и
выставлены на сайте Geostatistical Software Library Дойчем и Джоурне-
лом (Deutsch and Journel, 1998). Гуверт (Goovaert, 1997) подробно
описывает их и приводит примеры их использования.
ФРАКТАЛЫ
Сферическая и экспоненциальная функции, о которых я
упоминал выше, описывают структуры вариации, которые, хотя и
нерегулярно, явно повторяются, и поэтому их дисперсии имеют
предел. В некоторых случаях дисперсия, как кажется, возрастает
без ограничения по мере увеличения лага. В простейшем случае
вариограмма в одномерной форме описывается уравнением
^E[{Z(x)-Z(x + h)}2] = y(h) = ^h2H, (1.8)
где р - фактор размерности. Если Н = 0,5, вариограмма принимает
16
линейную форму. Это вариограмма одномерного броуновского
движения,
Z(jc) = Z(jc + A) + 8, (1.9)
в которой е - Нормальное (Гауссово) случайное отклонение.
Если величину лага разделить на любое произвольное
положительное число со и полученные полудисперсии в уравнении
(1.8) преобразовать в со" раз, новая полученная вариограмма
будет идентична исходной. Таким образом, броуновское движение
оказывается самоподобным или фрактальным процессом.
В обычном броуновском движении последовательные
значения е независимы, и мы можем создавать график, используя
уравнение (1.8), как генератор, используя фиксированное значение
Н = 0,5. Однако если мы будем увеличивать Н в диапазоне от 0,5
до 1, мы можем генерировать графики, которые более сглажены,
чем таковые для обычного броуновского движения, и в которых
последовательные значения е положительно коррелируют.
И, напротив, если мы уменьшим значения Н до диапазона от 0,5
до 0, мы получим более грубые графики, в которых
последовательные значения 8 коррелируют отрицательно. Если Н = 1, то
вариограмма превращается в параболу, описывая сглаженную
дифференцируемую вариабельность, которая не носит
случайный характер. В противоположном случае, если Н = 0, мы
наблюдаем белый шум, который невозможен для непрерывной
переменной в непрерывном пространстве. Таким образом, значения 1
и 0 удаляются из рассмотрения.
В диапазоне 0 < Я < 1 значения Н связано с размерностью Хау-
сдорфа-Безиковича, или фрактальной размерностью D
соотношением
# = 2-D. (1.10)
Далее, если экспериментальная вариограмма выражается в
дважды логарифмической форме, то есть log y(h) против log(/i),
то D может быть получена из значения наклона графика, т, в
соответствии с соотношением
D = 2-m/2. (1.11)
Таким образом, мы видим связь геостатистики и
фрактальной теории.
Многие исследователи в области педометрики вычисляли
фрактальную размерность на основании данных почвенной
съёмки, обнаруживали значения D больше единицы, и на
основании этого пытались интерпретировать почву как фрактал, по
крайней мере в том диапазоне масштабов, в котором они работали.
Г7
Однако до настоящего времени вопрос о том, является ли почва
фракталом в полевом масштабе, остаётся спорным. Барроу
(Burrough, 1983), который одним из первых среди почвоведов
начал исследовать этот вопрос, пришёл к выводу, что явно
неограниченная вариация была скорее результатом гнездового
распределения, чем броуновских процессов. Мы должны принимать во
внимание его вывод, когда пытаемся понять смысл вариограмм,
не имеющих ограничения.
ЗАКЛЮЧЕНИЕ
Почвоведы достигли существенного прогресса в применении
геостатистики и в понимании природы почвенной вариации.
Сейчас они имеют уверенность для исследования новых ситуаций, а
также мало изученных регионов. Те работы, которые
представлены в настоящем сборнике, в основном описывающие
результаты новых исследовательских работ, показывают, что дух
научного поиска, который заставил нас начать это дело, до сих пор жив.
Также мы должны осознать, что у нас до сих пор нет технических
ответов на все вопросы, и что до сих пор остаётся множество
нерешённых проблем. Практика и теория по-прежнему должны
развиваться вместе.
Глава 2
ИСПОЛЬЗОВАНИЕ ГЕОСТАТИСТИЧЕСКИХ МЕТОДОВ
ДЛЯ КАРТОГРАФИРОВАНИЯ
ПОЧВЕННЫХ ГОРИЗОНТОВ
Сидорова В.А} у Красилъников П.В У
институт биологии КарНЦ РАН, Петрозаводск, Россия
2Факультет Естественных наук, Национальный Автономный
Университет Мексики, Мехико, Мексика
Резюме
Исследовалась пространственная вариабельность мощности почвенных
горизонтов (лесной подстилки, А, Е и В) на трёх участках в Южной и Средней
Карелии, площадью 15-20 км2 каждый. Результаты были получены в ходе
крупномасштабной почвенной съемки территории (картографирование в масштабе
1 : 10 000). Распределение горизонтов в пределах участков неоднородно.
Вариабельность мощности возрастает в ряду почвенных горизонтов В-О-Е-А. При
картировании почвенных горизонтов наиболее эффективным является
использование индикаторного кригинга, с помощью которого могут быть построены
вероятностные карты (в нашем случае - карты вероятности существования
горизонтов). Был проведен индикаторный кригинг для горизонтов О, А, Е и В на трех
участках. В основном, смена зон наличия-отсутствия горизонтов происходит на
расстояниях 700-900 м. На исследуемых участках непрерывное распределение
имеют только лесная подстилка и горизонт В, а горизонты А и Е представлены
множеством контуров различной площади. Было установлено, что сходная
пространственная структура распределения различных почвенных горизонтов
свидетельствует о низком почвенном разнообразии. Для оценки вариабельности
мощности использовался обычный кригинг. В нарушенных лесах пространственная
корреляция мощности лесной подстилки низка, а с восстановлением ценоза
пространственная корреляция возрастает и достигает максимума в старовозрастном
ельнике. Мощность горизонта А на участке Гомсельга (единственного из
исследованных, где таковой встречался крупными массивами) имеет гнездовую структуру.
Мощности горизонтов Е и В характеризуются периодичностью для участка Габ-
сельга (с большими непрерывными массивами присутствия подзолистого
горизонта), причём периодичность в распределении мощности горизонта В в 2 раза
больше, чем для горизонта Е. Мы объяснили результаты анализа тем, что мощность
горизонта Е более отзывчива на внешние факторы (мезорельеф), чем мощность В,
и потому промежуточные низкие гряды, не оказывающие влияния на общую
мощность профиля, приводят к колебаниям в мощности подзолистого горизонта.
Abstract
We studied spatial variation of the thickness of soil horizons (litter, A, E, and B) at
three sites in South and Middle Karelia, each having an area of 15-20 km2. The results
were obtained from a detailed (1:10 000) soil survey of the sites. The variability of the
19
horizons thickness increased in the sequence B-O-E-A. For mapping purposes
indicative kriging was found to be more effective. It allows creation of probability maps (the
maps of probability of soil horizons existence in our case). We performed an indicative
kriging at the three sites for the O, A, E, and В horizons. Mainly the change of the zones
of the presence-absence of the horizons occurs at the distances of 700-900 m. At all the
studied sites only litter layer and В horizon have continuous distribution, while the A and
E horizons are represented with numerous polygons of various areas. We found that a
similar spatial order of different soil horizons indicate low pedodiversity of the area.
Ordinary kriging was used for estimation of soil horizons thickness variability. In
disturbed forests the spatial correlation of forest litter thickness is low, and it increases with
recuperation of the community with a maximum in old growth spruce forest. A horizon
thickness at Gomselga site (the only one, which has continuous areas of the presence of
this horizon) shows «nested structure». At Gabselga site (which has large areas of E
horizon present) the thicknesses of E and В horizons show periodical distribution. The
period for В horizon thickness is twice as big as for E horizon. We explain the phenomena
by higher «sensibility» of podzolic horizon thickness to soil forming factors (mesorelief)
than that of В horizon; thus lower intermediate moraine hills affected the thickness of E,
but not В horizon.
ВВЕДЕНИЕ
Почва представляет собой совокупность горизонтов. При
полевой диагностике почв для её классификации на любом уровне,
прежде всего, следует установить наличие горизонтов, по
которым и определяется её классификационное положение.
Собственно, почвенная карта представляет собой двумерную
проекцию пространственного распределения совокупностей
почвенных горизонтов. Как следствие, создание почвенной карты
можно свести к наложению картограмм отдельных почвенных
горизонтов. Их совместное присутствие индицирует некий тип почв
X, отсутствие одного или нескольких - некие типы Y, Z и т.д.
Казалось бы, в данном случае задача усложняется: классическая
почвенная съёмка успешно работает уже с готовыми
совокупностями, с профилями, которые и экстраполируются на определённые
участки пространства (почвенные контуры). Однако последняя
операция не всегда может быть успешно выполнена с помощью
классических методов. С одной стороны, профиль
экстраполируется на контур в основном на основании однородности факторов
почвообразования в пространстве; линии изменений рельефа,
пород, растительности и прочего в основном и служат границами
почвенных контуров (Hudson, 1992). Также существует
разработанная методика уточнения границ контуров при полевых
исследованиях: прикопки, бурение, использование аэрофотоснимков.
С другой стороны, многие факторы не могут быть
диагностированы непосредственно, например, почвенный покров может
определяться унаследованными свойствами (палеогидромор-
физм, палеокриогенез). В результате обычны претензии к каче-
20
ству почвенной съёмки, в основном к точности выделения границ
почвенных контуров. В этом случае применение
геостатистических методов, которое позволяет провести интерполяцию
свойств, в данном случае наличия и мощности почвенного
горизонта, является полезным инструментом для уточнения
результатов почвенного картографирования (Di et al., 1989; Warr et al.,
2001).
Дополнительное достоинство использования геостатистики
при почвенной съёмке - это, что она позволяет провести
интерполяцию количественных показателей - мощности горизонтов.
Мощность почвенных горизонтов часто представляет интерес с
практической точки зрения. Например, мощность
гумус-аккумулятивного горизонта косвенно отражает запасы органического
вещества и питательных элементов в почве. Мощность
подзолистого горизонта определяет в сельском хозяйстве, какой
материал будет вовлечён в пахотный горизонт при обработке почвы
(только ли выщелоченный подзолистый горизонт, или будут
подпаханы и нижележащие горизонты). При почвенной съёмке
принято отражать мощность некоторых (обычно
гумус-аккумулятивных и элювиальных) почвенных горизонтов. В
классификации почв мощность почвенных горизонтов отражается на уровне
видов почв по степени развития почвообразовательного
процесса (Розанов, 1983; Почвенная номенклатура.., 1999), при этом она
обычно разбивается на классы по количественным показателям
(«маломощные», «среднемощные», «мощные» и т.д.); границы
классов варьируют в зависимости от типа почвы. Правильная
диагностика почвы на уровне вида имеет важное значение для
успешной почвенной съёмки. Задача эта не так проста, как может
показаться на первый взгляд. Мощности отдельных почвенных
горизонтов обычно обладают значительной изменчивостью в
пространстве. Особенно хорошо это заметно при траншейных
исследованиях, когда почвенная толща вскрывается на большом
протяжении.
И.Г. Важенин с соавторами (1969) изучали варьирование
некоторых признаков и свойств трех типов почв
(дерново-подзолистой, серой лесной и черноземной) в пределах почвенных разрезов
и траншей. Траншеи были заложены в направлении от мощного
дерева к лесной поляне. Мощность генетических горизонтов на
протяжении траншеи измерялись каждые 10 см. Определялась
мощность горизонтов Ао(О), At(A), A2(E) и АВ. Исследования
показали, что самая сложная конфигурация границ горизонтов
была в профиле дерново-подзолистой почвы, несколько менее
сложная - в темно-серой лесной и наименее сложная - в
профиле чернозема. Для всех почв, особенно для дерново-подзолистой,
21
вариабельность возрастает снизу вверх, от горизонта С к
горизонту А.
В.М. Фридланд с соавторами (1969) исследовал изменения
мощности гумусового горизонта (А), всей гумусованной толщи
(А + АС) и глубины вскипания карбонатов в целинной Ямской
степи (Белгородская область), в подзоне типичных черноземов.
Наиболее устойчивым свойством является мощность собственно
гумусового горизонта, менее устойчивым - гумусового
горизонта в целом, наименее устойчивым - глубина вскипания.
Устойчивость мощности горизонта А понижается от водораздела к
балочному склону, что обусловлено как увеличением исходной
сложности почвенного покрова, так и дополнительным влиянием
эрозионных процессов. В то же время устойчивость нижней границы
переходного по гумусу горизонта возрастает от водораздела к
балочному склону, что отражает влияние эрозионных процессов на
горизонт А.
Также В.М. Фридланд (1972) проводил исследования
варьирования свойств почв в различных элементах мезорельефа
(Центральночерноземный заповедник, Курская область, подзона
типичных черноземов). Мощность как собственно горизонта А, так
и всей гумусированной толщи (А + АС) увеличивалась от
водораздела к прибалочному склону. Параллельно увеличивалась и
глубина выщелоченности от карбонатов. В том же направлении
возрастали и коэффициенты вариации, свидетельствуя об
усложнении почвенного покрова от водораздела к прибалочному
склону.
Б. Дж. Зебарт с соавторами (Zebarth et al., 2002) также
определяли соотношение между элементами ландшафта и
почвенными свойствами. Исследования проводились в холмистых
моренных ландшафтах, обычно характерных для Подзолов (Канада).
Однако в верхней части склона преобладали Ортиковые Гумико-
вые Регосоли и Ортиковые Сомбриковые Брюнисоли, а в
нижней - подгруппы Глеевых тех же больших групп почв.
Определялся ряд почвенных свойств, в том числе глубина до горизонта
С и до твёрдой подстилающей породы и мощность горизонта А.
Наиболее сильная зависимость с элементами ландшафта
отмечена для глубины до горизонта С и до твёрдой подстилающей
породы. Мощность горизонта В (определялась как разница между
глубиной до горизонта С и мощностью А) была наименьшей на
склоне и достигала максимума в понижениях. Мощность
горизонта А сохранялась во всех элементах ландшафта. Авторы
полагают, что это вызвано тем, что происходило интенсивное
перемешивание горизонтов (более 100 лет участок находился в
сельскохозяйственном использовании).
22
Й. Лиски (Liski, 1995) исследовал вариабельность мощности
органического F/H горизонта и подзолистого горизонта Е на
подзолистых лесных почвах (Южная Финляндия). Один из
исследуемых участков находился под кронами деревьев, а другой был
открытым. Коэффициенты вариации составили 25 и 76% для
горизонтов F/H и Е, соответственно. Сравнительный анализ двух
участков показал, что в среднем мощность обоих горизонтов на
17% больше под кронами, чем на открытом участке.
Наибольшее значение мощности горизонтов отмечено в зоне 1-3 м от
ствола дерева.
Классическая статистика не всегда способна адекватно
обрабатывать пространственные данные, в которых соседние
образцы могут не быть независимыми друг от друга, и не всегда дает
оптимальную оценку дисперсии интерполируемых значений.
С 1980 года (Burgess, Webster, 1980; Heuvelink, Webster, 2001) в
почвоведении стали применяться геостатистические методы.
Ю.Н. Благовещенский и В.П. Самсонова (2001)
анализировали данные по мощности гумусовых горизонтов, измеренных на
трех двадцатиметровых траншеях, заложенных на
разновозрастных (40, 80 и 150 лет) отвалах рыхлых пород. Мощности
измерялись по вертикали с точностью до 1 см, шаг измерения - 5 см.
Среднее значение мощности гумусового горизонта значимо
возрастало от сорокалетнего к восьмидесятилетнему отвалу, а дальше
менялось незначительно. Вместе с тем дисперсия увеличивалась
почти в три раза при переходе от сорокалетнего к стапятидесяти-
летнему отвалу. Вклад в пространственную вариабельность
свойства различных пространственных составляющих был
проанализирован при помощи расчета вариограмм. Все вариограммы
были аппроксимированы сферическими моделями. Величина
наггет-дисперсии для всех объектов составила 1/5-1/3 от общей
дисперсии. С увеличением возраста отвала наггет-дисперсия
увеличивалась. Оценки радиуса корреляции оказались близкими для
всех трех отвалов и составили 15-20 см. Авторами показано, что
мощности гумусового горизонта, формирующегося на
разновозрастных отвалах, могут быть охарактеризованы при помощи
показателя фрактальной размерности. Значение этого показателя
увеличивалось с возрастом отвала, что может быть
интерпретировано как возрастание сложности границ гумусового горизонта.
X. Кьян и К. Клинка (Qian, Klinka, 1995) исследовали
мощность органопрофиля в трех прибрежных лесах (Британская
Колумбия, Канада) различного состава, форм гумуса,
экологического состояния и разной степени нарушенности, с помощью кри-
гинга. Исследования проводились в двух масштабах: с шагом
1х1ми15х15см. Данные, полученные для детального масшта-
23
ба, использовались на расстояниях < 100 см, для крупного
масштаба - на расстояниях от 100 до 800 см. Распределение
мощности органопрофилей на нарушенных участках сильно
отличалось от нормального. Сильная правая асимметрия
свидетельствует о наличии тонкого слоя подстилки на нарушенных
участках. Вариограммы, построенные для мощностей
органопрофилей хорошо описывались сферической и экспоненциальной
моделями. Остаточная дисперсия (процентное отношение наг-
гета к пороговому значению) составляла всего 0,2-14%.
Авторы объясняют это тем, что мощность горизонтов относится к
легкоизмеримым свойствам, и поэтому здесь невелика
аналитическая ошибка, которая является частью наггета.
Картографирование мощностей органопрофилей с помощью кригинга
позволило выявить распределение форм гумуса в пределах
участка.
Й. Лиски (Liski, 1995) использовал вариографию для оценки
пространственной вариабельности мощностей органического
(F/H) и минерального (Е) горизонтов. Остаточная дисперсия
составила 29% для органического горизонта и 57% для горизонта Е,
радиус корреляции - 1,7 м и 2,6 м, соответственно. Автор
полагает, что радиус корреляции отражает воздействие деревьев на
пространственное распределение горизонтов (среднее
расстояние между деревьями на исследуемом участке около 3 м).
Дополнительно проведенный анализ кросс-вариограмм показал, что
мощность горизонта Е связана с содержанием органического
углерода в слое 10-20 см.
В ряде случаев источником важной информации является
анализ анизотропных вариограмм, то есть вариограмм по
выбранным направлениям. Он позволяет выявить причины
варьирования свойств. Г. Дж. Ди с соавторами (Di et al., 1989)
использовал анизотропные вариограммы для анализа распределения
глубины залегания пятен оглеения, прослоев гравия и
мощности супесчаного и/или более лёгкого слоя в аллювиальных
почвах (Новая Зеландия). Все три свойства показали анизотропию.
Наиболее сильная степень анизотропии наблюдалась для
глубины до пятен оглеения, наименьшая - для мощности супесчаного
слоя. Вариограмма для мощности супесчаного слоя имели
наибольшее значение наггета. Анизотропия свойств отражала
последовательное изменение состава аллювиальных отложений и
дренажа почв в направлении перпендикулярном осушительному
каналу. Параллельно каналу изменения свойств были
незначительны.
Существует множество интерполяционных методов,
основанных на пространственной корреляции между наблюдениями для
24
предсказания значений в неопробованных местах с
использованием информации об одной или нескольких переменных
(Goovaerts, 1999; McBratney et aL, 2000).
X. Буриннан с соавторами (Bourennane et aL, 1996, 2000)
сравнивал использование универсального кригинга с внешним
дрейфом с другими видами кригинга: обычным кригингом, обычным
кригингом с внешним трендом, универсальным кригингом, а
также обычной линейной регрессией. Исследования проводились
для мощности всех рыхлых поверхностных отложений и
мощности слоя пылеватого тяжелого суглинка на плато Бок
(центральная Франция). В качестве вспомогательной переменной в обоих
случаях использовался градиент склона, который в значительной
степени коррелировал с мощностями. Результаты показали, что
в среднем лучшее предсказание дает универсальный кригинг с
внешним дрейфом. Это объясняется тем, что учитывается не
только информация о вспомогательных переменных, но и
пространственная корреляция между двумя переменными. Кроме
того, результаты показали, что при увеличении объема выборки
точность универсального кригинга возрастает, в то время как
точность метода линейной регрессии остается той же.
М. Кноттер с соавторами (Knotter et aL, 1995) сравнивал
использование кригинга, ко-кригинга и кригинга,
комбинированного с регрессией, при пространственной интерполяции мощности
рыхлой толщи. В качестве вспомогательной переменной
использовалась электропроводность почв. Исследования показали, что
при интерполяции таких трудноизмеримых свойств, как
мощность горизонтов лучше всего использовать дополнительную
информацию о скоррелированных переменных. Из двух
многопеременных методов лучшую оценку дал кригинг, комбинированный
с регрессией.
Мощность почвенных горизонтов - это непрерывная
переменная, часто имеющая положительно скошенное
распределение. Положительная асимметрия и обилие нулевых значений
мощности почвенных горизонтов делает невозможным
применение обычного кригинга и логарифмической трансформации
данных. В то же время, точная оценка свойств почвенных
горизонтов подразумевает, что точно известны места, где этот горизонт
присутствует. Б. Уорр с соавторами (Warr et aL, 2001) предложил
использовать индикаторный кригинг для выделения областей,
где горизонт присутствует, а затем в полученных областях
использовать обычный кригинг.
В настоящей работе мы предприняли попытку оценить
пространственную вариабельность наличия и мощности почвенных
горизонтов в почвах трех различных лесов средней и северной
25
тайги по данным традиционной почвенной съёмки с помощью
индикаторного кригинга, а также составить вероятностные
картограммы присутствия тех или иных генетических горизонтов
почвы.
ОБЪЕКТЫ И МЕТОДЫ
Исследования проводились на территории Карелии. Участки
«Южно-Климецкий» и «Гомсельга» находятся в пределах средне-
таежной подзоны, участок «Габсельга» - в пределах северной
тайги (Атлас Карельской АССР, 1989). Объекты в пределах сре-
днетаёжной подзоны относятся к Центральному
агроклиматическому району, который характеризуется коротким прохладным
летом и продолжительной зимой (150-190 дней), достаточным
количеством осадков, значительной облачностью и
неустойчивой погодой в течение большей части года. Количество осадков
в год 600-700 мм, коэффициент увлажнения 1,2; сумма
температур выше +5 °С за вегетационный период 1600-1700 °С, а выше
+10 °С - 400-1600 °С; средняя температура воздуха в январе
-11 ... -11,5 °С, в июле +15 ... +16 °С. Участок в пределах
северной тайги характеризуется низкой среднегодовой температурой
(+0,5-1 °С), за вегетационный период сумма температур выше
+5 °С составляет 1300-1800 °С, а выше +10 °С в пределах
1000-1200 °С. Годовое количество осадков 500-650 мм,
коэффициент увлажнения 1,42.
Все исследованные участки формируются в условиях грядо-
во-холмистого и грядового рельефа с проявлением интенсивных
разрывных нарушений на докембрийских кристаллических
породах. Это обусловливает сильную пересеченность рельефа,
обилие озерных и болотных котловин, многочисленные выходы
кристаллических горных пород.
Лес участка «Климецкий» определен как ельник черничный
влажный. Почвообразующие породы представлены песчаными и
супесчаными моренами, местами озёрными песками и
суглинками. Формула древостоя 10Е + Б + О, возраст деревьев 100 лет.
В напочвенном покрове преобладают черника, кислица,
разнотравье; встречаются земляника, ландыш, костяника, мышиный
горошек, брусника, хвощ. Встречаются мертвопокровные
участки, обильны выходы коренных пород. Почвенный покров
представлен вариацией подбуров оподзоленных, подзолов иллюви-
ально-железистых и иллювиально-гумусово-железистых и
усложнен пятнами торфяно-глеевых почв и литозёмов.
Территория участка «Гомсельга» была покрыта еловым
лесом, который был почти полностью уничтожен вырубками. Почво-
26
образующие породы представлены пылевато-песчаной мореной,
а также озёрно-ледниковыми песками, суглинками и глинами.
В настоящее время участок исследования занят вторичным
лесом. Определен как производный тип возрастом 50 лет, формула
древостоя IE + ЗС + ЗБ + ЗО. В подросте встречаются сосна,
береза, осина, рябина, ива, ель, можжевельник. В напочвенном
покрове преобладают черника, брусника, костяника, ландыш,
папоротник, земляника, иван-чай, вороний глаз, кислица, клевер, мох
сфагнум, кукушкин лен. Почвы достаточно разнообразны,
преобладают подбуры и торфяно-подбуры, подзолы иллювиально-
железисто-гумусовые, широко распространены торфяные олиго-
трофные почвы и торфяно-глеезёмы, на выходах
кристаллических пород присутствуют литозёмы, на озёрно-ледниковых
суглинках - дерново-подзолисто-глеевые почвы.
Участок «Габсельга» расположен на сильнопересеченной ле-
дораздельной возвышенности, сложенной супесчаной мореной.
На глубине 1,2-1,5 м моренные отложения подстилаются
диоритовой скалой. Значительная часть территории занята
вырубками, в том числе недавними, без выраженного восстановления
древесного яруса. На сохранившихся участках лес определен как
ельник черничный свежий, формула древостоя 10Е + Б, возраст
деревьев 100-120 лет. В подросте обильна рябина, встречается
береза бородавчатая и можжевельник. В напочвенном покрове
абсолютно преобладают зеленые мхи и черника, в единичном
количестве встречаются брусника, майник двулистный и луговик
извилистый. В почвенном покрове абсолютно доминируют
подзолы иллювиально-железисто-гумусовые глееватые песчано-су-
песчаные и торфяные олиготрофные почвы.
Исследовалась пространственная вариабельность различных
почвенных горизонтов. Использовались данные почвенной
съемки на территории 15-20 км2 для каждого участка. В каждой точке
опробования записывалась мощность лесной подстилки и
гумусового А, Е и иллювиального В горизонтов. Горизонты В не
подразделялись на группы (иллювиально-гумусово-железистый,
текстурный, метаморфический и т.д.), и дополнительные
признаки этого горизонта (например, глееватость) также не
принимались во внимание. Было заложено 159 разрезов на участке Кли-
мецкий, 162 - на участке Гомсельга и 138 - на участке Габсельга.
Схема заложения разрезов представлена на рис. 2.1.
Для определения пространственной вариабельности
почвенных горизонтов использовалась вариография (Джонгман и
др.,1999; Кузякова и др., 2001; Burgess, Webster, 1980). Для
построения карт почвенных свойств использовался обычный и
индикаторный кригинг.
27
KM
4-
3,5-
3-
2,5-
2-
1,5-
1-
0,5-
в
) • * * • * • • *шщл
• * *
• • • • • .
f
' 1 1 1 1 '
0 0,5 1 1,5 2 2,5
км
Рис. 2.1. Схема заложения разрезов на участках Климецкий (а), Гомсельга (б)
и Габсельга (в)
28
Индикаторный кригинг (Каневский и др., 1999; Lark, Ferguson,
2004) - это непараметрический нелинейный оцениватель,
который позволяет промоделировать пространственную корреляцию
для различных уровней значений в условиях высокой
вариабельности данных. Индикаторный кригинг аналогичен обычному
кригингу, проведенному для индикаторных переменных,
полученных из исходных данных следующим образом:
rl,z(*)£zc
/(*,zc)= (2.1)
|0,z(x)>zc.
Индикаторные оценки - оценки условной вероятности, что
z(x) ^ zc. Полученные в результате локальные функции
распределения для оценки дают возможность получить карты
вероятности и риска: оценку вероятности превышения пространственной
переменной заданного уровня значений; оценку значений,
превышаемых с заданным уровнем риска и т.п. В почвоведении
индикаторный кригинг использовался для построения карт вероятности
превышения предельно допустимых концентраций
загрязняющих радиоактивных веществ (Демьянов и др., 1999) и тяжелых
металлов (Goovaerts et al., 1997) или наоборот, дефицита
содержания питательных веществ в почве (Lark, Ferguson, 2004).
Первый шаг индикаторного кригинга - это замена обычных
переменных на соответствующие им индикаторные переменные,
согласно уравнению (2.1).
Следующая задача - охарактеризовать пространственное
распределение индикатора. Для этого используется
индикаторная полудисперсия, которая аналогична обычной полудисперсии
и определяется по формуле
1 ЩН) Г 12
Y(A'Zc)= 2^V(A) ? {Kxj9ze)-Hxj +A,zc)} , (2.2)
где I(xp zc) и I(Xj + Л, zc) - индикаторы в точках Xj и Xj+ Л,
разделенных расстоянием A, a N(h) - число пар, разделенных этим шагом.
Величина у(А, zc) - это мера того, как часто два значения z-nepe-
менных, разделенных расстоянием А, оказываются по разные
стороны от порогового значения zc. Другими словами, это мера
частоты перехода между двумя классами значений z как функция
от расстояния. Чем больше величина у(Л, zc), тем меньше связаны
в пространстве маленькие или большие значения (Goovaerts et al.,
1997; Goovaerts, 1998).
Для набора индикаторных полудисперсий при различных
шагах h можно затем подобрать одну из стандартных непрерывных
моделей, используемых для описания вариограмм (McBratney,
29
Webster, 1986). Оценка индикаторной функции может быть
получена для точки х с помощью обычного кригинга, проведенного
для соседних индикатор-трансформированных данных. Основное
преимущество индикаторного кригинга состоит в том, что он
может применяться не только для количественных переменных, но
и для категориальных данных, которые имеют конечное число
состояний.
Для расчета и построения вариограмм использовались пакеты
программ Excel и Variowin 2.2. (Pannatier, 1996), а для построения
карт пространственного распределения по предсказанным
значениям - Surfer 6.02 (Copyright © 1993-1996, Golden Software, Inc.).
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Статистические параметры, описывающие
пространственную вариабельность мощности почвенных горизонтов (Дмитиев,
1995), представлены в табл. 2.1.
Один из основных показателей варьирования свойств -
коэффициент вариации. Так, например, пороговая величина
коэффициента вариации в 25% рассматривается как разделяющая
однородные и неоднородные в отношении того или иного свойства
участки (Розанов, 1983). Таким образом, все горизонты на наших
участках неоднородны с высокой степенью варьирования,
причем эта степень возрастает в ряду горизонтов: В-О-Е-А.
Пространственная неоднородность почвы меняется с глубиной.
Согласно устоявшимся представлениям, наибольшей неоднородностью
обладает поверхностный горизонт почвы, а наименьшей - почво-
образующая порода. Розанов (1983) делает вывод, что
пространственная неоднородность почвы - это такой признак, который
усиливается постепенно с развитием почвообразования и в
определенной мере есть следствие почвообразования. Наши данные в
целом согласуются с этими представлениями, однако
вариабельность лесной подстилки оказалась ниже, чем поверхностных
минеральных горизонтов. Данные могут показаться несколько
неожиданными, поскольку даже для исследованных объектов
ранее показывалось высокое варьирование мощности горизонта О
(Соломатова и др., 1999). Это связано, по нашему мнению, с
двумя причинами. Во-первых, подстилка в лесных геобиоценозах
континуальна, то есть покрывает практически всю территорию,
за исключением непочвенных образований, в то время как гумус-
аккумулятивный и подзолистый горизонты во многих
ландшафтах дискретны, и за счёт нулевых значений возрастает их
вариабельность. Во-вторых, при почвенной съёмке обычно
происходит субъективное усреднение мощности подстилки: мощность
30
Таблица 2.1
Общая статистика мощности горизонтов
Участок
Климецкий
Гомсельга
Габсельга
Статистические параметры
число разрезов
наличие горизонта
макс, и мин. значение
ср. арифметическое значение
нижний квартиль
медиана
верхний квартиль
мода
дисперсия
ср. квадратическое
отклонение
коэффициент вариации
асимметрия
эксцесс
число разрезов
наличие горизонта
макс, и мин. значение
ср. арифметическое значение
нижний квартиль
медиана
верхний квартиль
мода
дисперсия
ср. квадратическое
отклонение
коэффициент вариации
асимметрия
эксцесс
число разрезов
наличие горизонта
макс, и мин. значение
ср. арифметическое значение
нижний квартиль
медиана
верхний квартиль
мода
дисперсия
ср. квадратическое
отклонение
коэффициент вариации
асимметрия
эксцесс
О
159
131
3+20
9,86
8,00
10,00
12,00
10,00
10,53
3,25
32,91
0,26
-0,11
162
150
1+17
7,15
5,00
7,00
9,00
7,00
9,20
3,03
42,44
0,78
0,79
138
104
2+17
8,95
6,00
8,00
10,00
10,00
11,33
3,37
37,60
0,43
-0,39
А
159
92
1+38
12,04
7,00
10,00
15,00
10,00
60,97
7,81
64,83
1,75
3,24
162
128
1+30
9,52
5,00
8,00
11,25
10,00
33,56
5,79
60,88
1,32
1,81
138
20
2+20
7,95
5,00
6,50
10,00
5,00
19,94
4,47
56,18
1,23
1,41
Е
159
70
1+36
13,76
8,25
12,00
19,50
8,00
50,97
7,14
51,90
0,81
0,77
162
63
2+24
11,90
8,00
12,00
15,00
20,00
30,22
5,50
46,17
0,11
-0,91
138
97
1+25
12,18
10,00
11,00
15,00
15,00
24,75
4,98
40,86
0,20
-0,53
В
159
132
19+83
47,04
38,00
47,50
54,25
50,00
146,53
12,11
25,73
0,37
-0,004
162
145
15+80
40,97
30,00
40,00
50,00
40,00
161,23
12,70
31,00
0,61
0,19
138
98
25+80
46,56
36,25
45,00
55,00
40,00
151,84
12,32
26,46
0,39
-0,45
31
VO
8 ~
♦
♦
♦
♦
,♦
Ч
i i i i i i
.8"*
К
О
о
и
^v I 1 1 1 1 Г
-co m о »n о «л о
V^m СЧ <N ^н т-ц о О
о о о о о о о
*о
I 1 1 1 1 Г
^* о" с? о" о4 о4 о" о"
а н
CN О б СО
о
♦
♦
2
*о
-^ I 1 I 1 1 Г
-5-,© <П О «Л О >Л О
^cn (N N -н ^ О О
о" о' о" о" о" о" о"
g
я
и
о
8^
&S
u з
Я о
о 3 °
н У S
а в g
&й|
g s §
5 s «
з i 8
Л РГ у
Д Н ее
ал»
Л а м
I
о
I 8 fc
i
Я s !
я * a
sS &
СМ О О
о
Я
Он
_ I—I—I—I—I—г
^о m о »о,о «о о
vw N(S;hhOO
*■"©* о* © ©" о" ©* ©"
последней варьирует даже в пределах стенки почвенного разреза,
и исследователь обычно берёт среднее значение мощности.
Для построения карт почвенных свойств мы использовали
индикаторный кригинг, чтобы выделить области наличия
горизонтов. Для этого была введена дополнительная индикаторная
переменная
/<*.о>-•,' п (2.3)
[0,й(лг) > 0,
где h(x) - мощность горизонта в точке х. К имеющимся данным,
были добавлены точки с нулевой мощностью горизонта (и
соответствующие им индикаторные переменные), имитирующие
озера, скальники и т.д.
Для индикаторных переменных была проведена процедура
обычного кригинга. Сначала были вычислены вариограммы и
подобраны соответствующие модели (по методу наименьших
квадратов) (рис. 2.2,2.3). Параметры вариограмм представлены в
таблице 2.2.
Для участков Гомсельга и Габсельга вариограммы для
мощностей всех горизонтов (за исключением горизонта А на участке
Габсельга) хорошо описываются экспоненциальной моделью с
рангом от 720 до 990 м.
Для участка Габсельга, индикаторные вариограммы для
мощностей горизонтов О, Е и В имеют достаточно высокое
Таблица 2.2
Параметры моделей индикаторных вариограмм
для мощностей горизонтов
Участок
Климецкий
Гомсельга
Габсельга
Горизонт
О
А
Е
В
О
А
Е
В
О
А
Е
В
Модель
периодическая
периодическая
периодическая
периодическая
экспоненциальная
экспоненциальная
экспоненциальная
экспоненциальная
экспоненциальная
сферическая
экспоненциальная
экспоненциальная
Наггет
0,156
0,116
0,094
0,151
0,045
0,030
0,020
0,066
0,111
0,009
0,111
0,108
Порог
0,235
0,180
0,147
0,236
0,246
0,264
0,196
0,255
0,255
0,097
0,255
0,255
Ранг,
м
-
750
810
750
990
870
270
720
720
Период, м
4290
4335
4617
4541
-
-
Наггет/
порог,
%
;
18,3
11,4
10,2
25,9
43,5
9,3
43,5
42,4
34
км д км б
т—i—i—i—i—i—i—i—i—I -\—i—i—i—i—i—i—i—i—г
О 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
км км
км в км г
т—i—i—i—г—i—i—i—1—I т—i—i—i—i—г—i—i—i—г
О 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
км км
Рис. 2.4. Вероятностные карты существования горизонтов О (а), А (б), Е (в)
и В (г) на участке Климецкий
Черным цветом выделены зоны существования горизонтов с вероятностью 70%
значение остаточной дисперсии (42-43%). Это означает, что в
основном смена зон наличия / отсутствия горизонтов происходит на
расстояниях меньших, чем 100 м. При этом все параметры варио-
грамм практически совпадают. Это означает, что горизонты
подчиняются одним и тем же законам распределения. Интересно
отметить, что подобное распределение связано с низким
почвенным разнообразием данного участка. Ранее опубликованные
данные (Красильников и др., 2000) показывают, что данный участок
имеет крайне низкие формальные показатели почвенного
разнообразия; это связано с тем, что там абсолютно доминируют
подзолы и торфяные почвы. Понятно, что в подзолах горизонты О,
Е и В всегда присутствуют совместно, что и отражается в единых
закономерностях их пространственного распределения. Можно
35
км а км б
км км
км в км г
км км
Рис. 2.5. Вероятностные карты существования горизонтов О (а), А (б), Е (в)
и В (г) на участке Гомсельга
Черным цветом выделены зоны существования горизонтов с вероятностью 70%
сделать общий вывод о том, что единая пространственная
структура для нескольких горизонтов характеризует достаточно
монотонный почвенный покров (однородный или мозаичный с малым
количеством компонентов). Если же закономерности
пространственного распределения различны, то можно ожидать большего
почвенного разнообразия за счёт формирования неполных
комбинаций горизонтов.
Для участка Климецкий вариограммы носят
псевдопериодический характер (подъем до некоторого значения, а затем спуск).
36
KM
4-
3,5-
3-
2,5-
2-
1,5-
1-
0,5"
б
^ 0
if
#
" 1 1 1 1 1
0 0,5 1 1,5 2 2,5 0 0,5 1 1,5 2 2,5
KM KM
KM
4-
3,5-
3-
2,5-
2-
1,5-
1-
0,5-
t
zf\
яр
*
ш.\
ь,а \
KM.
3,5
ЗА
2,5
1,5
0,5
cr
О
1 1 1—
0 0,5 1 1,5 2 2,5
KM KM
Рис. 2.6. Вероятностные карты существования горизонтов О (а), А (б), Е (в)
и В (г) на участке Габсельга
Черным цветом выделены зоны существования горизонтов с вероятностью 70%
37
Это вызвано формой участка, с двух сторон его окружает вода, и
период вариограммы соответствует ширине острова. Подобный
«островной эффект» следует учитывать для всех участков,
окружённых непочвенными образованиями. Более низкие пороговые
значения вариограмм для горизонтов А и Е свидетельствуют о
том, что эти горизонты скорее отсутствуют (преобладают
нулевые значения мощности).
На основании индикаторных вариограмм были построены
вероятностные карты существования горизонтов (рис. 2.4-2.6).
Горизонт В и лесная подстилка равномерно распределены в
пределах участков. Что касается горизонтов Е (на участке Гом-
сельга), А (на участке Габсельга) и обоих этих горизонтов на
участке Климецкий, можно выделить лишь отдельные «пятна», где
эти горизонты существуют. Сравнение вероятностных карт и
схем пробоотбора показало, что в отдельные контуры попадает
от 2 до 35 разрезов. Этого недостаточно для проведения кригин-
га. Для составления картограмм мощностей горизонтов
рекомендуется либо использовать среднее значение мощности по
контуру, либо использовать другой метод (например, метод обратных
расстояний) (Савельева и др., 1999; Laslett et al., 1987).
В дальнейшем вероятностные карты могут быть
использованы для построения почвенных карт. Можно определить в каждой
точке вероятность существования каждого горизонта, и таким
образом определить тип почвы. Эти карты также могут быть
Таблица 2.3
Параметры моделей вариограмм для мощностей горизонтов
Участок
Климецкий
Гомсельга
Габсельга
Горизонт
О
А
Е
В
О
А
Е
В
О
А
Е
В
Модель
сферическая
сферическая
сферическая
двойная
сферическая
сферическая
сферическая
периодическая
периодическая
Наггет
3,41
99
6,30
6,82
128
7,44
21,19
151
Порог
10,23
144
9,40
32,53
169,60
11,76
24,28
182,4
Ранг,
м
390
240
900
210
3000
3000
180
Период, м
-
-
2036
4162
Наггет/
порог,
%
33,3
68,8
67,0
20,6
75,5
63,3
38
*h)
14
12
10
8
6
4-1
2-1
0
0
ЗО-i
20-L
154
101
54
04-
,'—-жчгЬ-
■ ■ ■ ■ ■ А
1 1 1 1 1 1
500 1000 1500 2000 2500 3000
■^V
0 500
—i i 1 1 1
1000 1500 2000 2500 3000
200-1
150 J
1004
50-]
О
500 1000 1500 2000 2500 3000
lag h, м
;ш;^тгг
1
—I I 1 1 1 1
О 500 1000 1500 2000 2500 3000
lag К м
--2 ■ 3
Рис. 2.7. Вариограммы мощности горизонтов О (а), А (б), Е (в) и В (г) на
участках Климецкий (1), Гомсельга (2) и Габсельга (3)
Ось абсцисс - расстояние между точками опробования, м
Ось ординат - значение полудисперсии, см2
уточнены с помощью дизъюнктивного кригинга (VonSteiger et al.,
1996; Webster, Oliver, 1989). Он позволяет ввести диапазон
пороговых значений переменных и таким образом, можно будет
выделить контуры по мощности горизонтов (мощный, среднемощ-
ный, маломощный, отсутствует горизонт).
Пространственная вариабельность мощностей горизонтов
была оценена с помощью вариограмм. Параметры моделей
представлены в табл. 2.3.
Параметры моделей для различных горизонтов и
различных участков значительно отличаются между собой (рис. 2.7,
табл. 2.3).
Лесная подстилка на участке Габсельга распределена
главным образом случайно, о чем свидетельствует невысокое значение
ранга и высокое - остаточной дисперсии. Основные изменения
здесь происходят на расстояниях, меньше чем шаг опробования
(100 м), причем отклонения от среднего достаточно сильны, на
этом участке наблюдается наибольшее значение порога и
дисперсии. На участке Гомсельга для горизонта О также высоко
39
значение остаточной дисперсии, но при эиом также высоко и
значение ранга. Это означает, что, несмотря на мелкомасштабную
вариацию, пространственные корреляции между точками
сохраняются до расстояния 900 м. На участке Климецкий значение
остаточной дисперсии и ранга существенно ниже. Здесь основные
изменения мощности подстилки происходят на расстоянии до
390 м. Различия в пространственной структуре мощностей
подстилки были интерпретированы следующим образом. Участки
Габсельга и Гомсельга сильно нарушены вырубками, поэтому
лесная подстилка местами не полностью восстановилась,
местами же происходит вторичное заболачивание, приводящие к росту
мощности подстилки. Эти факторы, достаточно случайно
распределённые, приводят к высоким значениям остаточной
дисперсии. Пространственная корреляция данных выше в Гомсельге,
поскольку растительный покров и, соответственно, подстилка,
восстановлены на большей части территории.
Достаточно большой областью, горизонт А присутствовал
только на участке Гомсельга. Здесь вариограмма лучше всего
описывалась двойной сферической моделью. Это означает, что
можно выделить по крайней мере три уровня пространственной
неоднородности мощности горизонта. Первый уровень - это наг-
гет-вариация. Она достаточно мала (наименьшее значение
остаточной дисперсии для всех участков и всех горизонтов).
Следующий уровень - это вариация на расстоянии до 210 м. Именно на
этом расстоянии происходят наибольшие изменения мощности
горизонта. Третий уровень - это вариации на расстоянии до
3000 м. Столь большой ранг свидетельствует о том, что
пространственная зависимость между точками по мощности
горизонта А сохраняется практически в пределах всего участка.
Подобное распределение индицирует «гнездовую структуру»
распределения мощности данного горизонта. В реальном
географическом пространстве это означает следующее: в пределах
неких участков среднего линейного размера около 200 метров
происходит существенное варьирование мощности горизонта А.
На характерном расстоянии около 3000 метров происходит
смена ландшафта: появляются другие участки, в которых данные
также варьируют, но в другом диапазоне значений.
Также достаточно большой площадью горизонт Е
присутствовал только на участке Габсельга. Здесь изменения мощности
горизонта носят периодический характер (период около 2000 м).
Максимумы полудисперсии приходятся на расстояния 500 и 2500 м.
Подобная периодичность была приписана закономерным изменениям
мощности подзолистого горизонта по мезорельефу: на вершинах
моренных гряд его мощность меньше, чем у подножий склонов.
40
Вариограммы для мощности горизонта В отличаются
большим значением остаточной дисперсии. Это связано с
субъективной ошибкой определения мощности данного горизонта. Если
нижняя граница поверхностных горизонтов определяется с
довольно большой точностью (поскольку переходы между
горизонтами обычно резкие и ясные, то есть укладываются в
диапазон 1-3 см), то переход между горизонтом В и почвообразующей
породой обычно постепенный (10 и более сантиметров). В этом
случае каждый исследователь отмечает границу в соответствии с
собственными представлениями. Учитывая, что в почвенной
съёмке принимало участие большое количество людей, в том
числе и студентов, ошибка определения мощности горизонта В
должна быть значительно выше, чем для прочих горизонтов.
На участке Габсельга вариограмма для мощности В носит
периодический характер (как и для горизонта Е), но период в два раза
больше (4160 м). Анализ почвенного покрова позволил
предположить, что это связано с тем, что в мезорельефе территории
чередуются гряды разной относительной высоты. Мы
предполагаем, что только самые крупные гряды влияют на мощность
горизонта В, как менее сенсорного к внешним факторам, в то время
как мелкие промежуточные гряды определяют колебания в
мощности подзолистого, но не иллювиального горизонта.
ВЫВОДЫ
1. Исследование трёх лесных участков в Южной и Средней
Карелии показало, что мощность всех почвенных горизонтов
обладает значительной изменчивостью в пространстве.
Вариабельность мощности возрастает в ряду почвенных горизонтов
В-О-Е-А.
2. Был проведен индикаторный кригинг для мощностей
горизонтов О, А, Е и В на трех различных участках. На исследуемых
участках непрерывное распределение имеют только лесная
подстилка и горизонт В. Распределение горизонтов А и Е в основном
представлено множеством контуров различной площади. В
основном, смена зон наличия/отсутствия горизонтов происходит на
расстояниях 700-900 м.
3. Сходная пространственная структура распределения
различных почвенных горизонтов, определяемая на основании
индикаторного кригинга, свидетельствует о низком почвенном разнообразии.
4. Обыкновенный кригинг мощности лесной подстилки выявил
низкую пространственную корреляцию данных в нарушенных
ценозах. С восстановлением ценоза пространственная корреляция
возрастает и достигает максимума в старовозрастном ельнике.
41
5. Обыкновенный кригинг мощности горизонта А на участке
Гомсельга выявил гнездовую структуру, что означает, что в
пределах участка встречаются блоки с разными диапазонами
вариации мощности горизонта; при этом внутри каждого блока
вариабельность также высока.
6. Обыкновенный кригинг мощности горизонтов Е и В
выявил периодичность в распределении данных для участка Габ-
сельга, причём периодичность в распределении мощности
горизонта В в 2 раза больше, чем для горизонта Е. Мы объяснили
результаты анализа тем, что мощность горизонта Е более
отзывчива на внешние факторы (мезорельеф), чем мощность В.
Глава 3
ПРОСТРАНСТВЕННАЯ ВАРИАБЕЛЬНОСТЬ
ПОЧВЕННЫХ ГИДРОФИЗИЧЕСКИХ СВОЙСТВ:
ИССЛЕДОВАНИЕ СИТУАЦИИ В ХЕРЦЕГАЛОМЕ,
ВЕНГРИЯ
Форкаш Ч.1*, Рожкай К.1*, Кертеж М.2*,
вон Мейрвенне М.3*
1* Исследовательский институт почвоведения и агрохимии
Венгерской академии наук, Будапешт, Венгрия
2* Институт экологии и ботаники Венгерской академии наук,
Н-2163, Вакратот, Венгрия
3* Департамент обработки и охраны почв,
Гентский университет, Гент, Бельгия
Резюме
Почвы, формирующиеся на лессовых породах, - наиболее гомогенные и
плодородные сельскохозяйственные угодья в Венгрии. Однако даже на этих
гомогенных пространствах развитие и продуктивность сельскохозяйственных
культур варьирует в пространстве. В данной работе по исследованию ситуации в
Херсегаломе, находящемся в 50 км на северо-запад от Будапешта, изучалась
пространственная вариабельность различных почвенных свойств с целью
установить их потенциальный эффект на продуктивность культур. Использовался
отбор образцов по регулярной сетке на поле площадью 1500 га с целью
установить область достоверной экстраполяции единичного образца и смоделировать
пространственную структуру таких почвенных свойств и характеристик, как
значения водоудерживающей способности, гранулометрического состава,
содержания органического вещества, содержания свободных карбонатов и пр.
Для описания пространственного поведения изученных почвенных свойств
использовались стандартные методы геостатистики. Динамика содержания влаги
в почве и элементы водного баланса были смоделированы для двух почвенных
профилей для метеорологических условий вегетационных сезонов за два года.
Модели были верифицированы по данным измерений динамики содержания
влаги в почве. Для пространственной экстраполяции точечных имитационных
моделей было использовано два подхода: регрессия и концепция размерности.
Считая пространственную достоверность значений эвапотранспирации,
полученных в ходе имитационного моделирования, такой же, как и для
верифицированных данных, были созданы картограммы, отражающие пространственную
структуру значений кумулятивной эвапотранспирации и отношения транспира-
ции под разными культурами. Помимо пространственной структуры различных
почвенных свойств Чернозёмов, результаты имитационного моделирования
показывают, что вариабельность гидрофизических свойств почвы отражается в
водном балансе системы почва-растение, и эта вариабельность влияет на
активность растений при сухих и неблагоприятных погодных условиях.
43
Abstract
Soils developed on loess material are the most homogeneous and best fertile
agricultural areas in Hungary. However, even on these homogeneous areas the crop
development and productivity is spatially variable. In a case study in Herceghalom - about
50 km NW from Budapest - spatial variability of different soil properties was studied in
order to establish their potential effect in crop productivity. A regular grid sampling of
the 1500 ha large-scale farm was used to establish the spatial validity of a point sample,
and to generate the territorial pattern of the different soil properties and characteristics as
water-retention values, particle-size fractions, organic matter and lime content, etc.
The standard geostatistical methods were used to describe the spatial behaviour of the
studied soil properties. Soil water content dynamics and soil water balance elements of
two reference soil profiles were simulated for the vegetation periods of two
meteorological years. Measured soil water content dynamics were used as references. Two different
approaches - a regression technique and the scaling concept - were applied to perform
spatial extension of the point simulation models. Assuming the same spatial validity of
the simulated evapotranspiration values, maps, indicating the spatial pattern of the
cumulated evapotranspiration values as well as the transpiration ratio of the different crops
were produced. Beside the area pattern of different soil properties of the Chernozem soil
cover, the simulation results showed that the spatial variability of the soil hydrophysical
properties appears in the soil-crop water balance, and they affect the plant activity when
the climatic conditions are dry and unfavourable.
ВВЕДЕНИЕ
В Венгрии Чернозёмы (Моллисоли), формирующиеся на
лёссовых породах, являются наилучшими для
сельскохозяйственного использования. В практике землепользования в большинстве
случаев они рассматриваются и обрабатываются как гомогенные
почвы. Однако пространственная вариабельность может
проявляться в варьировании урожаев в пределах одного поля, даже в
районах, которые рассматриваются как гомогенные с точки
зрения почвенной съёмки. На почвенных картах пространственное
распределение почв представлено в виде системы почвенных
контуров. Содержание почвенного контура определяется по
реферативному почвенному профилю, и считается, что внутри
границы контура почвы одинаковы. В ряде случаев, например в
практике «точного земледелия», также следует рассматривать и
гетерогенность почвы внутри контура. Степень гетерогенности
внутри контура зависит от исследуемого свойства. Дж.М. Апчёч
с соавторами (Upchurch et al., 1988) исследовал пространственную
вариабельность основных почвенных свойств, используя данные,
полученные при анализе почвенных образцов, отобранных из
разных точек в пределах почвенного контура, обозначенного на
карте как гомогенный. Коэффициент вариации (KB) этих
свойств лежал в диапазоне от 7 (для плотности) до 75
(насыщенная гидравлическая проводимость). Дж.Х.М. Вёстен с соавторами
(Wosten et al., 1985) обнаружили, что KB потенциальных запасов
44
доступной для растений влаги (ЗДВ) значительно ниже, чем у
почвенных свойств, которые использовались для расчётов ЗДВ.
Это показывает, что пространственная вариабельность различна
для базовых и производных почвенных свойств.
Влияние разнообразных источников гетерогенности почв на
годовой или долговременный средний водный баланс почв
оказывается довольно разным (Kim, 1995; Stekauerova and Nagy,
2002). Имитационные модели - эффективные инструменты
анализа водного режима и его зависимости от физических свойств
почв (например, Majercak and Novak, 1994; Djurhuus et al, 1999;
Stekauerova, 1999). Имитационные модели, будучи применёнными
в полевом масштабе, должны быть переведены в другой масштаб
из точечных данных почвенного профиля с помощью
геостатистических методов (Van Meirvenne et al, 1995; Toth and Kuti, 2002)
или эффективных водных параметров (Smith and Diekkriiger,
1996). Использование эффективных водных параметров
значительно уменьшает количество имитационных моделей, но
рассматривает всё поле как эквивалентный почвенный профиль.
Недостаток этого подхода в том, что он не отражает
пространственную структуру элементов водного баланса.
Нашей задачей было проанализировать различия в водном
балансе Чернозёмов в результате пространственной
гетерогенности водных свойств почвы: характеристики водоудерживаю-
щей способности почвы (в России - основная гидрофизическая
характеристика почвы, ОГХ) и функции гидравлической
проводимости почвы. Поскольку отдельные почвенные физические
свойства воздействуют на урожай культур различным образов и
в различной степени, мы решили интегрировать их влияние
путём имитации водного баланса почвы и использовать транспира-
цию как показатель урожайности. Мы приняли, что поле состоит
из серии одномерных невзаимодействующих почвенных
профилей, каждый из которых характеризуется серией функций
водного баланса. Для моделирования водного режима были
использованы имитационные модели SOIL и SWAP, а для
пространственной экстраполяции точечных моделей использовалась регрессия
и методы изменения размерности.
МАТЕРИАЛЫ И МЕТОДЫ
Экспериментальный участок. Полевые исследования
проводились на Чернозёме, сформировавшемся на суглинистом
лёссовом материале в Херцегаломе, Венгрия (50 км к северо-западу от
Будапешта). Участок, на котором проводились исследования,
принадлежит государственному хозяйству Херцегалом, имеюще-
45
му площадь около 15 км2 (1500 га). Рельеф участка
слабоволнистый, абсолютные высоты колеблются от 130 до 200 м над
уровнем моря.
Использование земель в период исследований было:
кукуруза (498 га), озимая пшеница (485 га), альфальфа (150 га) и
многолетние травы (140 га). Пространственная вариабельность
физических свойств почвы, вызванная, скорее всего, умеренной
ветровой и водной эрозией, а также разницей в использовании
земель, была наиболее выражена в пахотном горизонте. Были
выбраны два репрезентативных почвенных профиля под двумя
основными культурами, кукурузой и озимой пшеницей. Описание
почвенных профилей приводится в работе К. Рожкай и соавторов
(Rajkai et al., 1997).
Отбор и анализ образцов.
Отбор образцов из репрезентативных почвенных профилей.
Нарушенные и ненарушенные (объёмом 100 см3) почвенные
образцы отбирались по генетическим горизонтам
репрезентативных почвенных профилей. Ненарушенные почвенные керны
были осторожно извлечены из бура, завёрнуты в полиэтилен и
хранились в холодильнике при 4 °С до начала анализа. Нарушенные
почвенные образцы использовались для определения
гранулометрического состава методом пипетки (Buzas, 1993). В
ненарушенных образцах определялась плотность и водоудерживающая
способность. В них определялось содержание влаги при
значениях pF 0,0, 0,4, 1,0, 1,5, 2,0, 2,3 и 2,7 по методу Г. Вараллея
(Varallyay, 1973) и при значениях pF 3,4 и 4,2 в нарушенных
образцах тензиометрическим методом (Varallyay, 1973). Данные по во-
доудерживающей способности были выражены в единицах
объёмного содержания влаги в почве, используя для преобразования
значения плотности почвы.
Площадной отбор образцов почвы. Предварительный отбор
образцов, анализ данных и вариограмм были произведены в 1991
году по регулярной сетке. Предварительный отбор образцов
состоял из двух этапов:
- отбор образцов из 64 пунктов, расположенных по
регулярной сетке, покрывавшей весь исследуемый участок. Сетка была
ориентирована почти строго с севера на юг и с запада на восток;
расстояние между пунктами отбора образцов было 425 м.
- отбор почвенных образцов в 5 пунктах по двум трансектам,
ориентированным с СЗ на ЮВ и с СВ на ЮЗ для более точного
вычисления параметров вариограмм. На каждой из трансект
было по 4 точки отбора образцов, на расстоянии в 25, 50, 100 и
200 м от точки отсчёта для трансекты, ориентированной с СЗ на
46
ЮВ, и 35, 70, 140 и 280 м для трансекты, ориентированной с СВ
на ЮЗ. В одном из случаев также отбирались образцы по двум
коротким трансектам. Расстояния между точкой отсчёта и
точками отбора образцов были 5, 10, 15 и 20 м.
Нарушенные и ненарушенные образцы отбирались из
верхнего почвенного горизонта с глубины 5-10 см. Определялись
плотность, гранулометрический состав и водоудерживающая
способность почв при помощи тех же методов, которые
использовались для образцов, отобранных из репрезентативных
почвенных профилей.
Основной задачей репрезентативного отбора образцов,
выполненного в 1992 году, было картографирование некоторых
физических свойств почвы в исследуемом районе в детальном
масштабе. Расстояние между узлами сетки в 425 м,
использованное для отбора образцов в 1991 году, было сокращено вдвое
путём отбора образцов ещё в 153 пунктах таким образом, чтобы
расстояние между точками отбора проб составило 212 м.
Дальнейшее разделение дистанции отбора проб вдвое (до 106 м) было
проведено на 1/6 исследованной площади путём отбора ещё 126
образцов. Кроме того, мы отобрали почвенные образцы
случайным образом из 30 точек для оценки точности карты.
Отбирались нарушенные и ненарушенные (объёмом 100 см3)
почвенные образцы из верхнего горизонта почв с глубины
5-10 см в 448 точках. Принимая во внимание происхождение почв
в районе исследований, более глубокие почвенные горизонты
считались гомогенными. Почвенные свойства, определявшиеся в
отобранных с поверхности образцах, были те же, что и для
образцов, отобранных по генетическим горизонтам
репрезентативных почвенных профилей. Для каждой точки отбора образцов
отмечалась её положение по рельефу (вершина холма, склон или
понижение).
Для характеристики почвенной вариабельности в районе
фермы были созданы пространственные базы данных,
состоящие из географических координат и физических свойств почвы
во всех 448 точках измерений.
Статистический анализ. Для исследования эффекта высот
и различия в использовании земель на некоторые физические
свойства почв был использован анализ вариации. Мы
использовали теорию регионализированных переменных для
исследования пространственной вариабельности почвенных физических
свойств (Matheron, 1971). Функция полудисперсии (полувариации)
у(Л) равна половине квадрата ожидаемой разницы значений в
точках, разделённых определённым расстоянием (лагом) и
используется для выражения пространственной вариации (Journel
47
and Huijbregts, 1987). Для вычисления функции вариограммы,
подбора модели и пространственной интерполяции методом
блочного кригинга были использованы пакеты
геостатистических программ GEO-EAS (1991) и GeoPack (Yates and Yates, 1999).
В качестве моделей вариограмм для выбранных физических
свойств почвы использовались Гауссова, сферическая и
экспоненциальная модели. Процедура кросс-валидации применялась
для проверки адекватности выбранных моделей вариограмм с
помощью кригинга. Для оценки значений в точках, где измерения
не производились, использовался блочный кригинг с блоками
размером 50 х 50 м.
Полевые измерения. Объёмное содержание почвенной влаги
измерялось в репрезентативных почвенных профилях до
глубины 140 см через каждые 10 см 7 раз под пшеницей и 10 раз под
кукурузой в течение 1993 года и 12 раз под каждой культурой в
течение вегетационного периода 1994 года. Определения
содержания почвенной влаги производились с помощью ёмкостной
пробы BR-150, разработанной в RISSAC (Исследовательский
институт почвоведения и агрохимии Венгерской академии наук)
(Andren et al., 1991; Varallyay and Rajkai, 1987).
Гидравлическая проводимость поверхности почвы в
состоянии, близком к насыщенному (Rajkai et al., 1993, 1997; Jarvis et al.,
2002), измерялась вблизи репрезентативных почвенных
профилей с помощью дискового инфильтрометра (Ankeny et al., 1988)
при потенциалах почвенной влаги -3, -6 и -12 см.
Гидравлическая проводимость почвы в насыщенном состоянии определялась
путём экстраполяции экспоненциальной функции, полученной
путём подгонки к измеренным значениям гидравлической
проводимости (Ankeny et al., 1988).
Определение динамики содержания влаги
Использование имитационной модели SOIL. Модель SOIL
представляет в одномерном варианте динамику влаги и тепла в
стратифицированном на горизонты почвенном профиле,
покрытом растительностью. Поскольку решение уравнений,
используемых в модели, производится методом конечной разницы,
почвенный профиль разделяется на конечное количество слоев.
Детальное техническое описание модели приводится П.-Е. Янсо-
ном (Jansson, 1996).
Поскольку для исследованной территории характерно
глубокое (>5 м) залегание грунтовых вод, мы имели дело только с
ненасыщенной частью почвы. Расчёты базировались на
дифференциальных уравнениях, описывающих потоки в почвенном
48
профиле; эти уравнения, в свою очередь, основаны на уравнении
Ричардса, принимающего, что поток воды в почве ламинарен.
Для решения уравнения влагопотока необходимо знать две
почвенные физические функции, а именно отношение между
содержанием влаги в почве и почвенным потенциалом, описанное
уравнением Брукса и Корей (Brooks and Corey, 1964), и функцию
гидравлической проводимости в ненасыщенном состоянии.
Последняя может быть рассчитана с помощью модели, предложенной
Й. Муалемом (Mualem, 1976). Чтобы учесть действие макропор,
величина гидравлической проводимости в модели увеличивается,
когда содержание влаги достигает величины общей порозности
минус 4%.
Растительность рассматривается как связующее звено между
водой в почве и испарением воды в воздух. Водный поток
направлен из зоны высокого потенциала в почве в атмосферу,
имеющую низкий водный потенциал. Движение управляется разницей
сопротивлений.
Потенциальный поток испарения вычисляется с помощью
уравнения Пенмана-Монтейта (Monteith, 1965). Уменьшение
подъёма воды в результате низкой температуры почвы и/или
сухости почвы имитируется введением эмпирического
уменьшающего фактора. Уравнение Пенмана-Монтейта также используется
для расчёта испарения из почвы и запаса влаги. Различные типы
источников испарения различаются по доступной энергии,
поверхностному сопротивлению на различных границах и
аэродинамическим сопротивлениям над их поверхностями. Общее
солнечное излучение распределяется между поверхностью листьев и
почвы согласно закону Вира.
Модель обеспечивается ежедневными метеорологическими
данными, такими как температура, скорость ветра, влажность
воздуха, солнечное излучение и осадки.
Период имитации начался в середине апреля в случае
пшеничного поля и в середине мая в случае кукурузного поля.
Входящие данные, такие как метеорологические данные и физические
свойства почв, определялись путем прямых или косвенных
измерений. Исходящие данные модели, в терминах динамики
содержания почвенной влаги сравнивались с измеренными в поле
влажностями почвы и использовались для подгонки неизвестных
параметров модели, например, сопротивления почвенной
поверхности.
Параметры модели главным образом связаны со свойствами
почвы или растительного покрова. В максимально возможной
степени нами использовались независимые полевые измерения
или данные, имеющиеся в литературе. Значения почвенных па-
4 Геостатика почв
49
раметров, таких как характеристики водоудерживающей
способности и гидравлической проводимости, основывались на
измерениях в ненарушенных почвенных образцах или непосредственно
в поле.
Использование имитационной модели SWAP.
Вычислительная модель SWAP (Van Dam et al., 1997) имитирует водный поток
в ненасыщенной зоне в зависимости от роста растений в
масштабе поля для всего периода вегетации (Van Dam, 2000). Модель
SWAP использует уравнение Ричардса для движения влаги в
почвенной массе (Kabat et al., 1995). Гидрофизические функции
почвы вводятся аналитическими выражениями Ван Генухтена и Му-
алема (Van Genuchten, 1980). Входящие данные модели включали
метеорологические данные, данные по росту культур, почвенные
данные, а также начальные и граничные условия.
Ежедневные данные метеорологической станции Мартонва-
сар (расположенной в 20 км от Херцегалома), включающие
температуру воздуха, скорость ветра, солнечную радиацию,
влажность воздуха для вегетационных периодов 1993 и 1994 годов,
использовались для оценки потенциальной дневной эвапотранспи-
рации в соответствии с Пенманом-Монтейтом (Monteith, 1981).
SWAP рассчитывает потенциальное и действительное испарение
из почвы в соответствии с выражениями, предложенными
К. Белмансом и другими (Belmans et al., 1983) и Дж. Бёстеном
и Л. Штрооснийдером (Boesten and Stroosnijder, 1986),
соответственно.
Была выбрана простая подмодель SWAP для растительности,
что требует данных по высоте растений, индексам площади
листьев, распределению корней и степени покрытия почвы как
функции стадии развития.
Начальные условия, определённые для имитации, включали
в себя профили влажности почвы, измеренные в 1993 и 1994
годах, соответственно, на 130 и 151 календарный день (кд), то есть
на 130-й и 151-й дни года, считая, что 1 января соответствует
кд=1. Принимая градиент давления почвенной влаги в нижней
части почвенного профиля равным нулю вследствие глубокого
залегания грунтовых вод, нижнее граничное условие профиля было
определено как свободное движение водного потока. Верхние
граничные условия определялись ежедневными данными
осадков, непосредственно измерявшихся на исследованном участке в
1993 и 1994 годах.
Входящие данные по почвенным свойствам, требуемые
моделью, представляли собой параметры кривой
водоудерживающей способности почвы (0Г, 05, а, п и т = 1-1/я) и функции
гидравлической проводимости (Ks и А,), определённые для каждого
50
Таблица 3.1
Параметры Муалема-Ван-Генухтена, подогнанные
к измеренным гидрофизическим данным
Культура
Пшеница
Кукуруза
Слой
(см)
0-30
30-70
70-150
0-20
2(М0
40-70
70-150
(м3/м3)
0,06
0,06
0,01
0,09
0,01
0,01
0,01
(м3/м3)
0,47
0,51
0,49
0,49
0,46
0,50
0,47
а,
Ц/см)
0,012
0,052
0,021
0,012
0,014
0,040
0,023
п(г)
1,25
1,22
1,26
1,26
1,16
1Д4
1,25
(см/день)
10,1
8,6
8,6
15,2
10,5
10,5
8,6
М-)
0,15
0,14
0,21
0,17
0,18
0,18
0,22
Примечание: Э5 и Эг - содержание влаги насыщения и остаточное,
соответственно; аия-параметры модели Ван-Генухтена; Ks -
гидравлическая проводимость в насыщенном состоянии; Х- параметр функции
гидравлической проводимости.
генетического горизонта почвенных профилей по Ван-Генухте-
ну-Муалему (Mualem, 1976; Van Genuchten, 1980). Компьютерная
программа RETC (Van Genuchten, 1980) использовалась для
определения численных параметров модели Муалема-Ван-Генухтена,
основанных на экспериментальных данных характеристик водо-
удерживающей способности почв и измеренных значений
гидравлической проводимости в насыщенном состоянии. Входящие
данные приводятся в таблице 3.1.
Модель SWAP, так же как и модель SOIL, была откалиброва-
на для репрезентативных почвенных профилей по данным
измерений влажности почвы. Параметры, зависящие от климата,
местоположения и выращиваемой культуры были обработаны
указанным образом, и в дальнейшем можно было исследовать
чувствительность водного режима почв к изменениям в
почвенных физических свойствах. Модель была адаптирована к
реальным условиям путём подгонки параметров. Из-за неопределённости
при оценке параметров функции гидравлической проводимости,
эти данные также подгонялись в ходе калибровки модели.
Адаптация продолжалась до тех пор, пока точность предсказания не
перестала меняться при дальнейшем изменении параметров
модели. Этот метод, предложенный Т. Аддискоттом (Addiscott,
1993), был использован для того чтобы достичь точности
подгонки модели SWAP. Таким образом, необходимый уровень
точности (р) был определён и сравнён со средний разницей (М) между
вычисленным (®sim) и измеренным (Э^^.) значениями влажности
51
почвы:
м = ±Ъ ie_-e„.mi, (3.1)
Jy i-l
где N означает количество измерений. В случае если М < р, и
разница между измеренными и вычисленными значениями
влажности не достигает уровня точности р в 85-90% случаев, адаптация
модели считается успешной. Принимая во внимание ошибки при
отборе образцов и измерении влажности, уровень точности р
был принят как ±5%.
Исследование включало 4 калибровки моделей (для двух
разных культур в течение двух разных лет). В целом было
проведено 41 сравнение измеренных и вычисленных профилей
почвенной влажности: 7 (пшеница) и 10 (кукуруза) для 1993 года, и 12
(пшеница) и 12 (кукуруза) для 1994 года. Точность подгонки
модели была проверена для 11 слоев в каждом профиле. Таким
образом, М-статистика была применена для 11x41 слоев.
Пространственное расширение имитационных моделей,
основанных на репрезентативных профилях. Пространственное
расширение имитационных моделей SOIL и SWAP было
произведено методом регрессии и методом изменения масштаба,
соответственно.
Модель SOIL. Метод регрессии при использовании для
пространственного расширения результатов имитации, состоял из
статистического анализа, сопровождаемого анализом
чувствительности модели. Пространственное распределение
гидрофизических свойств, выраженных в виде кривых водоудерживающей
способности (ОГХ), было представлено 5 кривыми (таблица 3.2),
каждая из 6 характеристических точек которых (влажность почвы,
Таблица 3.2
Характеристические значения кривых
водоудерживающей способности почв (ОГХ), полученные
из кумулятивной вероятностной функции распределения
Значение
Минимум
25%
Среднее
75%
Максимум
Влажность почвы (объемные %), соответствующая
pF = 0,0
39,6
49,0
50,6
52,4
59,4
pF=l,0
38,5
47,6
49,1
50,9
57,6
/>F = 2,3
29,7
36,5
37,6
39,0
44,0
pF = 2,7
24,9
30,4
31,3
32,3
36,4
pF = 3,4
17,9
21,6
22,2
22,9
25,6
pF = 4,2
13,4
15,8
16,3
16,7
18,6
52
соответствующая значениям pF 0,0, 1,0, 2,3, 2,7, 3,4 и 4,2), была
получена на основе кумулятивной функции вероятности
(представляющей среднее, минимальное, максимальное, 25% и 75%-
вероятностные значения). Эти значения затем использовались
для выполнения анализа чувствительности ранее откалиброван-
ной модели SOIL для проверки соотношения между входящими
данными о физических свойствах почвы и выходом модели
(транспирации и другие элементы водного баланса).
Модель SWAP. Теория изменения масштаба, предложенная
Миллерами (Miller and Miller, 1956), была использована для
пространственного расширения результатов моделирования. 445 из
448 характеристических кривых водоудерживающей
способности почвы были переведены в другой масштаб с помощью
программы SCALING, разработанной Ф. Клаусницером с
соавторами (Clausnitzer et al., 1992). Программа рассчитывает
усреднённую кривую для исследуемого района и фактор масштабности
для каждой кривой ОГХ, представляющий отклонение
индивидуальной кривой от усреднённой. На основании параметров
усреднённой кривой и факторов масштабности, SWAP генерирует
почвенные гидрофизические функции для каждого фактора
масштабности и проводит имитационное моделирование
соответствующего водного баланса. Таким образом, такие элементы
водного баланса почв, как транспирация, испарение, сток и
изменения водного запаса почвы были определены для
вегетационного периода двух культур (пшеница и кукуруза).
Отношение транспирации (/?) между значениями
вычисленной и потенциальной транспирации было рассчитано для каждой
точки отбора образцов. В этом отношении мы рассматривали
растительный покров в пределах кукурузного или пшеничного
полей как однородный. Чтобы показать пространственную
структуру вычисленных отношений транспирации мы использовали
точечный кригинг. Экспериментальная вариограмма была
аппроксимирована с помощью сферической модели.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Статистический и геостатистический анализ
Статистическая оценка данных физических свойств
почвы. Результаты статистической оценки данных по полной влаго-
ёмкости (©PF=o,oX полевой влагоёмкости (®р/г=2,з) и влажности за-
вядания (QpF = 42) приводятся в таблице 3.3.
Было обнаружено статистически значимое различие в
физических свойствах почв в зависимости от использования земель.
Относительно низкие значения полной влагоёмкости и более
53
Таблица 3.3
Средние (объёмные %), стандартное отклонение (СО)
и коэффициент вариации (KB, %) характеристических точек
кривых водоудерживающей способности (ОГХ)
Использование
земель
Кукуруза
Пшеница
Альфальфа
Травы
Общее
Кол-
во
разцов
168
164
51
62
445
®pF=0,0
Среднее
50,3а
50,7а
49,0
48,9
0,50
СО
3,74
3,13
2,72
2,94
0,03
KB
7,44
6,18
5,55
6,02
6,7
®/>F=2,3
Среднее
35,1
35,6
35,6
36,9
0,36
СО
3,02
2,85
1,55
2,02
0,03
KB
8,60
8,00
4,35
5,06
7,7
6/>F = 4,2
Среднее
15,9
15,0
16,6
15,1
0,16
СО
3,06
2,08
2,02
1,54
0,02
KB
19,20
13,83
12,18
10,20
15,8
Примечание. Средние значения достоверно отличаются с уровнем
вероятности 0,05, если за ними не следуют те же буквы.
высокие значения плотности почвы (таблица 3.4) на полях под
альфальфой и травами указывают на более уплотнённый
верхний слой почвы, чем на полях под пшеницей и кукурузой.
Эти различия могут быть отнесены на счёт разрыхляющего
действия пахоты, применяемой на полях с ежегодными посевами.
Мы предполагаем, что под травами большая активность дождевых
Таблица 3.4
Среднее, стандартное отклонение (СО) и коэффициент
вариации (KB, %) содержания глины, плотности
и содержания органического вещества (ОВ)
Использование
земель
Кукуруза
Пшеница
Альфальфа
Травы
Общее
Кол-
во
разцов
168
164
51
62
445
Содержание
глины (%)
Среднее
27,2
25,0
28,3
24,5
26,2
СО
5,83
3,16
4,09
2,22
4,57
KB
21,41
12,61
14,44
9,05
17,4
Плотность
(г см~3)
Среднее
1,32
1,31
1,39
1,38
1,33
СО
0,10
0,10
0,07
0,08
0,10
KB
7,58
7,63
5,04
5,80
7,50
ОМ (%)
Среднее
3,31
2,56
3,53
3,83
3,40
СО
0,81
0,79
0,78
0,62
0,80
KB
24,47
30,86
22,10
16,19
23,40
Примечание. Средние значения достоверно отличаются с уровнем
вероятности 0,05, если за ними не следуют те же буквы.
54
червей могла увеличить полевую влагоёмкость за счёт
перемешивания почвы и улучшения её структуры. В соответствии с данными
по содержанию глины (наибольшему на полях с альфальфой) и
органического вещества (наибольшему в полях под травами)
(таблица 3.4), значительные различия, обнаруживаемые в значениях
влажностей завядания, могут быть вызваны различиями в
содержании органических и неорганических коллоидов (Rajkai et al., 1981).
Вариабельность содержания глины и гумуса в почвах полей
под травами была значительно ниже, чем в почвах полей под
альфальфой. В то же время коэффициенты вариации плотности
почв были сходными для пахотных (кукуруза и пшеница) и
непахотных или нерегулярно пашущихся полей (травы и альфальфа).
Не было обнаружено значимого отличия в значениях
плотности, содержания глины и общей порозности для почв на разных
элементах рельефа (данные не приводятся). Полевая
влагоёмкость в целом была больше на вершинах холмов, чем на склонах
и в понижениях.
Результаты статистической оценки указывают, что
имитационное моделирование воздействия гидрофизических свойств
почвы на водный баланс должны выполняться отдельно для полей
разного землепользования.
Геостатистический анализ. Модели вариограмм и
параметры этих моделей, подогнанных к экспериментальным вариограм-
мам, построенным для физических свойств почвы, приводятся в
таблице 3.5. Для определения классов пространственной
корреляции для каждого из свойств использовались отношения,
предложенные К.А. Камбарделлой и другими (Cambardella et al.,
1994). Если отношение значений наггета и плато составляет
менее 25%, то пространственная корреляция оценивается как
Таблица 3.5
Параметры модельных вариограмм влажности почвы
при pF = 0, pF = 2,3 и pF = 4,2
Влажность
при
потенциале
®pF = 0,0
®pF = 2,3
epF = 4,2
Содержание
глины
Применат
Модель
Экспоненциальная
Сферическая
Сферическая
Экспоненциальная
Наггет
4,35
2,65
0,10
0,69
Плато
10,85
7,50
6,25
21,75
Наггет
/плато,
%
40,1
35,3
1,6
3,17
Ранг,
м
475
475
545
437
te. * КПК - класс пространственной корреляции.
КПК*
средняя
средняя
сильная
сильная
55
ТКА)
♦ » * ♦ ♦
0
'pF= 0.0
т—I—I—I—I—I—I—I—I—I—I—I—I—I—I
500 1000 1500 0
8-
6-
2-
0-
▲
r
f
+
▼
♦ ♦
%F= 2.3
♦
i l i
**)
lag h, м
8-
6-
4-
2-
0-
/
/
/
r
—i—i—i—г
+
<~ *
—1 1 Г
+ A
# ♦ ♦
%F= 4.2
—i—i—i—i—i—г
-a.
▼
-T—i
0 500 1000 1500
lag h, м
Рис. З.1. Вариограммы, рассчитанные для характеристических точек кривых во-
доудерживающей способности почв (ОГХ)
Ось абсцисс - расстояние между точками опробования, м
Ось ординат - значение полудисперсии, %2
сильная, если оно в диапазоне от 25 до 75%, то как средняя, а
если более 75% - как слабая.
Вариограммы для значений pF = 0 и pF = 2,3 указывают на
наличие умеренной, а для pF = 4,2 - сильной пространственной
корреляции (рис. 3.1). Расстояние в 425 м было достаточным для
создания вариогамм и проведения кригинга.
Уровень пространственной корреляции возрастает в
следующей последовательности: pF = 0, pF = 2,3 и pF = 4,2. В связи с
сильной зависимостью между значением влажности завядания и
содержанием глины, вариограммы содержания глины имели
сходные параметры с вариограммами влажности при pF = 4,2 и
показывали сходную пространственную корреляцию. Ослабление
пространственной корреляции с понижением потенциала
почвенной влаги может быть объяснено понижением зависимости этих
характеристик от содержания глины, а также возрастанием
влияния других факторов (таких как уплотнение почвы, остуктурен-
ность, различия в обработке и другие).
56
Рис. 3.2. Пространственное распределение полной влагоёмкости почв на
участке Херцегалом
Рис. 3.3. Пространственное распределение полевой влагоёмкости почв на
участке Херцегалом
Пространственное распределение значений полной
влагоёмкости (0р/г=оо), полевой влагоёмкости (®р/г = 2.з) и влажности завя-
дания (®pF = 42) приводится на рис. 3.2-3.4. Мы обнаружили, что
пространственная вариабельность полной влагоёмкости была
выше на пшеничных и кукурузных полях, чем на полях под
травами и альфальфой.
Значения полевой влагоёмкости, полученные в ходе
изменений на экспериментальных участках, варьировали в
относительно небольшом интервале в 10%. Таким образом, не было
обнаружено значимых различий в данном параметре в зависимости от
землепользования. Воздействие вспашки отражается только в
более высоких отношениях стандартного отклонения.
57
Рис. 3.4. Пространственное распределение влажности завядания почв на
участке Херцегалом
Пространственное распределение значений влажности
завядания отражает рельеф и землепользование. Как было показано
статистической обработкой пространственно-распределённых
данных, содержание глины и органического вещества зависят от
рельефа и землепользования. Таким образом, пространственное
распределение значений влажности завядания может быть
соотнесено с пространственным распределением содержания глины и
органического вещества почвы. Соответственно, ровные поля
под одним типом землепользования могут рассматриваться как
гомогенные по гранулометрическому составу, равно как и
по поведению почвенной влаги при высоких отрицательных
давлениях.
Калибровка имитационных моделей водного баланса почв
Калибровка модели SOIL. Динамика влажности почвы,
полученная в ходе имитационного моделирования, хорошо
согласовалась с данными измерений на пшеничном поле (рис. 3.5).
Сходные результаты были получены для кукурузного поля (данные
не приводятся).
Основная разница между двумя годами измерений состояла в
количестве весенних осадков. В марте и апреле 1993 года оно
составляло 27 мм, а в тот же период 1994 года - 96 мм. Соответственно,
►
Рис. 3.5. Измеренные (точки) и имитированные с помощью модели SOIL
(линии) значения влажности почвы для сухого (1993, слева) и влажного (1994,
справа) годов
Квадраты показывают значения влажности для глубин 40-50/50-60 см (слой
35-55 см), треугольники - для глубин 70-80/90-100 см (слой 70-105 см)
58
1993, пшеница
10-35
11111111111111 ■ 11111111111* 0] 111111111111111111111111111111
Апрель Май Июнь Июль Август Апрель Май Июнь Июль Август
30
J 24
ф 18
12
6
0
35-55
30
25
20
15
10
5
70-105
--^
| i i i i i I i i i i i I i i i i i I i i i i i | | U'| i i i i » | | | | i i i i i
Апрель Май Июнь Июль Август Апрель Май Июнь Июль Август
1994, пшеница
50
45
> 30
ф
20
10
О
40
0-10
10-35
1 1111111 1111111111111 1111111111111111111 1111111
Апрель Май Июнь Июль Август Апрель Май Июнь ИюльАвгуст
35-55
40
32
24
r*»rf3 16
■ 11111111111111111111111
70-105
lAAAA
▲4
'i 111111111111111111111111111111
Апрель Май Июнь Июль Август Апрель Май Июнь ИюльАвгуст
59
в начале вегетационного периода 1993 года почва была сухой и
продолжала иссушаться до августа без какого-либо увеличения
влажности. В 1994 году после относительно влажной весны
последовало ещё несколько дождей, поэтому наблюдались периоды
иссушения и увлажнения почвы.
Мы пришли к выводу, что оценка динамики влажности
почвы с помощью модели SOIL было успешным, и что модель
способна описывать поток почвенной влаги и его
перераспределение в различных погодных условиях.
Калибровка модели SWAP. Измеренные и вычисленные
профили объёмной влажности почвы за 6 дней представлены на
рис. 3.6. Рисунок показывает, что предсказанные профили
влажности не сильно отличаются от измеренных, так что результаты
имитационного моделирования могут быть расценены как
хорошие. Разница между измеренными и вычисленными данными
возрастает вблизи поверхности почвы и в нижней части профиля,
в особенности в профиле под пшеницей. Калибровка модели для
Содержание почвенной влаги (м3/м3)
0.10 0.20 0.30 0.00 0.10 0.20 0.30 0.00 0.10 0.20 0.30
-т
пшеница
±н 1993
ч JD=189
кукуруза
J 993
JD=138
пшеница
1993
JD = 161
кукуруза
1993
JD=180
пшеница
1994
JD = 202
кукуруза
1994
JD = 213
1
Рис. 3.6. Измеренные (1) и вычисленные (2) профили влажности почвы; JD
означает Юлианские дни; также приводятся диапазоны ошибки
Ось абсцисс - содержание почвенной влаги, м3/м3
Ось ординат - глубина, см
60
Таблица 3.6
Средняя разница (М) между вычисленными (SWAP)
и наблюдавшимися значениями влажности и процент случаев (К%),
когда разница не превышала уровень точности р = 5%;
N означает количество случаев
1993
М
0,030
к
77
Пшеница
N
90
1994
М
0,047
К
83
N
132
1993
М
0,015
К
100
Кукуруза
N
ПО
1994
М
0,034
К
85
N
132
поверхностного горизонта сложнее, чем для более глубоких
горизонтов, в связи с более сложной природой влагопереноса
вблизи поверхности почвы (Zsembeli, 2000). В то же время,
относительная ошибка измерения ёмкости почвы, применявшейся для
измерения влажности, возрастает по направлению к поверхности
почвы. Это также может частично объяснить менее точную
калибровку модели для верхних 15 см почвы. На нижней границе
почвенного профиля очень мощный (70-150 см) слой был
расценен гомогенным и был представлен одним набором
гидрофизических параметров. Это могло привести к большим расхождениям
в вычисленных и измеренных значениях для глубины 80-110 см.
Результаты анализа точности модели по Т. Аддискотту
(Addiscott, 1993) представлены в таблице 3.6. Мы пришли к
выводу, что в целом калибрация модели была успешной. Разница
между вычисленными и наблюдаемыми значениями влажности
почвы может также быть объяснена сезонными изменениями в
физических свойствах почвы, вызываемыми биологической
активностью и погодными условиями. Ч. Форкаш с соавторами
(Farkas et al., 1998) ссюбщали ранее о значительной сезонной
вариабельности гидрофизических свойств сельскохозяйственных
почв и доказали чувствительность модели SWAP к этой
вариабельности (Farkas et al., 2000). Эти авторы установили, что в
случае, если сезонная вариабельность почвенных физических
свойств принимается во внимание путём принятия разных
параметров для разных сезонов, то точность модели значительно
увеличивается.
Пространственное расширение имитационных моделей
Пространственное расширение модели SOIL с помощью
регрессионного метода. На основании регрессионного анализа
было обнаружено, что влажность почвы в состоянии насыщения
61
я
2
а
cd
&
С
о
X
л
отр
к
эва
270
250
230
210
190
170
150
▲ 1
35 40 45 50 55
почвенная влажность насыщения, объемные <
—i
60
Рис. 3.7. Зависимость между значениями QpF = 0 пяти групп кривых водоудержи-
вающей способности почв и вычисленной эвапотранспирацией
1 - пшеница; 2 - кукуруза
Ось абсцисс - почвенная влажность насыщения, объемные %
Ось ординат - эвапотранспирация, мм
(0^=0) является наиболее важным свойством почвы, влияющим
на вычисленную реальную эватранспирацию (ЭТ) и,
соответственно, на поглощение влаги корнями. На рис. 3.7 представлена
зависимость между вычисленными значениями эвапотранспира-
ции и значениями ®pF=0, составленная по 5 группам кривых водо-
удерживающей способности почв (таблица 3.2), которые
использовались для того чтобы представить пространственную
вариабельность гидрофизических свойств почвы.
Регрессионные уравнения, использованные для
пространственного расширения модели SOIL были следующими:
ЭТ = 88,212 + 2,097* 0^ (пшеница);
ЭТ = 190,01 + 1,030* 0pF=o (кукуруза).
Пространственное распределение значений ЭТ для
пшеничного и кукурузного полей приводятся на рис. 3.8 и 3.9,
соответственно. Для интерполяции значений ЭТ, определённых в каждой
точке измерения, использовался блочный кригинг, принимая, что
пшеница (или кукуруза) выращивалась на всей территории
фермы, и что обеспеченность элементами питания была одинакова
на всей площади.
Поскольку реальная транспирация сильно зависит от
поглощения влаги растениями, мы приняли, что участки с высокой
урожайностью пшеницы/кукурузы отмечены более тёмным
цветом на картограммах.
62
178-181
181-184
184-187
187-190
190-193
193-196
196-199
199-202
202-205
мм □
мм □
мм □
мм 013
мм ШЗ
мм ED
мм В
мм В
мм В
Рис. 3.8. Пространственное распределение вычисленных по модели SOIL
значений эвапотранспирации на пшеничном поле (1993 г.)
233-235 мм □
235-237 мм Ш
237-239 мм Ш
239-241 мм Ш
241-243 мм ЕЯ
243-245 мм Ш
245-247 мм В
247-249 мм В
Рис. 3.9. Пространственное распределение вычисленных по модели SOIL
значений эвапотранспирации на кукурузном поле (1993 г.)
Были созданы картограммы для чрезвычайно сухого
вегетационного периода 1993 г. После уборки пшеницы начались
дожди, и кукуруза смогла получить влагу из почвы. Это
означает, что для пшеницы стресс в результате засухи был сильнее,
чем для кукурузы, и пространственное распределение значений
ЭТ было более равномерным для кукурузы, чем для пшеницы
(рис. 3.8, 3.9).
Пространственное расширение модели SWAP с помощью
метода изменения масштаба. Пространственное распределение
вычисленных отношений транспирации для пшеницы
представлено на рис. 3.10 и 3.11 для 1993 и 1994 годов, соответственно.
63
R(-)
gQ> 0,9(Ы),91
в> 0,91-0,92
«►0,92-0,93
Ш 0,93-0,94
Ш 0,94-0,95
«» 0,95-0,96
м точки пробоотбора
--- поля
ж-jp
ЯВИТ*;'
Рис. 3.10. Пространственное распределение вычисленных значений отношения
транспирации R (-) для пшеницы (1993 г.)
0,60-0,1
0,62-0,64
0,64-0,66
' 0,66-0,68
• 0,68-0,70
> 0,70-0,72
точки пробоотбора
Рис. 3.11. Пространственное распределение вычисленных значений отношения
транспирации R (-) для пшеницы (1994 г.)
64
Количество осадков сильно отличалось между двумя годами.
1993 год был чрезвычайно засушливым с общим количеством
осадков 158 мм за вегетационный период. Следующий год
был относительно влажным с 302 мм осадков за вегетационный
период.
Пространственное распределение вычисленных отношений
транспирации для 1993 и 1994 годов было сходным, но менее
равномерным в сухой 1993 год. Диапазон транспирации (данные не
приводятся) был вдвое выше в 1993 году (62 мм за вегетационный
период), чем в 1994 (27 мм за вегетационный период), и
коэффициенты вариации были в 1993 и 1994 годах 6,8 и 1,8%,
соответственно. Больший диапазон изменчивости и менее однородное
пространственное распределение отношений транспирации в сухой
год указывают, что в случае менее благоприятных условий
можно ожидать большего эффекта пространственной
вариабельности гидрофизических свойств почвы на пространственное
распределение водного баланса почв.
Сходные выводы могут быть получены по отношению к
пространственному распределению вычисленных отношений
транспирации для кукурузного поля (данные не приводятся).
Диапазоны различия в отношениях транспирации в этом случае были 59
и 22 мм/вегетационный период, а коэффициенты вариации 5,3 и
1,5% для 1993 и 1994 годов, соответственно.
Надо отметить, что в данном исследовании не принимались
во внимание ни характеристики посевов, ни адаптация растений к
неблагоприятным условиям среды. Поэтому выводы не могут
быть экстраполированы на территории, где нет точек отбора
образцов.
ВЫВОДЫ
Применение имитационных моделей SOIL и SWAP на
участке исследований Херцегалом было успешным. Мы обнаружили,
что пространственная вариабельность гидрофизических свойств
почвы влияет на пространственное распределение элементов
водного баланса почв, особенно в засушливых, неблагоприятных
погодных условиях.
Применённые методы, использованные для
пространственного расширения имитационных моделей на базе отдельных
профилей, подходят для целей оптимизации и пригодны для
использования в информационном обеспечении «точного земледелия».
Они позволяют анализировать интегрированное воздействие
вариабельности различных физических свойств почвы на водный
баланс почв для определённых культур и погодных сценариев.
65
Более того, подобный тип имитационного моделирования
позволяет выбирать оптимальные схемы землепользования
территории.
* * *
Данная работа представляет результаты исследовательских
программ, поддержанных Венгерским министерством
образования (NKFP ЗВ/0057/2002 и NKFP 4/064/2004), Финско-Венгерской
и Российско-Венгерской программами Межправительственного
научного и технологического сотрудничества Венгерского
научно-технологического фонда (SF-3/03 и RUS-9/2004) и Венгерским
национальным научным фондом (ОТКА Т042996 и Т048302).
Чилла Форкаш получила поддержку персональной научной
стипендии имени Яноша Больяй Венгерской академии наук.
Также авторы приносят благодарность Й. Денаэгелю,
участвовавшему в данном исследовании в рамках подготовки дипломной
работы.
Глава 4
ГЕОСТАТИСТИЧЕСКИЙ АНАЛИЗ
ПРОСТРАНСТВЕННОЙ СТРУКТУРЫ КИСЛОТНОСТИ
И СОДЕРЖАНИЯ ОРГАНИЧЕСКОГО УГЛЕРОДА
ЗОНАЛЬНЫХ ПОЧВ РУССКОЙ РАВНИНЫ
Красилъников П.В.12*, Сидорова В.А.1*
^Институт биологии КарНЦ РАН, Петрозаводск, Россия
2*Факультет Естественных наук,
Национальный Автономный Университет Мексики,
Мехико, Мексика
Резюме
Данная глава рассматривает геостатистические параметры варьирования
значений рН (в водной и солевой вытяжке) и содержания органического
углерода в зональном ряду почв Русской равнины: серые почвы, чернозёмы иллю-
виально-глинистые, чернозёмы и каштановые почвы. Показано, что
существуют зональные закономерности варьирования указанных свойств почв: с севера
на юг увеличивается радиус корреляции варьирования кислотности при
ослаблении пространственной корреляции, увеличивается период варьирования
содержания органического углерода. В то же время многие показатели имеют
региональный и локальный характер. Требуются дополнительные
исследования, чтобы позволить успешную экстраполяцию геостатистических моделей на
необследованные территории.
Abstract
This chapter deals with geostatistical parameters of variation of pH (in H20 and
KC1 extracts) and organic carbon content in zonal soils of the Russian plain: Greyic
Phaeozems, Luvic Chernozems, Haplic Chernozems, and Kastanozems. We showed that
there are zonal rules of variability of the noted soil properties: from north to south the
range of acidity variation increases, while spatial dependence weakens, the periods of
organic carbon contents variation increases. However, many characteristics of soil
variability have regional or local regularities. More studies are needed to allow successful
extrapolation of geostatistical models to unsampled areas.
ВВЕДЕНИЕ
В последние годы всё большее развитие в количественных
исследованиях вариабельности почвенного покрова получают
геостатистические методы исследований. Количество
геостатистических работ в почвоведении исчисляется сотнями (см.
библиографию в данном издании, Сидорова, 2006). В почвенных на-
67
учных журналах статьи, посвященные геостатистическим
методам исследований, появляются с завидной регулярностью.
Этот феномен трудно объяснить. Если геостатистика является
только одним из математических инструментов, позволяющих
количественно оценить вариабельность отдельных свойств
почвы, если это только один из способов создания более точных
картограмм, то внимание, которое уделяется геостатистическим
методам, может показаться неоправданно большим. Если же
геостатистика претендует на нечто большее, на существенную роль в
описании и объяснении пространственного распределения почв,
то следует отметить, что на фоне методических работ почти не
встречается серьёзных попыток выявить физический и
географический смысл геостатистических показателей варьирования
почвенного покрова.
Обе точки зрения широко обсуждаются. Оппоненты
геостатистики (точнее, её использования вне рамок чисто
инструментального метода) указывают на ограниченность применения
геостатистических моделей рамками отдельного участка, с которого
и отбирались образцы, на невозможность экстраполяции
полученных моделей на другие территории (Ibaiiez et al., 2005; Ibaiiez
and Saldaiia, 2006). В то же время апологеты геостатистических
методов (Heuvelink and Webster, 2001) считают, что их
использование не имеет альтернативы, поскольку традиционные
качественные методы неточны, субъективны и часто просто
ошибочны. По нашему мнению, истина лежит между этими двумя
крайними точками зрения. Современная дискуссия о применении
геостатистических методов сходна с той, что возникла в 50-60-х
годах прошлого века в связи с широким внедрением классической
статистики и иных математических методов в естественные
науки (Дмитриев, 1995). Традиционно настроенные специалисты
упорно отказывались их принимать, в то время как горячие
головы были готовы отвергнуть все прошлые достижения как
«статистически недостоверные». Когда волна страстей схлынула,
пришло трезвое понимание роли математических методов в
естественных науках. С одной стороны, ясно, что все закономерности
в естественных науках получены на единичных объектах скорее
путём «гештальта», научного озарения (Hudson, 1992), чем путём
математического анализа больших выборок. Позитивистская
философия показала свою нищету: трудно ожидать, что новые
знания могут появиться в результате накопления
неупорядоченных данных или их простейших математических обработок.
С другой стороны, современное естествознание немыслимо
сегодня без статистической поддержки и математического
моделирования, которые превратились в мощные инструменты познания,
68
позволяющие исследователю делать количественные прогнозы
на базе общих концепций. Как справедливо указывал Дж. Р.
Филип (Philip, 1991), не имеет значения, говорим ли мы об
интерпретации данных или о математических моделях, наша задача одна -
узнать истину. Хочется верить, что подобный взвешенный
подход ожидает и геостатистические методы в почвоведении.
С нашей точки зрения, геостатистика может и должна
служить не только техническим инструментом для изготовления
картограмм отдельных свойств, но и существенным дополнением
к классической географии почв. Пространственная организация
почвенного покрова хорошо описывается с помощью
традиционных методов: катен, трансект (Birkeland, 1999), описания
структуры почвенного покрова (Фридланд, 1972, 1984) или индексов и
показателей почвенного разнообразия (Ibaiiez et al., 1990).
Однако разбиение почв на классы неизбежно обедняет
характеристику пространственной организации почв, оставляя за скобкой
вариацию внутри классов. Естественным образом
геостатистические методы оказываются комплементарными по отношению к
традиционным методам исследования почвенного покрова. Однако
до настоящего времени не разработан понятийный аппарат,
позволяющий адекватно отражать как закономерные структуры
почвенного покрова, так и внутриклассовую вариабельность почв.
К сожалению, дело не в нежелании специалистов создать
подобный понятийный аппарат, алгоритмы обработки данных и
способы представления информации. До настоящего времени не
вполне ясен физический и географический смысл
геостатистических данных. В теоретическом плане это не позволяет успешно
интегрировать - и интерпретировать - геостатистическую
информацию в рамках существующей почвенно-географической
парадигмы. В практическом же аспекте отсутствие связки между
географией почв и геостатистическими методами делает
невозможным любую экстраполяцию геостатистических данных за
пределы участка, на котором проводились измерения.
Необходимость каждый раз проводить трудоёмкие и дорогие анализы в
сотнях образцов для каждого объекта исследований делает
геостатистику довольно дорогим методом.
Для создания экспертных систем, способных
экстраполировать геостатистические данные на сколько-нибудь широкий
класс объектов, мы должны выявить интерпретируемые с
географической точки зрения показатели модельных вариограмм,
на которых и базируется геостатистический метод (Демьянов и
др., 1999). Во-первых, к таковым показателям относится
собственно пространственная корреляция. Наличие таковой - хотя и
декларируется, что геостатистика рассматривает все показатели
69
как поле случайных значений (Вебстер, 2007) - указывает на
наличие пространственной структуры. В случае абсолютно
случайного, хаотического распределения значений мы не обнаруживаем
пространственной корреляции, и вариация описывается моделью
«чистого наггета» (Джонгман и др., 1999). Для оценки
пространственной корреляции К.А. Камбарделла с соавторами
(Cambardella et al., 1994) предложил эмпирический критерий: если
процентное отношение наггета к порогу (максимальной
полудисперсии, которой достигает вариограмма, выходя на плато)
составляет менее 25%, то пространственная корреляция оценивается как
высокая, если от 25 до 75% - то как средняя, если же более 75% -
как низкая. Понятно, что данный критерий неприменим к
линейным, степенным и периодическим моделям. В географическом
смысле наличие пространственной корреляции указывает на
нечёткую периодичность данных на характерных расстояниях,
больших чем шаг опробования (лаг), но меньших, чем ранг (шаг, при
котором вариограмма выходит на плато, достигая максимума
полудисперсии). Согласно Р.Г.Г. Джонгману и соавторам (1999),
сглаженное варьирование отражается Гауссовой моделью, наличие же
резких изменений данных на нерегулярных расстояниях -
сферической и экспоненциальной моделью, при этом сферическая модель
характерна для не вполне регулярных изменений в пространстве, а
экспоненциальная - для изменений на всех расстояниях, то есть для
наиболее случайного распределения. Следует отметить, что и
наличие «чистого наггета» не всегда говорит о полном отсутствии
пространственной корреляции: чаще оказывается, что
варьирование происходит в основном на расстояниях меньших, чем шаг
отбора образцов. В случае присутствия периодической модели мы
говорим о наличии относительно строгой мозаичной организации
данных. Наличие тренда (который отражается линейной или
степенной, либо, в случае квадратичного тренда, псевдопериодической
вариограммой) указывает на регулярное возрастание/убывание
значений в каком-либо направлении в пределах участка.
Данная работа имела целью установить, возможно ли
выявить закономерности пространственной вариабельности
некоторых почвенных свойств (кислотности и содержания
органического углерода) на относительно однородных участках, занятых
почвами классического зонального ряда Русской равнины.
Мы отдаём себе отчёт, что трудно выявить какие-то
закономерности пространственного варьирования на единичных участках, и
поэтому расцениваем эти результаты как предварительные. Тем не
менее, даже на раннем этапе исследований, по нашему мнению,
могут быть получены подтверждения (или опровержения)
различий в пространственной вариабельности почв зонального ряда.
70
ОБЪЕКТЫ И МЕТОДЫ
Исследования проводились в Тульской (участок 1),
Белгородской (участок 2), Ростовской (участок 3) и Волгоградской
(участок 4) областях. Участок 1 площадью 126 га был заложен на
пашне в окрестностях г. Щекино (53°49' N 37° 19' Е). Район
исследований относится к подзоне серых лесных почв Окско-Донской
провинции оподзоленных, выщелоченных и типичных среднегу-
мусных и тучных мощных черноземов и серых лесных почв
(Добровольский, Урусевская, 1984). Почвообразующие породы-
покровные карбонатные суглинки. Рельеф участка - пологий
склон южной экспозиции, в структуре почвенного покрова
абсолютно доминируют серые лесные почвы (серые почвы по новой
российской классификации (Шишов и др., 2004)), в нижней части
склона отмечаются серые глееватые почвы. Участок 2
площадью 182 га был заложен на пашне в окрестностях г. Алексеевка
(51°38' N 36° 13' Е). Район исследований относится к подзоне
лесостепных черноземов Окско-Донской провинции
оподзоленных, выщелоченных и типичных среднегумусных и тучных
мощных черноземов и серых лесных почв (Добровольский,
Урусевская, 1984). Почвообразующие породы - покровные тяжёлые
суглинки, местами карбонатные. В рельефе участка выделяется
невысокая пологая гряда субширотной ориентации, почвенный
покров представлен чернозёмами выщелоченными
(чернозёмами глинисто-иллювиальными (Шишов и др., 2004)). Участок 3
площадью 270 га был заложен на пашне в окрестностях г. Мил-
лерово (49°02' N 40°30' Е). Район исследований относится к
Южно-Русской провинции обыкновенных среднегумусных и южных
малогумусных среднемощных чернозёмов (Добровольский,
Урусевская, 1984). Почвообразующие породы на участке
представлены лёссовидными тяжёлыми суглинками. Рельеф участка -
пологий склон юго-западной экспозиции, в структуре почвенного
покрова доминируют чернозёмы южные (чернозёмы текстурно-
карбонатные (Шишов и др., 2004)), в депрессиях в качестве
подчинённых встречаются лугово-чернозёмные почвы (чернозёмы
гидрометаморфизованные (Шишов и др., 2004)). Участок 4
площадью 290 га был заложен также на пашне в окрестностях
города Котельниково (47°50' N 43°06' Е). Район исследования
относится к Донской провинции тёмно-каштановых и каштановых
почв (ДобрЪвольский, Урусевская, 1984). Почвообразующими
породами служат лёссовидные суглинки. Рельеф участка -
пологий склон южной экспозиции. В структуре почвенного покрова
абсолютно преобладают каштановые почвы (также каштановые
в новой российской классификации (Шишов и др., 2004)). Образ-
71
цы отбирались с глубины 0-20 см по случайно-регулярной схеме
с шагом 150 м. Координаты точек и абсолютная высота
местности определялись с помощью системы геопозиционирования.
Всего было отобрано 58 образцов с участка 1; 85 - с участка 2;
100 образцов - с участка 3 и 74 - с участка 2.
В почвенных образцах определялись рН в водной вытяжке и
КС1, а также содержание органического углерода по Тюрину.
Для построения вариограмм использовались пакеты программ
VARIOWIN 2.2 (Pannatier, 1996) и GenStat (2002) (оценочная
версия). Вариограммы строились как для всех направлений, так и
для направлений вдоль и поперёк склонов или иных элементов
рельефа. В случае присутствия тренда вариограммы строились
как для исходных, так и для детрендированных данных.
РЕЗУЛЬТАТЫ
Данные статистической обработки полученных результатов
приводятся в табл. 4.1. Средние величины отражают хорошо
известные закономерности зонального распределения почвенных
свойств (Добровольский, Урусевская, 1984): с севера на юг
значения рН (как в водной, так и в солевой вытяжках) закономерно
возрастают от кислых до нейтральных и слабощелочных
значений. Содержание органического углерода возрастает от серых
Таблица 4.1
Статистические показатели варьирования свойств
Параметр
Объём выборки
Среднее
Мода
Дисперсия
Размах
Коэффициент вариации, %
Минимум
Нижний квартиль
Медиана
Верхний квартиль
Максимум
Асимметрия
Эксцесс
рН солевой
1
58
4,78
5,20
0,51
3,70
14,91
3,10
4,23
4,85
5,20
6,80
0,13
0,37
2
85
5,00
4,70
0,17
2,00
8,18
4,60
4,70
4,90
5,30
6,60
1,16
3,83
3
100
6,72
7,05
0,17
1,75
6,19
5,70
6,44
6,75
7,07
7,45
-0,30
-0,92
4
74
7,12
7,40
0,26
1,80
7,13
6,00
6,71
7,30
7,50
7,80
-0,66
-0,90
Примечание. 1 - серой почвы, 2 - чернозёма иллювиально-глинисто-
го, 3 - чернозёма, 4 - каштановой почвы.
72
почв к чернозёмам иллювиально-глинистым и затем к
чернозёмам, а затем уменьшается в каштановых почвах подзоны сухих
степей.
По всем показателям вариации (дисперсия, размах,
коэффициент вариации) наибольшая вариабельность значений рН
солевой вытяжки наблюдается в серых почвах. Во всех чернозёмах
данные показатели существенно ниже (особенно в собственно
чернозёмах), а в каштановой почве несколько выше, чем в
чернозёмах. Вариабельность значений рН водной вытяжки также
максимальна (по всем показателям) в серых почвах, однако для
этого параметра также высока вариабельность и в чернозёмах
иллювиально-глинистых. Одинаково низка вариабельность
водного рН в чернозёмах и каштановых почвах. Сложнее ситуация с
вариабельностью содержания органического углерода. По таким
показателям, как дисперсия и размах, наименьшее варьирование
наблюдается в серых почвах и чернозёмах
иллювиально-глинистых, а максимальное - в чернозёмах. Коэффициент же вариации
убывает в последовательности: чернозёмы-серые почвы-кашта-
новые почвы-чернозёмы иллювиально-глинистые.
Данные вариографии приводятся в табл. 4.2. Значения рН
солевой вытяжки в серой почве распределялись в соответствии со
степенной моделью (степени 0,99, то есть вариограмма
практически имела линейную форму). Поскольку линейная форма варио-
рН водный
1
58
5,19
4,90
0,52
3,60
13,96
3,80
4,70
5,10
5,70
7,40
0,52
-0,058
2
85
5,95
6,10
0,39
3,20
10,47
4,50
5,50
6,00
6,20
7,70
0,27
0,71
3
100
7,17
7,20
0,21
1,88
6,45
6,02
6,79
7,20
7,56
7,90
-0,37
Ч),83
4
74
7,89
8,20
0,26
1,70
6,40
6,90
7,51
8,10
8,20
8,60
-0,66
-0,83
Органический углерод, %
1
58
0,72
0,59
0,04
0,9
28,54
0,30
0,59
0,73
0,83
1,2
0,15
-0,38
2
85
2,65
2,60
0,05
1,41
8,38
1,97
2,53
2,63
2,75
3,38
0,24
1,86
3
100
3,64
4,98
1,68
8,83
35,69
0,14
2,76
3,56
4,58
8,97
0,47
1,96
4
74
2,50
2,08
0,29
2,52
21,40
1,23
2,10
2,38
2,86
3,75
0,21
-0,12
73
CM
о
и
о
н
S
5
О
а
л
SS
CQ
2
се
S
:а>
со
О
и
а. 2
I О
в
'£ В
О ее
о- а:
V) I
I ч*
^ я
и -I
о *со
>Я О
О В
s §-
в *
5'
ч
о
S
в-
О)
S
ее
а
ее
С
2
ИОД
Он
а>
С
S
^
cd
Он
К
о
ч
a
cd
-5.
~cd
«
>*
^
К
ч
X
cd
"ь*
°
Он
о
с
н
0)
и
f-c
cd
К
Л
модел
s
равлен
х
cd
£
cd
CQ
F
о
C
о
CQ
н
ВОЙС
и
1
1
Tt
»n
8
О
о"
СМ
CM
О
оТ
ON
сГ
ная
X
тепе
о
а>
о
CQ
1—Ц
^в-^
и
&
д
Он
1
00
On
СМ
ГО
О
СМ
о"
<*
cd
ячеек
фер]
о
cd
тренд
со
0)
\о
1
1
On
§
СО
О
СМ
О
^Г
го
Г-Н
ная
я
тепе
о
cd
О
СКЛ
л
4
о
«
Ю
1
ю
оо
Tf
см
On
Tj"
о"
О
к
cd
О
И
фер]
о
cd
X
О
ч
о
Он
<D
С
О
с
1
1
г-
г*
1—Н
§
<о
о
см
со
о
о"
,04
г—(
ная
я
тепе
о
(D
О
CQ
СМ
1
00
оо
см
г*
со
оо
о
о"
On
ОО
О
о"
к
cd
о
0)
s
фер]
о
cd
тренд
со
0)
О
798
1
00
On
О
о
о
ческая
s
я
о
а
•пер)
о
севд
с
3
t-r
гря;
кЛ
t?
о
н:
CQ
1
1
On
Г-
|
с^
О
т!"
оо
о
О
^
in
y—i
ная
я
тепе
о
aD
Он
<D
В
О
и
1
1
<д>
со
§
со
о
»г>
О
р
<N
,-н
ная
X
степе
<D
О
CQ
СО
1
1
,
1
VO
г-
о
н
агге
X
стка
уча
hQ
ч
о
«
И
1
1
1
1
|
ческая J
s
о
s
•пер]
о
севд
X
стка
cd
Он
О
С
о
с
1
СО
3
3
СМ
о"
г-
о
см
о
cd
CQ
о
аусс
и
(D
о
«
^
1
5?
m
On
Г-
СМ
со
On
ЧО
О
о4
W
cd
ферическ
о
cd
X
О
СКЛ
А
ч
О
н:
в
1
\л
w
^г
^
см
о"
см
Ю
О
cd
CQ
О
аусс
(-4
cd
О
3
о
Он
4)
С
О
с
1
1
см
|>
Tt
со
о
^*
о
оГ
On
сГ
ная
X
тепе
о
4>
О
«
F-H
2^
О
с*
д
д
Он
i
00
о
см
^
см
о
оо
о
к
cd
ячеек
фер]
о
cd
тренд
со
(D
Ю
1
1
оо
см
со
g
со
о
ю
о
/^~\
NO
Tt
^н
ная
X
тепе
о
cd
О
скл
нО
ч
О
«
«
1
W-)
NO
«О
rt
О
о
«
cd
о
н
фер]
о
cd
S
О
и
о
:0>
Он
<D
В
О
с
1
1
Tf
г-
о
о
о
СО
О
о
/*-N
©^
т-Н
V—•
се
X
X
0)
с
о
в
<D
О
са
ем
<Ч
ю
1
ON
СЧ
О
о"
со
1^.
О
о
се
о
(L)
сг
В
я
о
S
о,
в
о
я
«
D
о
с
Он
СО
<D
VO
8
■*■
1
СЧ
OS
сч
о
о"
Tf
г-
о
О*
се
о
сг
s
Я
о
в
ex
с
о
я
са
о
о
с
3
л
ч
о
я
са
1
1
со
Q
о5
о
00
о
о
/~*ч
00
со
,—Н
^—^
§
в
X
<L>
в
0)
н
о
3
Я
Он
(D
С
О
в
1
?
со
о
Г-Н
CN
О
со
1Г>
О
«
Л
О
сг
В
о<
<и
'В*
о
CD
О
са
СО
1
1
1
ЧО
СЧ
о"
н
<D
Сч
U
се
ж
л
^
в
ев
сг
л
ч
о
я
PQ
908
1
со
00
со
о
о"
3
о
се
о
0)
0<
S
Я
О
S
о.
о
я
са
0)
о
в
8
Ъ*
(D
В
О
в
1
00
in
со
СО
00
СЧ
о
(N
rf
О
се
в
л
ч
ее
S
В"
В
В
О
в
о
*
л
а>
о
со
TJ-
1
1
1
г^
ЧО
см
о
н
0>
и
f-H
се
В
се
в
о
о
л
к
о
я
са
1
о
»л
со
оо
оо
СЧ
о
00
о
о
се
са
о
о
и
>*
се
Сн
се
в
о
5
:0)
Он
О
В
О
В
см
о
1
сч
и~>
о
о
о"
S
о"
к
се
м
о
сг
В
я
о
в
Он
<D
в
0)
о
са
-
и
8
Ю
1
Os
О
сГ
~~
Q
о
«
ее
а
о
СГ
в
я
о
в
Он
а>
в
се
в
о
о
A
1=5
о
я
са
00
ЧО
сч
о
о"
со
о
о
«
се
а
о
сг
В
я
о
в
Он
0)
В
се
в
о
Он
(D
В
о
в
OS
•О
о
сч
1
г-
оо
о
о"
Os
«о
о
о"
се
о
СГ
В
я
о
в
Он
в
о
я
са
<L>
о
В
<L>
О
са
сч
8
О
сч
1
оо
со
о
о"
OS
S
о"
се
о
сг
в
я
о
в
Он
в
о
я
са
о
о
В
ее
я
в
в-
со
<D
О
1
1
чо
со
$5
S
о
со
о
о
/—■V
сч
со
т—<
>W
се
о>
В
0)
н
о
3
я
Он
Л
е;
о
я
са
635,6
1
со
о
О
О
сч
3
о*
«
се
*
о
в
я
о
в
Он
(D
в
3
я
1
Он
(U
в
о
в
со
Os
1
Os
ЧО
О
оо
|>
ю
т-Н
се
о
сг
в
я
о
в
Он
в
о
я
са
<и
о
в
CD
О
са
со
OS
со
сч
СО
1
ю
СО
СО
о
ЧО
ЧО
ю
~
се
о
У
В
я
о
в
Он
CD
В
о
я
са
а>
о
В
се
(4
В
се
сг
л
1=2
О
Я
са
ОО
оо
os
1
>п
сч
со
о
ЧО
чо
ЧО^
1—4
се
о
сг
в
я
о
в
Он
0)
в
о
я
са
(D
о
в
се
S
се
сг
О.
:0)
Он
0>
В
О
Б
1
Г-
«п
со
ЧО
г-
сч
о"
Os
Os
о
о*4
а
8
сг
В
Он
<0
&
о
CD
О
са
Tt-
00
ЧО
со
Os
со
о
о"
о
00
сч
о
се
о
СГ
в
я
о
в
Он
(D
в
о
я
са
0)
о
В
се
в
о
5
-а
S3
о
я
са
1
со
i*o
«О
о
со
со
о
сч
ЧО
о
се
са
о
о
о
>*
се
и
се
в
о
о
:<0
Он
а>
С
О
"В
граммы индицирует наличие тренда, последний был вычислен, и
данные были скорректированы (детрендированы). После детрен-
дирования вариограмма приняла форму сферической модели.
Также были построены вариограммы по направлениям.
Поскольку вариограмма вдоль склона также моделировалась
степенной функцией, наличие тренда было связано со склоном.
Значения рН водной вытяжки имели те же параметры распределения и
аппроксимировались теми же моделями. Распределение
органического углерода имеет периодический характер, как для всех
направлений, так и для направлений вдоль и поперёк склона.
Интересно, что период для всех данных разлагается на векторы вдоль
склона и поперёк склона (периоды 1012, 509 и 863 м составляют
почти идеальный прямоугольный треугольник с углом около
30°). Таким образом, периодичность наблюдается в направлении,
не совпадающем со склоном.
Значения рН солевой вытяжки в чернозёме иллювиально-
глинистом распределялись в соответствии со степенной моделью
(степени 1,04, то есть вариограмма также имела линейную
форму). После детрендирования вариограмма приняла форму
сферической модели. Также были построены вариограммы по
направлениям. Вдоль гряды была обнаружена периодичность
распределения с периодом около 800 м. Поперёк гряды распределение
значений моделировалось степенной функцией. Значения рН
водной вытяжки имели примерно те же параметры
распределения, однако после детрендирования данных вариограмма приняла
периодический характер. Распределение органического углерода
имело периодический характер как для исходных, так и для де-
трендированных данных со сходным периодом около 2060 м.
По направлению вдоль гряды распределение описывалось
степенной функцией, а поперёк гряды имело периодический характер, но
со значительно меньшим периодом, чем для всех данных (636 м).
ОБСУЖДЕНИЕ
Нами была исследована пространственная вариабельность
участков, заложенных в ареалах распространения почв
зонального ряда. Исследование показало, что между геостатистическими
параметрами исследованных участков существуют
определённые отличия, которые могут быть интерпретированы в терминах
географии почв.
Серые почвы характеризуются высоким уровнем
вариабельности кислотности, выраженной в виде значений рН солевой и
водной вытяжки. Кислотность закономерно варьирует в
пространстве на характерных расстояниях до 200 м, причём про-
76
странственная корреляция данных оценивается как высокая. В то
же время наблюдается и довольно высокая вариация этих
показателей на характерных расстояниях менее шага опробования
(менее 150 м). Высокое отношение порога к наггету указывает,
что всё же основное варьирование кислотности происходит на
характерных расстояниях 150-200 м. Закономерное изменение
значений рН происходит обычно вдоль склона, что связано, скорее
всего, с более интенсивным выщелачиванием карбонатов на
верхней части склона или близким выклиниванием карбонатных
грунтовых вод у его подножия. Поперёк склона распределение
значений рН описывается сферической моделью, что означает
резкие смены значений показателя на нерегулярных
расстояниях; радиус корреляции в данном направлении выше и достигает
480-565 м (для значений рН солевой и водной вытяжек,
соответственно). Нулевой наггет указывает, что в данном направлении
почти не происходит смен значений на характерных расстояниях
менее 150 м, то есть значения рН изменяются на дистанциях
150-500 м. Содержание органического углерода варьирует
сравнительно слабо, причём его пространственное распределение
имеет периодический характер с периодом около 1000 м; на
расстояниях менее 150 метров вариация незначительна.
Периодичность распределения содержания органического углерода не
связана со склоновыми процессами; в нашем случае период
направлен под углом около 30° к склону. Причину подобной
периодичности следует устанавливать на основе подробных полевых
наблюдений; это как раз тот случай, когда геостатистические
данные, выявляя скрытые закономерности распределения
данных, дают основу для проведения почвенно-географических
исследований.
Кислотность в чернозёмах иллювиально-глинистых
варьирует мало в форме рН солевой вытяжки, однако значительно выше
вариабельность значений рН водной вытяжки. Известно, что
определение рН солевой вытяжки используется как более
стабильный показатель кислотности, не зависящий от исходной ионной
силы раствора. Видимо, следует учитывать, что именно в
чернозёмах иллювиально-глинистых рН водной вытяжки даёт
наименее стабильные значения. С этим же, очевидно, связано и разное
пространственное распределение этих показателей кислотности.
Распределение значений рН солевой вытяжки описывается
сферической моделью; пространственная корреляция средняя,
основное варьирование происходит на характерных расстояниях
150-300 м. Распределение кислотности зависит от рельефа: вдоль
склона гряды распределение описывается степенной функцией,
то есть имеется тренд в распределении данных. Вдоль гряды об-
77
наруживается периодичность распределения, причины которого
не установлены. Содержание органического углерода варьирует
мало, его распределение имеет периодический характер с
периодом около 2000 м, что может быть связано с мезорельефом
территории.
В чернозёмах кислотность варьирует слабо (по всем
показателям вариация ниже, чем в других почвах). Пространственная
корреляция значений рН водной вытяжки характеризуется как
средняя, хотя находится на грани слабой; распределение
характеризуется сферической моделью. Высокий наггет указывает на
то, что варьирование происходит скорее на расстояниях менее
150 м. Наличие периодичности (точнее, псевдопериодичности) в
направлении «поперёк участка», связано, скорее всего, с
наличием лесополос по краям участка, которые оказывают слабое
подкисляющее действие на почву. Распределение солевого рН
описывается степенной функцией с малым наклоном, то есть близко
к чистому наггету. Чернозёмы характеризуются максимальным
варьированием содержания органического углерода, которое
описывается периодической моделью по всем направлениям.
Однако данные вызывают некоторое сомнение: периоды по
направлениям подозрительно совпадают с линейными размерами
участка, а период по всем направлениям представляет собой их
среднее арифметическое. Если наша догадка верна, то в данном
случае мы имеем дело с псевдопериодичностью, связанной с
«краевым эффектом» поля. В любом случае, даже если и
существует некоторая периодичность, на фоне высокого наггета
амплитуда изменений выглядит незначительной. Основные изменения
в содержании органического углерода происходят на
расстояниях менее 150 м, что мы соотнесли с микрорельефом и
транспортом органического вещества вдоль склона на малые расстояния
(Сидорова, Красильников, 2004, 2006).
В каштановых почвах вариабельность кислотности довольно
низка, хотя и несколько выше, чем в чернозёмах. Для
распределения значений рН солевой вытяжки использовалась Гауссова
модель с низкой степенью пространственной корреляции. В
основном изменения происходят на расстояниях менее 150 м; на
расстояниях 150-480 м изменения происходят на меньшие
величины и плавно. В то же время вдоль склона изменения
описываются сферической моделью, подразумевающей более резкие
смены значений, что может быть связано с результатами
склоновых процессов. Распределение значений рН водной вытяжки
имеет несколько иную структуру. Для всех значений модель
имеет форму экспоненты, и пространственная корреляция
оценивается как средняя. Вдоль склона распределение описывается как
78
чистый наггет, а поперёк склона - как Гауссова модель.
Варьирование содержания органического углерода среднее (ниже, чем в
чернозёмах, но выше, чем в чернозёмах иллювиально-глини-
стых). Пространственное распределение содержания
органического углерода описывается сферической моделью;
пространственная корреляция средняя, радиус корреляции составляет около
360 м, то есть у варьирования есть две примерно равные
составляющие: вариация на расстояниях менее 150 и 150-360 м.
Поперёк склона варьирование описывается Гауссовой моделью, а
вдоль склона наблюдается периодичность с периодом около
1500 м, что может быть связано с плоскостной эрозией.
В общем виде результаты исследований для зональных почв
приведены в табл. 4.3 (без учёта распределения данных по
направлениям и трендов). Распределение значений рН солевой
вытяжки характеризуется сферической моделью в серых почвах и
чернозёмах иллювиально-глинистых, степенной в чернозёмах и
Таблица 4.3
Параметры моделей вариограмм
(без направлений; в случае наличия тренда данные детрендированы)
для свойств 1 - серой почвы, 2 - чернозёма иллювиально-глинистого,
3 - чернозёма, 4 - каштановой почвы
Свойство
рН солевой
рН водный
органический углерод
Почва
1
2
3
4
1
2
3
4
1
2
3
4
Модель
сферическая
сферическая
степенная
(1,27)
гауссова
сферическая
периодическая
сферическая
экспоненциальная
периодическая
периодическая
периодическая
сферическая
Наггет
0,2
0,0189
0,15
0,207
0,18
0,073
0,153
0,142
0,041
0,049
1,678
0,099
Порог/
да/наклон
0,32
0,0648
0,000004
0,264
0,24
0,0129
0,210
0,283
0,0052
0,0138
0,169
0,276
Ранг,
м
198
288
-
483
208
-
340
358
-
-
-
357
Период,
м
-
-
-
-
-
1525
-
-
1012
2060
1934
-
Наггет
порог, %
62
29
-
78
75
-
73
50
-
-
-
36
79
Гауссовой моделью в каштановых почвах. Наггет минимален в
чернозёмах иллювиально-глинистых, в остальных почвах он
приблизительно одинаков. Порог минимален также в чернозёмах
иллювиально-глинистых, выше в серых почвах и максимален в
каштановых почвах; к степенной модели этот параметр
неприменим. Ранг возрастает в зональном ряду с севера на юг: для серых
почв он порядка 200 м, для чернозёмов
иллювиально-глинистых - около 300 м, а для каштановых почв - почти 500 м.
Пространственная корреляция определяется как высокая для серых
почв, средняя для чернозёмов и низкая для каштановых почв.
Распределение значений рН водной вытяжки имеет несколько
иные закономерности: оно характеризуется сферической
моделью в серых почвах и чернозёмах, периодической в
чернозёмах иллювиально-глинистых и экспоненциальной в каштановых
почвах.
Распределение органического углерода описывается
периодическими моделями в серых почвах, чернозёмах иллювиально-
глинистых и чернозёмах, и сферической - в каштановых почвах.
Период составляет около 1000 м в серых почвах и около 2000 м в
чернозёмах иллювиально-глинистых и чернозёмах. В
каштановых почвах радиус корреляции (ранг) составляет около 350 м;
пространственная корреляция оценивается как средняя.
Таким образом, геостатистические показатели зонального
ряда почв оказываются вполне интерпретируемыми. Это даёт
надежду на типизацию подобных показателей как минимум на
региональном уровне и дальнейшую их экстраполяцию. Очевидно,
что на основании четырёх участков трудно судить о
репрезентативности конкретных полученных данных, и требуется
тщательная дальнейшая работа для выявления общих закономерностей
пространственного варьирования почвенных свойств.
Глава 5
ПРОСТРАНСТВЕННАЯ ВАРИАБЕЛЬНОСТЬ
ЛЕСНЫХ ПОДСТИЛОК ЕЛЬНИКОВ ЧЕРНИЧНЫХ
ВОСТОЧНОЙ ФЕННОСКАНДИИ
Соломатова ЕЛ., Сидорова В.А.
Институт биологии Карельского НЦ РАН,
Петрозаводск, Россия
Резюме
Исследовалась вариабельность мощности лесной подстилки в
старовозрастных и нарушенных ельниках черничных Карелии и Финляндии.
Коэффициенты вариации в старовозрастных лесах составляли 58-107% и были
значительно выше, чем аналогичные коэффициенты для нарушенных лесов.
Вариография мощностей подстилок показала, что в старовозрастных лесах
экспериментальные вариограммы лучше всего аппроксимировались
моделью «чистого наггета» или близкими к таковой экспоненциальными
моделями. В нарушенных лесах обнаруживалось периодическое распределение
мощности подстилки или тенденция к таковому. Мы предполагаем, что
в нарушенных лесах периодичность мощности подстилки определяется
её закономерным распределением от ствола к окнам. В старовозрастных
лесных экосистемах закономерное распределение маскируется наложением
многих циклов подстилкообразования, каждый из которых имел свою структуру.
В то же время общая вариабельность мощности подстилки возрастает с
возрастом из-за накопления случайных факторов, определяющих её
распределение.
Abstract
We studied the variability of the thickness of forest floor in old-growth and
disturbed spruce blackberry forests of Karelia and Finland. The coefficients of variation
were 58-107% in undisturbed forests, which was much higher than the values
detected for disturbed forests. The variography of forest floor thickness showed that in old-
growth forests the experimental variograms were approximated better by the «pure
nugget» model, or similar exponential models. In disturbed forests there was a
periodical distribution of forest floor thickness, or a tendency to such a distribution. We
consider that in disturbed forests the periodicity in the thickness of forest floor is
formed by its regular distribution from stem to «window». In old-growth forest
ecosystem such a regular distribution is masked by various cycles of forest floor
formation, each of that had its own spatial structure. However, total variability of the
thickness of forest floor increases with the age because of accumulation of random
factors, determining its distribution.
81
ВВЕДЕНИЕ
Лесным подстилкам многие годы уделяется серьёзное
внимание почвоведов и лесоводов. В соответствии со сложившимися
представлениями о лесной подстилке существуют
разнообразные теоретические подходы к классификации лесных подстилок
(Miiller, 1879; Степанов, 1929; Meyer, 1943; Дюшафур, 1970;
Зонн, 1974; Богатырев, 1990, 1993). Подстилка, являясь биогео-
ценотическим образованием, обладает одним из важнейших
свойств - изменчивостью (способностью быстро реагировать на
изменение внешних факторов), что находит свое отражение в ее
морфологии (Кылли, 1980; Чертов, 1981; Никонов, 1986).
Мощность относится к основным морфологическим параметрам
лесной подстилки, но при этом рассматривается как достаточно
субъективный показатель. Н.Н. Степанов считал, что этот
показатель может быть объективным, но для этого необходима
систематизация массового почвенно-генетического и лесоводствен-
но-биогеоценологического материала, и предлагал
рассматривать этот показатель в качестве подчиненного (вторичного)
признака при классификации лесных подстилок (Сапожников, 1984,
1987). Действительно, даже в пределах одного типа леса
мощность подстилки может колебаться в очень широких пределах
(Скородумов, 1940; Карпачевский, 1977; Морозова, Федорец,
1992, Парамонова, Окунева, 1998; и др.). Малая мощность
подстилки указывает на сравнительно высокие скорости
разложения опада, большая - на замедленные процессы разложения.
В ненарушенных экосистемах на мощность подстилки влияет
множество факторов, таких как форма рельефа, степень
увлажнения почв, полнота леса, состав и возраст древостоя.
Минимальные мощности подстилки, а значит и ее запасы, как показывают
исследования (Wallace Covington, 1981; Коломыц, 2000),
свойственны более молодым и относительно разреженным лесным
экосистемам. При достижении спелости древостоя на мощность
лесной подстилки не оказывает влияние масса ежегодного
опада, а значительная роль принадлежит интенсивности
разложения и гумификации мёртвого органического вещества, при
этом мощность подстилке остается сравнительно постоянной
(Lull, 1959).
Целью настоящего исследования была оценка и сравнение
реальной пространственной вариабельности лесной подстилки в
ельниках черничных и производном типе леса Восточной Фенно-
скандии. При этом мощность подстилки берется в качестве
критерия, позволяющего описать пространственную
неоднородность лесной подстилки.
82
ОБЪЕКТЫ И МЕТОДЫ ИССЛЕДОВАНИЯ
Исследования проводились в среднетаёжной подзоне
Карелии и Южной Финляндии, расположенных на Балтийском
кристаллическом щите. Рельеф имеет расчленённый характер,
отличающийся частым чередованием холмов и гряд как денудацион-
но-тектонического, так и водно-ледникового генезиса с
понижениями. Для территории характерно большое количество мелких
озёр и болот. Среднетаёжная подзона относится к Центральному
агроклиматическому району. В целом, климат характеризуется
коротким прохладным летом и продолжительной зимой
(150-190 дн.), достаточным количеством осадков, значительной
облачностью и неустойчивой погодой в течение большей части
года. Количество осадков в год 600-700 мм, коэффициент
увлажнения 1,2; сумма температур выше +5 °С за вегетационный
период 1600-1700 °С, а выше +10° - 1400-1600 °С; средняя
температура воздуха в январе -11... -11,5 °С, в июле +15... +16 °С.
Исследования выполнены на шести ключевых участках:
Участок 1 (25 х 30 м) расположен на территории
интегрированного мониторинга Валкеа-Котинен, Финляндия. Почвообразу-
ющая порода представлена пылевато-песчаной валунной мореной.
Лес определен как ельник черничный свежий. Возраст деревьев
155-190 лет. Формула древостоя 8Е + 2Б + С. Почвы - подбуры
оподзоленные супесчаные. Обильны выходы коренных пород.
Участок 2 (54 х 54 м) расположен на территории
заповедника Кивач, Средняя Карелия (Кивач 1). Почвообразующей
породой является суглинистая морена. Лес определен как ельник
черничный свежий. Возраст деревьев от 70 до 220 лет. Формула
древостоя 9Е + 1С + Б. Почвы - супесчаные и суглинистые
подзолы иллювиально-железистые, иллювиально-гумусово-желези-
стые и иллювиально-железисто-гумусовые.
Участок 3 (54 х 54 м) расположен на территории
заповедника Кивач (Кивач 2). Почвообразующая порода представлена
ленточными глинами. Лес определен как ельник черничный свежий.
Возраст древостоя от 80 до 250 лет. Формула древостоя 8Е + 2Б.
Почва поверхностно-подзолистая глинистая.
Участок 4 (2500 м2) представляет собой останец елового леса на
крутой моренной гряде на берегу озера Каск, граница средне- и
северотаёжной подзон Карелии. Почвообразующая порода -
супесчаная завалуненная морена. На глубине 1,2-1,5 м моренные
отложения подстилаются диоритовой скалой. Лес определен как ельник
черничный свежий. Формула древостоя 10Е + Б. Возраст деревьев
100-120 лет. Почвы представляют собой подзолы иллювиально-же-
лезисто-гумусовые грунтово-оглеенные песчано-супесчаные.
83
Лес участка 5 (81 х 81 м) (южная часть острова Б. Климец-
кий, Онежское озеро) определен как ельник черничный влажный.
Почвообразующая порода - песчаная морена. Формула
древостоя 10Е + Б + О. Возраст деревьев 100 лет. Почвы
представлены вариацией подбуров оподзоленных, подзолов иллювиально-
железистых и иллювиально-гумусово-железистых песчаных с
пятнами щебнистых и торфяно-глеевых почв.
Территория участка 6 (81 х 81 м) (Гомсельга) была покрыта
еловым лесом, который был почти полностью уничтожен
вырубками. Почвообразующая порода представлена пылевато-песча-
ной мореной. В настоящее время участок исследования занят
вторичным лесом. Определен как производный тип возрастом
50 лет. Формула древостоя IE + ЗС + ЗБ + ЗО. Почва - подзол ил-
лювиально-железисто-гумусовый пылевато-песчаный.
Для определения мощности лесной подстилки территории
опытных участков были разбиты равномерной сеткой с шагом
1 м. Измерения производились с помощью прикопок. На участке 1
было проведено 400 прикопок, на участках 2 и 3 - по 2916, на
участке 4 - 72, на участке 5 - 6500, и на участке 6 -2500 измерений
мощности лесной подстилки.
Для определения пространственной вариабельности
мощности подстилки использовался геостатистический метод
определения полудисперсии свойств в зависимости от расстояния между
точками (Джонгман и др., 1999). Геостатистическая обработка
полученных данных выполнена в программе, составленной на
основе программ Variowin, версия 2.2 (Pennatier, 1996), Spatanal
(1993) и Wlsfit, версия 3.5 (1992).
Структурная функция рассчитывалась по формуле:
•№ = 1/(ЩА))2№Н^ + А)]2, (5.1)
где z - варьирующая величина, z(xt) и z(xt + К) - результаты
измерений в точках jc, и X} + Л, a N(h) - количество пар точек,
разделенных расстоянием h (обозначаемом как lag h). Структурная
функция - это средняя мера сходства значений признака в точках,
разделенных расстоянием Л.
На основании полученных данных строились вариограммы -
графики зависимости у(Л) от величины смещения А.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Статистические параметры, характеризующие
вариабельность мощности лесной подстилки представлены в табл. 5.1.
Высокое варьирование значений мощностей лесной подстилки
свидетельствует о разнообразном проявлении процессов её образования
84
1
ее И
Произ]
ный ти
э5
х Я
\ Ъ4 V А
Ельни
черни
влажн
>я
0)
ЧНЫЙ СЕ
я
я
а
D
ник ч
Ель
еские
1ТИСТИЧ
5 <
и {
се
Гомсел
s
*
М
«а
Большо
мецкий
зеро
2
8
Л
£
CN
Кивач
tr*
Я
• X
<Ц X
w я
5 S
PQ W
*
2500
0,00
29,0
4,2
1,0
© © о г- <n
in °~ £ «Г О"
МООнО
^ "fr Tf of CN
CN -И т-4
VO О О «fr О
5 О Tt <N <N
vo о о оо ш
5^ о" os со en
Q ©^ ©^ CN Ол
^ d a fn м
n
[имальное значение
симальное значение
арифметическое значение
иана
я м . «
Я 2 & 2
4,5
38,5
-<t
vo"
ч—4
6,6
О
Tfr
г*
vo"
персия
о
к
и:
*-Н
CN
2,1
51
4,09+4
On
00
о"
6,2
58
10,53 +
13,24
^ гл +
*'"> 8
о"
»п
2,6
107
2,29+2,
3,7
99
3,64+3,96
3,25
VO ^ +
*.Г ОО ^-н
(S w ^
со
а>
е отклонени
яации, %
нтервал,
ическо
нт вар]
ный и
квадрат
ффицие
еритель
0,98
а< о о J
внутри одного типа леса в зависимости от экологических
условий. Наибольшей вариабельностью отличались ельники
черничные свежие (Кивач 1, Кивач 2, Валкеа-Котинен), где
коэффициент вариации мощности подстилки достигал 107%, 99% и
81%, соответственно. С увеличением увлажнения почв
мощность подстилки стабилизировалась, коэффициент вариации ее
мощности уменьшался до 33% и 58% (Каскозеро, Б. Климец-
кий). В производном типе леса (Гомсельга) коэффициент
вариации мощности подстилки был равен 51%. Нулевые значения
мощности подстилки отмечены на всех участках, кроме
участка 4 (Каскозеро). Отсутствие подстилки отмечалось при
попадании точки измерения на ствол, вывал, поваленное дерево,
выход коренных пород и др. Максимальная мощность
подстилки выявлена в ельнике черничном влажном (участок Б. Кли-
мецкий) и равна 37 см. Увеличение мощности подстилки на
данном участке было увязано с повышением степени
увлажнения почв.
Как видно из рисунка 5.1, общее проективное покрытие
лесной подстилки также варьировало. По сравнению с другими
пробными площадями на участках, расположенных в
заповеднике «Кивач», обнаруживался наименьший процент проективного
покрытия лесной подстилки соответственно равный 63% и 66%,
обусловленный большим количеством вывалов.
По данным для всех шести участков были рассчитаны y(h) и
построены вариограммы. Результаты показали высокий разброс
значений, который не может быть описан с помощью
упрощённой модели закономерного изменения мощности подстилки от
ствола к кроне эдификатора.
Вариограмма мощности подстилки для участка 1 (ельник
черничный свежий, Валкеа-Котинен) отражала практически 100%
Гомсельга
Климецкий
Каскозеро
Кивач 2
Кивач 1
Валкеа-Котинен
0 10 20 30 40 50 60 70 80 90 100
Рис. 5.1 Проективное покрытие лесной подстилки на исследуемых участках
86
Рис. 5.2 Вариограмма
мощности лесной подстилки для
участка 1 (ельник черничный
свежий, Валкеа-Котинен)
Ось абсцисс - расстояние
между точками опробования, м
Ось ординат - значение
полудисперсии, см2
81
7-
6^
5-
4-
3-
2-
1-
п
1
7W
♦ ♦4
i i
3
ь.^ . ^ ж.Ж.^ ^ *Ъ - ^ л^ъ ш ш Л ▼
>▼+♦•» Ф +щ+++w w^~
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
5 7 9 11 13 15 17 19 21 23 25
lag Л, м
наггет-эффект (рис. 5.2). Вариограмма описывалась линейной
моделью, причем наклон прямой был незначителен:
Y(A) = 6,42 + 0,0149й. (5.2)
Значение остаточной дисперсии практически совпадало с
пороговым значением и со значением дисперсии (табл. 5.2). Можно
сделать вывод о том, что вариации мощности подстилки не могли
быть отделены от вариаций некоррелируемой случайной
переменной, то есть для выбранного шага выборки (1 м)
крупномасштабная вариация не отделялась от «шума». Происходило
варьирование данных вокруг среднего значения 3,18 (табл. 5.2).
Таблица 52
Параметры моделей вариограмм, использованных для оценки
пространственной вариабельности мощности лесной подстилки
Участок
Валкеа-
Котинен
Кивач 1
Кивач 2
Большой
Климецкий
Гомсельга
Тип леса
Ельник
черничный
свежий
Ельник
черничный
свежий
Ельник
черничный
свежий
Ельник
черничный
влажный
Производный тип
Тип вариограммы
Линейная
Экспоненциальная
Э кспоне нциал ьная
Экспоненциальная
Экспоненциальная
и периодическая
Наггет
(О))
6,42
13,50
5,67
29,03
2,69
Порог
(С)
6,79
16,05
7,69
39,16
4,53
Ранг,
м(а)
>25
30
35
>50
30
87
Рис. 5.3 Вариограмма
мощности лесной подстилки для уча-
12Х" ^ ~ стка 2 (ельник черничный све-
10
6
6
4-
2-
0-
жий, Кивач 1)
Ось абсцисс - расстояние
между точками опробования, м
Ось ординат - значение
полудисперсии, см2
! I I I I I I I I I II I I I I I I I I I I I I I I I I I I I I I I I I I I I
1 4 7 10 13 16 19 22 25 28 31 34 37 40
lag К м
Вариограмма для участка 2 (ельник черничный свежий,
Кивач 1) (рис. 5.3) лучше всего описывалась при помощи
экспоненциальной модели. Уравнение для функции y(h) имело следующий
вид:
у(Л) = 13,5 + 2,55* (1-ехр(-й/97,6)). (5.3)
Вариограмма для участка 3 (ельник черничный свежий,
Кивач 2) (рис. 5.4) также лучше всего описывалась при помощи
экспоненциальной модели.
Уравнение для функции у(Л) имело следующий вид:
у(А) = 5,67 + 2,02* (1-ехр(-Л/97,6)). (5.4)
Незначительный наклон прямой на участках 2 и 3
свидетельствует о том, что исследуемая территория может быть названа
однородной. Большое значение остаточной дисперсии на
участках 1, 2 и 3 связано с вариабельностью почвенных свойств,
происходящей на расстояниях много меньше, чем шаг при отборе
образцов (1 м), а также с ошибками измерений.
Вариограмма, построенная для определения варьирования
мощности подстилки для участка 4 (ельник черничный свежий,
Рис. 5.4 Вариограмма
мощности лесной подстилки для
участка 3 (ельник черничный
свежий, Кивач 2)
Ось абсцисс - расстояние
между точками опробования, м
Ось ординат - значение полу-
i i i i i i i i i i i
31 35 39
lag/ъм
Рис. 5.5 Вариограмма
мощности лесной подстилки для
участка 4 (ельник черничный
свежий, Каскозеро)
Ось абсцисс - расстояние
между точками опробования, м
Ось ординат - значение
полудисперсии, см2
20
18-
16
14-
12-
10-
8-
6
4-
2-
0-
7W
1 2 4 6 8 10 12 14 16 18 20 22
lag/i,M
Каскозеро), имела достаточно необычный облик (рис. 5.5).
Ни одна из моделей не описывала достаточно хорошо
полученную вариограмму. Визуально экспериментальной вариограмме
соответствовала периодическая модель, однако аппроксимация
не дала удовлетворительных результатов. Очевидно, в нашем
случае периодичность изменения мощности подстилки, связанная
с тессеральной структурой биоценоза, усложняет картину: в
некоторых случаях полудисперсия превышает дисперсию к
которой теоретически должна стремиться. На рис. 5.5 дисперсия
обозначена как прямая пунктирная линия, параллельная оси абсцисс.
Следует учитывать, что количество пар точек, по которым
производились расчёты, резко уменьшается для lag/* > 5, поэтому
данные для больших расстояний менее достоверны.
Для участка 5 (ельник черничный влажный, Б. Климецкий)
вариограмма круто возрастала с увеличением шага (рис. 5.6).
Это свидетельствует о наличии линейного тренда в данных.
Тренд проявляется повышением (или понижением) величины
вдоль некоторого направления. Трендовые поверхности, в
основном, используются для описания постепенных
крупномасштабных изменений. Направление наклона поверхности тренда
Рис. 5.6 Вариограмма
мощности лесной подстилки для
участка 5 (ельник черничный
влажный, Б. Климецкий)
Ось абсцисс - расстояние
между точками опробования, м
Ось ординат - значение
полудисперсии, см2
30
25
20
151
ни
5
0
1111111111111111111111111111111111111111111111
1 4 7 1013161922252831343740434649
lag h, м
89
tftt
5-,
4,5
4
3,5
3
2,5
2-
1,5
1
0,5
0
J^/WVVWvww
Рис. 5.7 Вариограмма
мощности лесной подстилки для
участка 5 (производный тип
леса, Гомсельга), данные
детрендированы
Ось абсцисс - расстояние
между точками опробования, м
Ось ординат - значение
полудисперсии, см2
II I N I 1 I И I П 1 И I II I I I II I I I II I II I HI Hill I I I Ml
1 4 7 1013161922252831343740434649
lag^M
совпадает с направлением склона на участке 5 (с
северо-востока на юго-запад).
Для остатков была вычислена полудисперсия и построена
вариограмма (рис. 5.6). Полученная вариограмма лучше всего
описывалась при помощи экспоненциальной модели. Уравнение для
функции y(h) имело следующий вид:
у(А) = 29,03 + 16,03* (1-ехр(-/*/84,8)). (5.5)
Таким образом, вариограмма имела ограниченную форму.
Порог вариограммы немного превышал значение дисперсии
(табл. 5.2). Значение остаточной дисперсии (наггета) составляло
29,03. Большие значения полудисперсии и остаточная
дисперсия связаны, по-видимому, с большой пестротой почвенного
покрова.
Данные по участку 6 (производный тип леса, Гомсельга)
также были проверены на наличие тренда. По аналогии с участком 2
была получена линейная поверхность (тренд первого порядка):
Z = 3,66 - 0,014jc + 0,026};. (5.6)
Направление наклона поверхности тренда также совпадало с
направлением склона на участке 6 (направление юг-север).
Вариограмма, построенная для остатков, имеет
периодическую форму (рис. 5.7) и описывается достаточно сложной
функцией, представляющей сумму экспоненциальной модели и
модели «с эффектом дырок» (периодической модели). Уравнение для
функции y(h) имеет следующий вид:
Y(A) = 2,69 + 1,49 • (1 - ехр(-А/10,98)) - 0,35 • sin (2,09 • h + 1,81)
(5.7)
Период синусоидальной функции был равен 3, что примерно
соответствовало радиусу кроны деревьев. Вариограмма имеет
90
ограниченную форму. Пороговое значение составляло 3,83
(значение дисперсии - 4,54, табл. 5.2). Значение остаточной
дисперсии было 2,69. Сложный вид вариограммы может быть связан с
большой неоднородностью мощности подстилки, так как
территория этого участка была подвержена антропогенному
влиянию (вырубки) и в настоящее время представляет собой
вторичный лес.
Исследование показало, что для описания мощностей лесных
подстилок используются несколько моделей. Вариограмма для
определения варьирования мощности лесной подстилки для
ельника черничного свежего Валкеа-Котинен описывается
линейной моделью. Для ельников черничных Кивач 1, 2 и Климецкий
были подобраны экспоненциальные модели с очень высокими
значениями наггета. В условиях производных типов леса
вариограмма варьирования мощности подстилки описывается
экспоненциальной и периодической моделями (Гомсельга) или имеют
тенденцию к периодичности (Каскозеро). Таким образом, в
старовозрастных малонарушенных лесах в крупном масштабе
мощность подстилки характеризуется низкой пространственной
корреляцией. Мы объяснили это наложением многих стадий
образования подстилки в течение развития лесного биогеоценоза,
каждая из которых «записывала» свою тессеральную и
парцеллярную структуру. В результате подобного наложения происходило
усреднение закономерной пространственной вариабельности
мощности подстилки; в то же время общая вариабельность
мощности подстилки возрастает за счёт накопления случайных
нарушений (ветровалов, локального заболачивания и пр.). В
нарушенных лесах, находящихся на стадии восстановления, мощность
подстилки определяется единственным циклом накопления
органических остатков, который регулируется тессеральной
структурой нового биогеоценоза. В результате в подобных лесах
наблюдается в той или иной степени выраженная периодичность в
распределении мощности подстилки.
Глава 6
ВЛИЯНИЕ БОБРОВ НА ВАРИАБЕЛЬНОСТЬ
СВОЙСТВ ПОЧВ ЮЖНОЙ КАРЕЛИИ
Сидорова В.А., Федоров Ф.В.
Институт биологии Карельского НЦ РАН,
Петрозаводск, Россия
Резюме
Изучалось изменение пространственной вариабельности почв в Южной
Карелии под действием затопления, вызванного деятельностью бобров.
Исследования проводились на ненарушенной территории и на участке, подвергшемся
затоплению. В результате затопления произошло заболачивание территории,
что привело к увеличению содержания органического углерода и
незначительному понижению значений рН. После затопления распределение
органического углерода в поверхностном горизонте изменилось. На ненарушенном участке
распределение углерода в почве квазистохастично, а на участке, подвергавшемся
затоплению, имеет тренд по направлению от озера, описываемый
квадратичной зависимостью.
Abstract
We studied an alteration of spatial variability of soil properties in South Karelia
induced by inundation caused by beavers' activity. The study was conducted at an
unaltered reference site and at a site affected by flooding. After flooding the territory was
paludified; it caused an increase in organic carbon content and slight decrease in pH
values. The spatial distribution of organic carbon in the surface soil horizon changed after
flooding. The reference site has a pseudostochastic spatial distribution of organic carbon,
while in the once flooded site there is a square trend, which is oriented from the lake.
ВВЕДЕНИЕ
Жизнедеятельность животных является одним из основных
факторов почвообразования (Иенни, 1948). П.П. Дмитриев и
Н.П. Гауричева (1983) ввели понятие зоофитохоры - особой
структуры биогеоценотического уровня, где одним из ведущих
факторов развития растительности и почв выступает
жизнедеятельность животного. Р.Дж. Нейман (Naiman, 1988) отмечает,
что существенное влияние на экосистемы оказывают
млекопитающие вследствие их больших размеров, продолжительности
жизни, потребностей в пище и жилье. Жизнедеятельность животных
приводит к таким изменениям ландшафтов, которые не могут
возникнуть под влиянием только климата и геологии.
92
Внимание многих исследователей привлекает роль в
почвообразовательных процессах млекопитающих-землероев
(Абатуров, Зубкова, 1969; Абатуров, Карпачевский, 1965; Дмитриев,
1988; Таджиев, Одиношоев, 1987). Б.Д. Абатуров выделяет
следующие формы воздействия землероев на почвы: норы
разрыхляют почву, улучшают аэрацию, способствуют более глубокому
увлажнению; осуществляют вынос на поверхность материала
глубинных горизонтов; формируются специфические формы
рельефа; увеличивается мощность гумусового горизонта за счет
его перемешивания с материнской породой; разрыхленный
почвенный материал становится более подвержен эрозии (Абатуров,
1984).
Однако кроме этого существует еще и опосредованное
воздействие животных. Одним из таких животных является бобр,
чьё воздействие на почву происходит не только напрямую, через
роющую и кормодобывающую деятельность, но и
опосредованно - через изменение гидрологических режимов водоёмов и почв.
Поселяясь на каком-либо водоеме, бобр резко меняет облик
всего прибрежного биоценоза: происходит смена
растительности, меняются химический состав почвы и воды, гидрорежим
водоемов, характер берегов, прибрежная фауна и другое. Обитание
бобров в том или ином водоеме влечёт за собой последствия,
иногда огромные, для всего прибрежного комплекса. Действия
бобра существенно способствуют самоочищению водоема и
выравниванию речного стока, тем самым улучшая условия обитания
лесной дичи и рыбы (Балодис, 1990; Дежкин и др., 1986;
Завьялов, Бобров, 1999; Burns, McDonnell, 1998).
Жизнедеятельность бобров - это также мощный фактор
почвообразования. Так, рытьё нор способствует формированию
микро- и нанорельефа, меняет температурный и водный режим
почв, влияет на направление и скорость почвообразовательных
процессов (Завьялов, Зуева, 1998). Норы выполняют и
дренажную функцию. В результате фильтрации воды из бобрового
пруда водоносный слой подпитывается в зоне 100-150 м, уровень
грунтовых вод в припрудовой части поднимается на 1 м. Подъём
уровня грунтовых вод в районах поселений определяет усиление
процессов оглеенйя и торфонакопления. На поймах, изменённых
бобрами, наблюдается тенденция к образованию торфяно- и пе-
регнойно-глеевых почв, слаборазвитых почв болотного ряда. За
счет интенсивного илонакопления в понижениях микрорельефа
формируются иллювиальные, иловато-торфяно-глеевые и ило-
вато-глеевые почвы. Деятельность бобров изменяет почвы в
сторону их деградации, переувлажнения; создаются условия для
образования водно-болотных фитоценозов (Синицын, Русанов,
93
1989). Р.Дж. Нейман с соавторами (Naiman et al., 1988) на основе
исследований, проведенных на севере США и в Канаде, также
отмечает, что на месте брошенных бобровых поселений
формируются болота или периодически затопляемые луга. По
наблюдениям Ф.С. Гильяма с соавторами (Gilliam et al., 1999), «молодое»
болото, сформировавшееся через 8 лет после строительства
бобриных плотин и затопления территории, по свойствам ничем не
отличается от «старых» болот, сформировавшихся в
естественных условиях.
Подъем уровня грунтовых вод отрицательно сказывается на
корневых системах деревьев. Старые мощные деревья падают в
русло, создавая завалы. Отмечаются вывороты елей разных
размеров, которые порой достигали 3-4 м в диаметре.
Ветровальные процессы приводят к угнетению наземного растительного
покрова под упавшими стволами и к разрушению почвы в местах
выворотов (Синицын, Русанов, 1989).
Под влиянием подтопления меняется и физико-химические
свойства почв. Н.А. Завьялов и С.С. Зуева (Завьялов, Зуева,
1998) исследовали почвы по берегам двух бобровых прудов и не
подтопленный бобрами участок речной поймы в качестве
контроля (на примере Дарвинского заповедника). Авторы выделяют
три зоны, которые подвергаются изменениям:
- от уреза воды до 7 м - близкие к нейтральным значения рН
(5,97), высокое содержание оксалатрастворимого Fe в оглеенном
горизонте В и обменного А1 в горизонте А;
- от 7 до 25 м - резкое снижение рН до кислых значений (4,1),
снижение содержания оксалатрастворимого Fe и обменного А1;
- от 25 м и далее от зеркала воды - постепенное изменение
значений рН до среднекислых (4,73), выравнивание содержания
оксалатрастворимого Fe и обменного А1. На контроле такого
резкого разделения не наблюдалось. Также на подтопленном
участке достаточно хорошо прослеживалось уменьшение
содержания органического вещества по мере удаления от реки (с 26,0
до 0,18%) (Завьялов, Зуева, 1998).
К аналогичным выводам пришли Н.Т. Донкор и Р.Дж. Фрик-
селл (Donkor, Fryxell, 2000), изучая воздействие канадского бобра
на низинные леса, окружающие бобровый пруд, Алгонкин парк,
Онтарио. На исследуемых участках отложения варьировали от
сухих, маломощных огравленных морен, подстилаемых
кристаллическими породами, до переувлажнённых озёрных тяжёлых
суглинков. Исследовались изменения содержания органического
вещества, значений рН (в водной вытяжке), влажности и
концентрации Р (по Ольсену), К и Mg (обменные) в зависимости от
расстояния от пруда. Методом регрессионного анализа установлен
94
квадратичный характер зависимости исследуемых показателей
от расстояния от пруда. По мере увеличения расстояния
происходит уменьшение влажности, концентрации калия и значений рН и
увеличение содержания органического вещества, концентрации
фосфора и магния, а затем наоборот. При этом изменение
расстояния объясняет 75% варьирования влажности, 43% -
содержания органического вещества, 25, 23 и 16% - концентрации
калия, магния и фосфора соответственно, и только 6%
варьирования рН.
Р.Дж. Нейман с соавторами (Naiman et al., 1988) исследовали
изменения почвенных свойств и растительности на
существующих и брошенных бобровых прудах штата Миннесота в
зависимости от увлажнения. Вдоль гидрологического градиента
происходит почти двукратное уменьшение значений рН: 6,0 и больше в
донных осадках и около берега, 4,7 - на влажных почвах и 3,9 -
на хорошо дренированных лесных почвах. Исследования также
показали, что в условиях заболачивания происходит резкое (в 4,3
раза) увеличение содержания доступного для растений азота
(азот, определенный в вытяжке КС1 и азот в почвенном
растворе) - 29,8 и 6,8 кг/га на затопленной территории и в лесу,
соответственно. Таким образом, в результате деятельности бобров
увеличивается содержание доступного азота в ландшафте.
Средообразующая деятельность бобра изучена довольно
хорошо (Дежкин и др., 1986). Однако нет достаточно подробных
количественных характеристик влияния деятельности бобра на
почвообразовательные процессы. Цель настоящей работы -
оценить изменения пространственного распределения основных
почвенных свойств в результате воздействия бобров в таежных
лесах Карелии.
ОБЪЕКТЫ И МЕТОДЫ
Исследования проводились на брошенном бобровом
поселении оз. Пертиламби (пос. Каскеснаволок, Пряжинский район,
Республика Карелия). До поселения бобров тип прибрежного
лесного насаждения был представлен большей частью
березняком разнотравным Betuletum mixto-herbosum с небольшой долей
осины (реконструированная ситуация). В результате появления
бобров и строительства ими на выходе из озера двух плотин был
затоплен участок леса площадью около 15 га. После ухода
бобров (14 лет назад), разрушения плотин и спада воды на месте
старого бобрового пруда сформировалось болотное сообщество,
представляющее собой смешанную категорию, в которую входят
сфагновые, зарастающие березой, осоково-сфагновые (Сагесе-
95
turn sphagnoswn), сфагново-пушицевые (Sphagnetum eriophorosum)
и различные кустарничково-сфагновые сообщества (Fruticuletum
sphagnosum) с преобладанием того или иного вида кустарничков.
Было заложено два участка одинакового размера 20 х 95 м.
Первый - на территории, подвергшейся затоплению, почвы - торфя-
но-подзолы глеевые, второй - на ненарушенном участке, почвы -
подзолы глееватые. Участки были ориентированы по
направлению от озера.
Образцы отбирались с глубины 0-10 см непосредственно под
горизонтом опада (О) по регулярной сетке с предпочтительным
расположением точек с шагом 5 м. Было взято по 100 образцов с
каждого участка. Разделение выборки по типам горизонтов,
залегающих под опадом (A, Ah, H) не производилось.
Определялись: рНН20, рНКС1, содержание органического углерода.
Содержание общего азота определялось только в 20 образцах на
участке 1 и в 28 - на участке 2. Объем выборки рассчитывался
методами статистического анализа одной выборки (Дмитриев,
1995). Номера образцов для анализа определялись методом
случайных чисел.
Для определения пространственной вариабельности
почвенных свойств использовался геостатистический метод
определения зависимости дисперсии свойств в расстояния между точками
опробования (Демьянов и др., 1999; Джонгман и др., 1999; Кузя-
кова и др., 2001; Burgess, Webster, 1980). На основании
полученных данных строились вариограммы - графики зависимости
полудисперсии y(h) от величины смещения h. Для построения карт
почвенных свойств использовался кригинг и регрессионный
анализ.
Для расчета и построения вариограмм использовался пакет
программ Variowin и Excel, а для построения карт
пространственного распределения по предсказанным значениям - Surfer.
РЕЗУЛЬТАТЫ
Разброс значений исследованных показателей достаточно
велик. Все крайние значения были подвергнуты проверке
статистической объективности выбраковки результатов. В результате,
были отклонены 5 образцов с участка 2. Оснований для
отклонения остальных значений не было.
Сравнительный анализ двух выборок (Благовещенский и др.,
1987) позволил выявить достоверные отличия содержания
органического углерода, общего азота и кислотности в почве двух
участков. Так, рН в солевой вытяжке в почве затоплявшегося
96
Таблица 6.1
Статистические характеристики свойств поверхностных (0-10 см)
горизонтов почв: 1 - затоплявшийся участок, 2 - контрольный участок
Статистический
параметр
число
наблюдений
размах значений
минимум
нижний квартиль
медиана
верхний квартиль
максимум
среднее значение
дисперсия
стандартное
отклонение
коэффициент
вариации
эксцесс
асимметрия
рН (КС1)
1
100
1,74
2,96
3,20
3,38
3,56
4,70
3,46
0,13
0,37
10,57
1,72
1,36
2
95
1,50
3,06
3,60
3,84
4,01
4,56
3,82
0,09
0,30
7,98
-0,15
-0,14
рН(Н20)
1
100
2,13
3,51
4,06
4,42
4,65
5,64
4,38
0,18
0,43
9,75
0,13
0,35
2
95
1,66
3,64
4,38
4,64
4,82
5,30
4,60
0,10
0,32
7,01
0,11
-0,38
С,%
1
100
50,76
1,44
34,80
39,30
43,20
52,20
36,28
148,52
12,19
33,59
2,54
-1,74
2
95
5,88
1,20
2,82
3,51
4,14
7,0$
3,61
1,20
1,10-
30,35
0,23
0,39
N,%
1
20
1,17
1,12
1,53
1,89
2,14
2,30
1,84
0,12
0,35
18,75
-0,83
-0,38
2
28
0,25
0,12
0,23
0,26
0,29
0,37
0,26
0,0031
0,056
21,61
0,52
-0,32
участка было достоверно (Р0,9з) на 0,4 ниже, чем на контрольном
участке, рН в водной вытяжке достоверно ниже на 0,22 (Р0,99)»
содержание органического углерода в среднем достоверно выше на
32,7% (Р0,999)> содержание общего азота достоверно выше на 1,6%
(Р0999)- Также на затоплявшемся учасзже отмечено увеличение
размаха значений исследуемых свойств* и увеличение
коэффициента вариации (табл. 6.1, рис. 6.1).
Самым простым способом смоделировать
крупномасштабные пространственные изменения - это построение линии или
поверхности регрессии по данным, полученным при наблюдении
в отдельных точках (анализ поверхности тренда). Этот метод
является частным случаем множественной регрессии, в котором
наблюдаемые значения интересующей нас переменной
связываются с независимыми переменными - положением точек
наблюдения. Тренд проявляется повышением (или понижением)
величины вдоль некоторого направления.
Для данных на обоих участках методом наименьших
квадратов подбиралась квадратичная поверхность (тренд второго
порядка) вида (Дмитриев, 1995; Джонгман и др., 1999):
z = Ь0 + blx + Ь2у + ЬуК2 + Ъ^1 + Ь<рсу. (6.1)
7 Геостатика ... почв
97
1 2
размах;
квартили;
- медиана
Рис. 6.1. Статистические параметры распределения значений рН (КС1) (а), рН
(Н20) (6)t содержаний углерода (в) и общего азота (г) для почв затоплявшегося
(1) и контрольного (2) участков
На контрольном участке не удалось подобрать трендовую
поверхность. Для данных на затоплявшемся участке были
получены следующие поверхности:
рНКС1 = 3,98 - 0,023у - 0,001 \х2 + 0,00016/ + 0,00051ху,
Рнн2о = 4,96 - 0,025у - 0,00075*2 + 0,00014/ + 0,00060ху,
С = 3,56 + 1,26* + \ffly - 0,0069/- 0,019ху,
N = 1,34 + 0,01у + 0,002jc2- 0,000067/- 0,00026ху.
Полученные поверхности с достаточно высокой
вероятностью (95-99%) объясняют изменения в содержании углерода
98
м
20
10
0
i
м
20
10
0
м
20
10
0
^
>-.
ш
■
; \ \ \ - \ '■ "
.
10
20 30
40
50 60
70
80 90 м
i Ш
10 20 30 40 50 60 70 80 90 м
3,5-4,0
3,0-3,5
□
D
D
□
□
□
□
□
□
□
D
Ш
4,5-5,0
4,0-4,5
3,5-4,0
3,0-3,5
4,5-5,0
4,0-4,5
3,5-4,0
3,0-3,5
0-10
2,0-2,5
1,5-2,0
1,0-1,5
10 20 30 40 50 60 70 80 90 м
Рис. 6.2. Поверхности тренда второго порядка, подобранные по 100 точкам
данных значений рН (КС1) (а) и рН (Н20) (б), содержаний органического углерода
(в) и общего азота (г) затоплявшегося участка
(58,8%), общего азота (56,2%), значений водного (31,9%) и
солевого (25,5%) рН. Таким образом, на затоплявшемся участке,
по мере удаления от озера происходит сначала снижение
значений рН и увеличение содержания гумуса и азота, а затем
наоборот увеличение рН и уменьшение содержания гумуса
(рис. 6.2).
Как и любое уравнение регрессии, уравнение поверхности
тренда может быть использовано для расчета или интерполяции
значений признаков в местах, не охваченных наблюдениями.
Однако трендовые поверхности не дают точную интерполяцию.
Из-за того, что они представляют собой модели
крупномасштабных вариаций, экстремальные значения удаленных точек данных
могут оказывать чрезмерно большое влияние и, в результате,
давать неверные оценки.
99
.-о 2
*©
8
о
m
?
о
со
8
ю «л t сп N 5 Q
8 8 8 8 8 8 8
9 9 9 9 9е? °
?-CN
О 2
§
О
СП
8
ото
cn ^ ^н
S 8
о о" о"
ф OOOVO^CNOOOVO^CNQ
^(М^^^н^н^ООООО
^ о* о" о" о" о" о" о" о* о14 о" о"
CN
I
I
о
ь
В
U
2
§■
ев
й.
I
ё
в «S
rS
Lo
I" ^
9
^ OOVOrtCN OOVOTfCNO
v/ ^ ^ ^ ^ _н о" О" О О" О"
^ U^l 1 Ц_| 1 1 1 1 1_ О
о
CN
U©
«5 |—|—i—1—|—I—г
о** о" о" о" о" о" о" о*
1-1 л
в Д- w j
■^ OOOOQOOOOO
^^OOVO^-CNOOOVO^CN
?* 1—( ^Н 1—I 1—I i-H
<о
о
<ч cn
о4 о"
S
2
о
«л
§
о
ел
8
4 4
< ♦
♦ «
8
8
о"
I 1 1 1 1 1 1 1 Г
^Ooovo^tsooovoi
— »,-Hi—It—I,—I 1—I © © О
^ о4 о" ©" о о" о о' о о о
S2
о
5
о
1-8
2 с
.*!
^
Г"
2
о
•
1-Н
О
—Г"
о
о
—г-
8
о
1
S
о
1^
3
о
—г"
S
о"
S
о
?
о
СП
■а
3
о
hs
Lo
8
^* 00 ЧО ^t CN
о о о о о
00 ЧО ^t CN
О
X
i
Ом
S
О*
со
П
И
О '~s
- 5
jj. E
— Я S
£?Ю о,
Si
128
gel
1 s.g.s
ill i
*вв
* goo
Is
Таблица 6.2
Дисперсия и параметры моделей вариограмм для свойств
1а - затоплявшегося участка, исходные данные;
16 - затоплявшегося участка, детрендированные данные;
2 - контрольного участка
Свойства
рН (КС1)
рН
(Н20)
С
Участок
1а
16
2
1а
16
2
1а
16
2
Дисперсия
0,13
0,10
0,09
0,18
0,13
0,10
148,52
61,24
1,20
Модель
сферическая
сферическая
сферическая
сферическая
сферическая
сферическая
степенная
степенная
(р = 0,01)
сферическая
Наггет,
0,052
0,037
0,058
0,054
0,058
0,084
52,50
57,95
0,828
Порог,
равный
(0) + С)
0,120
0,087
0,096
0,180
0,118
0,104
-
58,09
1,236
Ранг
(а), м
22,9
10,2
16,4
26,1
10,7
20,16
-
-
12,6
Остаточная
дисперсия
О)/(с0 + с),
43,3
42,5
60,4
30,0
49,1
80,8
-
98,9
67,0
Для построения карт почвенных свойств могут быть
использованы различные способы. Одним из таких является кригинг,
основанный на теории регионализированных переменных
(Матерой, 1968; Burgess, Webster, 1980). На первом этапе кригинга
строятся вариограммы.
Для рНн 0 и рНКС1 на обоих участках вариограммы
достаточно хорошо описывались сферической моделью вида (McBratney,
Webster, 1986):
Y(*H
0, А-0
2а 2\а)
с0+с, h^a.
0<h<a
(6.2)
Для рНКС1 значения «наггет»-дисперсии практически
совпадали (табл. 6.2, рис. 6.3 а, б). Однако следует обратить внимание,
что для затоплявшегося участка «наггет»-эффект составляет
значительную часть дисперсии, по сравнению с контрольным
участком (43% против 60%). Так как при одном и том же анализе
возрастание аналитической ошибки маловероятно, это означает,
что на контрольном участке варьирование значений кислотности
102
м а
О 10 20 30 40 50 60 70 80 90 м
"3.5
Рис. 6.5. Картограммы распределения значений рН (КС1) (а) и рН ф^У) (б) на
затоплявшемся (верхний) и контрольном (нижний) участках по результатам кригинга
в большей степени происходит на расстояниях до 5 м (шаг
опробования). Значения порога и ранга на участке 1 возрастают в
1,5 раза.
Для содержания углерода вариограммы на двух участках
значительно» отличались. Резкое возрастание вариограммы на
затоплявшемся участке подтверждает наличие тренда. На
контрольном участке снова «нагтет»-эффект составляет
значительную часть дисперсии (табл. 6.2, рис. 6.3 в).
103
м а
Рис. 6.6. Картограмма содержания органического углерода на затоплявшемся
(а) и контрольном (б) участке по результатам кригинга
Для содержания общего азота вариограммы носят
нечёткий характер (рис. б.Зг). Не удалось подобрать модель,
описывающую варьирование этого свойства. Возможно, это связано
с недостаточным числом точек наблюдения для анализа варио-
грамм.
Так как для всех свойств участка 1 были обнаружены
закономерные изменения в зависимости от координат точек,
дополнительно были построены вариограммы для
регрессионных остатков (детрендированных данных). В полученных
вариограммах значительно уменьшаются значения порога и
ранга и они практически вырождаются в «наггет»-эффект
(табл. 6.2, рис. 6.4), что свидетельствует о том, что
следующий уровень неоднородности имеет размеры меньше
чем 5 м.
С помощью полученных вариограмм на основе кригинг-мето-
да (Burgess, Webster, 1980) могут быть построены картограммы
104
80 90 м
2.2
2
1.8
1.6
1.4
1.2
ll
10.36
10.32
l0.28
10.24
10.2
Рис. 6.7. Картограмма содержания общего азота на затопленном (а)
и незатопленном (б) участке по результатам кригинга
10.16
10.12
почвенных свойств. На построенных картограммах хорошо
обнаруживаются особенности пространственной структуры в
изменчивости свойств (рис. 6.5-6.7).
ОБСУЖДЕНИЕ
Почвы контрольного участка характеризуются средним
уровнем вариабельности кислотности и содержания
органического углерода. На исследованном участке значения рНКС1
варьировали от 3,06 до 4,56, среднее значение - 3,82. Содержание
углерода варьирует от 1,20 до 7,08% (среднее - 3,61%), содержание
общего азота - от 0,12 до 0,37% (среднее - 10,26%). Коэффици-
105
ент вариации для свойств составляет от 8 до 30%. Таким
образом, в первом приближении исследованный участок можно
принять выровненным по значениям рНКС1, органического
углерода и общего азота. Расстояния, на котором образцы
оставались пространственно скоррелированы (ранг), варьировали
от 12 до 16 м. Пространственная корреляция оценивается как
средняя, ближе к слабой (остаточная дисперсия составляет
60-67%).
Полученные результаты соответствуют данным других
исследователей в ненарушенных лесах (Bruckner et al., 1999;
Goovaerts, 1998; Liski, 1995; Qian, Klinka, 1995). Химические
свойства лесных почв обычно показывают пространственную
корреляцию на расстояниях в несколько метров (от 5 до 20 м). Уровень
корреляции средний (30-70%). По мнению авторов, такой ранг
пространственной зависимости отражает влияние древесной
растительности (расположение, расстояние между деревьями,
диаметр кроны) на почвенные свойства.
В результате подтопления территории меняются почвенные
свойства, а также их пространственное распределение. В
меньшей степени изменяются значения рН. Здесь увеличивается
размах значений, а в среднем происходит значимое снижение
значений на 0,5. Содержание органического углерода и общего
азота резко (в 7-10 раз) возрастает, изменяется и их
распределение.
На затоплявшемся участке наблюдается: зависимость
исследуемых свойств от положения точек опробования.
Распределение органического углерода, общего азота и кислотности на
затопленном участке определяется главным образом расстоянием
от озера, и описывается квадратичной зависимостью. У берега
значения рН выше. А.Ю. Щербакова и Н.А. Завьялов (1995) в
условиях лесостепи объясняют это тем, что ближе к берегу выше
уровень грунтовых вод, и происходит их подщелачивание водами
водохранилища. В наших условиях подобное объяснение
непригодно, поскольку в естественных водоёмах Карелии
минерализация вод ничтожна, и подщелачивания не может происходить. Ряд
авторов (Синицын, Русанов, 1991; Ставровский, Ставровская,
1983) объясняют пространственно-зависимое изменение
почвенных свойств под влиянием смены растительности, поскольку
растительный фактор наиболее лабилен. Растительность быстро
реагирует на изменение условий обитания, быстро сменяется и,
соответственно, изменяет химические показатели почв. Н.Т. Дон-
кор и Дж.М. Фрикселл (Donkor, Fryxell, 2000) установили, что
богатство и разнообразие растительных видов в окрестностях
бобрового пруда также определяется как квадратичная зависимость
106
от расстояния от озера. Максимум разнообразия видов
приходится на расстояние 25 м от воды. Наши данные, связанные с
уменьшением содержания органического углерода и увеличения
значений рН с удалением от уреза воды, также могут быть
интерпретированы как результат изменения биогеохимических циклов в
почве в связи со сменой состава растительности и условий
разложения органического вещества. Общее количество органических
остатков, поступающих в почву, уменьшается на более влажных
участках, скорость же разложения органического вещества в
анаэробных условиях падает. В результате в почве происходит
некоторое накопление органического вещества, а также
наблюдается несколько меньшая кислотность почвы, поскольку
генерируется меньше кислых продуктов распада первичных остатков
растительных тканей.
Р. Дж. Нейман с соавторами (Naiman et al., 1988) отмечали, что
воздействие бобров на почвы проявляется сильнее всего на
расстоянии до 40 м от берега. Н.Т. Донкор и Дж.М. Фрикселл (Donkor,
Fryxell, 2000) также подтверждают, что это расстояние редко
превышает 60 м. Геостатистический анализ наших данных показал,
что радиус корреляции на затоплявшемся участке составляет 23 м
для кислотности и больше 95 м для содержания органического
углерода, то есть в пределах этих расстояний сохраняется
пространственная связь между точками по указанным свойствам.
Вариограммы для регрессионных остатков показали, что
следующий уровень неоднородности имеет размеры, равные или
меньшие чем Юм для рН и 5 м для содержания органического
углерода. Эти радиусы корреляции меньше соответствующих
значений на контрольном участке. Это также можно объяснить сменой
растительности, так как на месте березняка сформировалось кус-
тарничковое сообщество, и потому воздействие деревьев и их крон
на почву нивелируется. В то же время в гидроморных почвах
первостепенное значение имеет микрорельеф, ответственный за
перераспределение влаги. Поскольку в изученном ландшафте
микрорельеф имеет меньшие характерные расстояния, чем
парцеллярная и тессеральная структура исходного березняка, меняется и
средний размер низшего уровня неоднородности.
ВЫВОДЫ
1. В результате деятельности бобров в Карелии происходит
подтопление береговых участков рек, и подзолы глееватые
сменяются торфяно-подзолами глеевыми.
2. На подтопленном участке наблюдается отчётливый тренд
в распределении кислотности и содержания органического угле-
107
рода и общего азота: содержание углерода и азота возрастает,
а кислотность несколько уменьшается по направлению к
берегу реки.
3. Радиус корреляции, отражающий характерный размер
неоднородности почвенных свойств, составляет 12-16 м для
контрольного участка и определяется структурой лесного
сообщества (расположением и размером крон деревьев). После
подтопления территории и смены растительного сообщества характерный
размер неоднородности составляет 5-10 м, и определяется
микрорельефом местности, отвечающим за перераспределение
влаги в почвах.
Глава 7
ДИЛЕММА КОНТИНУУМА В ПЕДОМЕТРИИ
И ПОЧВОВЕДЕНИИ
Ибаньес XX1, Салданья А?
1Центр исследований опустынивания CIDE
(Университет Валенсии), Валенсия, Испания
2Кафедра экологии, Биологический факультет,
Университет Алкала, Мадрид, Испания
Конфликт доктрин не беда,
а предвестник больших изменений
(Пригожий и Стенгерс, 1988
"Между временем и вечностью*')
Резюме
Эта глава рассматривает один из противоречивых вопросов в научном
сообществе почвоведов. В последние годы были поставлены под вопрос такие
аспекты классического почвоведения, как концепция почвы как естественного
природного тела, а также методов классификации и картографирования почв.
Основная критика исходит от специалистов в области педометрии, которые
считают, что классическое почвоведение не способно описывать
вариабельность почв. В ходе дискуссии анализируются такие аспекты, как континуальные
и дискретные объекты, естественные и искусственные классификации,
объективность почвенных классификаций, фундаментальная и прикладная природа
почвоведения и необходимость универсальной классификации. В данной главе
показывается, что подобная критика сходна с той, которой подвергались и
другие науки. Делается вывод, что в соответствии с философией науки
количественный (геостатистический) и качественный (классический почвоведческий)
подходы не являются взаимно исключающими, и возможно использовать оба
для анализа почвенного покрова.
Abstract
This chapter deals with a controversial matter within the community of soil scientists.
In the last years classical pedology has been questioned about the concept of soil as a
natural body on the landscape and also about how soils are classified and mapped. Main
criticisms coming from pedometricians regard the ability of classical pedology to describe
properly soil variability. Aspects under analysis regard the discussion about
continuum-discrete entities, the natural-artificial classification, and the objectivity of the soil
classifications, the basic-applied nature of pedology and the need of universal classifications. It is
shown here that many criticisms are similar to those that have been already overcome by
other sciences. The conclusion is that according to the philosophy of science, the
quantitative (geostatistics) and the qualitative (classical pedology) approaches are not incompatible
and it should be possible to analyse the soil cover using both of them.
109
ВВЕДЕНИЕ
Пространственная вариация и вариабельность почв являются
важнейшими элементами, необходимыми для лучшего
понимания факторов, определяющих структуру распределения почв и
эволюцию ландшафта (Wilding and Drees, 1983). На классической
почвенной карте вариация почв представлена на основании
нашего знания о почвах и геоморфологии (Hudson, 1992), в
основном в терминах закономерного варьирования, которое отражает
постепенное или резкое изменение в свойствах почв как функции
факторов почвообразования и обработки почвы (Jenny, 1941).
В последние годы были поставлены под вопрос такие
аспекты классического почвоведения, как концепция почвы как
естественного природного тела, а также методов классификации и
картографирования почв. Основная критика исходит от
специалистов в области педометрии, которые считают, что
классическое почвоведение не способно описывать вариабельность почв.
С. Грюнвальд (Grunwald, 2003) открыл интересное обсуждение,
возможно ли объединить два подхода к исследованию почв:
количественный (математический) и классификационный.
Эта глава рассматривает один из противоречивых вопросов в
научном сообществе почвоведов. Многие из специалистов в
области педометрии выступают против классических подходов к
анализу континуума педосферы. В основном критике
подвергаются следующие аспекты:
- разделение почв на классы с жёсткими границами, в то
время как внутри классов наблюдается высокая вариабельность
свойств;
- применение иерархических классификаций к почвенным
системам таким же образом, как это делается по отношению к
биологическим системам. Многие почвоведы (в особенности в
Соединённых Штатах), как предполагает С. Грюнвальд (Grunwald, 2003),
имеют узкий кругозор, ограниченный американской таксономией
почв, и кроме того некоторые специалисты в области педометрии
(Heuvelink and Webster, 2001) вовсе считают классическое
почвоведение бесполезным, неким пережитком "тёмного прошлого".
Короче говоря, идёт ли речь о двух разных парадигмах? Мы
считаем, что обе школы в почвоведении могут многому
научиться друг у друга, если интуитивные догадки в классическом
почвоведении будут поддержаны концептуальными инструментами,
заимствованными из точных наук. Прочие естественнонаучные
дисциплины, например, биологические таксономии, анализ
биоразнообразия и геоморфология (Rhoads and Thorn, 1996) в
настоящее время вовлечены в подобный процесс интеграции.
ПО
НЕОБХОДИМОСТЬ КЛАССИФИКАЦИИ
Классификация является необходимой частью любого
процесса свёртки данных, в ходе которого обширные и сложные
серии наблюдений становятся понятными. Хотя все классификации
подразумевают потерю информации, хорошая классификация не
только стремится свести к минимуму потерю информации, но и
создаёт удобные средства для передачи информации путём
объединения естественных групп индивидуумов, имеющих общие
свойства (Burrough, 1989). Психологические исследования
показали, что человеческий разум держит иерархическую
классификацию на подсознательном уровне, чтобы разобраться, как
функционирует мир (Неу, 2001; Rosch, 1978; Rosch et al., 1976; Houde,
1998). Категоризация - важный элемент адаптивного поведения,
которое люди используют, чтобы разрушить физические и
социальные реалии (социальная когниция).
Многие специалисты, работающие в области педометрии
(например, Odeh, личное сообщение) выражают сомнение, можно
ли использовать иерархическую классификацию для почвенных
систем, как это делается для биологических. Ибаньес с
соавторами (Ibanez et al., 2005a,b,c) на основании обширных эмпирических
данных, заключили следующее:
- дилемма естественности и искусственности не является
принципиальной для выявления различий классификаций;
- традиционная практика классифицирования и ошибки не
приводят к заметным изменениям в структуре;
- структура биологических классификаций не имеет
собственно биологического смысла1, поскольку они являются
продуктом когнитивной структуры нашего сознания.
По нашему мнению, главное различие между
биологическими и почвенными классификациями возникло из-за их разной
социальной роли. С этим же связана и большая относительная
ошибка при использовании почвенных классификаций,
например, для агрономических целей. Если таксономисты-биологи с
лёгкостью могут признать, что они определили менее 2% видов,
существующих в природе, почвоведы были вынуждены с самого
начала разбить весь почвенный «структурный континуум» на
ограниченное количество классов, используя разные
(национальные) школы. Это историческое различие имеет первостепенное
значение для понимания современного состояния двух данных
дисциплин (поскольку разная история включает и разные научные
1 Следует учитывать, что биологическая классификация всё же имеет
вполне ясное биологическое основание - эволюцию (Swanson, 1993).
Ill
традиции). Приведение к единому знаменателю и гармонизация
данных почвенной съёмки из разных источников и/или традиций
требует договорной иерархической классификационной системы
(национальной или международной в зависимости от задачи и
исследуемого географического региона) (Krasilnikov, 2002).
КОЛИЧЕСТВЕННАЯ ХАРАКТЕРИСТИКА
ПОЧВЕННОГО ЛАНДШАФТА*
Геостатистика. В настоящее время основной поток педомет-
рии обычно связывается с геостатистикой, нечёткими
множествами и некоторыми аспектами числовых классификаций.
Основным достижением геостатистики является количественное
предсказание отдельно взятых почвенных свойств.
Геостатистики показали непригодность традиционных почвенных карт для
некоторых задач, которые требуют точного отражения
пространственно распределённых свойств (например, для
координатного земледелия, оценки качества почв и вод и т.п.). Однако
почвенные типы, почвенные тела и почвенные ландшафты
являются сложными объектами. Для многих задач экспертное знание
не может быть заменено большим количеством более точных
измерений и математической обработкой данных. Это верно не
только для наук о Земле, но и для биологической систематики,
биологических классификаций, экологии, природоохраны и тому
подобных дисциплин (fbdnez et al., 2005a,c).
С точи зрения философии науки, многие геостатистики не
разделяют предсказательную силу теории и получение наилучшего
предсказания для отдельного свойства почвы на конкретном
поле с помощью геостатических методов. Педометрия не даёт
научно обоснованной альтернативы классическому подходу, а только
снабжает нас рабочими картограммами для определённых целей.
Именно из-за своего непонимания проблемы многие
геостатистики (Grunwald, 2003) считают, что пространственная
вариабельность должна отражаться при составлении почвенных карт
нового поколения. Разумеется, многие «традиционные»
почвоведы соглашаются, что определённая доля объективности должна
быть внесена в классические почвенные таксономии (Arnold,
личное сообщение), как это уже сделано в биологических класси-
2 В оригинале «soilscape». Этот термин, широко используемый в западной
литературе в последние годы, с трудом поддается переводу. По смыслу термин
близок отечественному понятию «структура почвенного покрова», однако
соответствие не полное. Условно может быть переведён неологизмом «боденшафт»
(по аналогии landscape - ландшафт, soilscape - боденшафт), но неясно,
следует ли вводить избыточный термин в научный обиход.
112
фикациях (Ibaiiez and Boixadera, 2002; Ibdiiez et al., 2005). Однако
некритическое использование геостатистики в почвенной съёмке
имеет несколько недостатков (Saldaiia et al., 1998). Для
построения вариограммы требуется большое количество данных, и
должна выполняться гипотеза стационарности вариации (то есть
пространственная вариабельность должна определяться на
основании одного множества измерений), что ограничивает
применение вариограммы для небольшого участка ландшафта и для
специальных задач (например, для координатного земледелия).
В мелком и среднем масштабе затраты времени и, в
большинстве случаев, средств на подобные исследования неоправданно
велики. Интерполяция данных даёт картограммы, как правило,
одного свойства на одной глубине; для получения дополнительных
данных необходимо повторить отбор большого количества проб с
другой глубины анализ всего массива образцов.
Геостатистическая обработка сглаживает данные, сводя к минимуму присутствие
небольших или редких отклонений в почвенных свойствах, иногда
важных в практическом отношении/Перечисленные недостатки
имеют важные следствия, поскольку с концептуальной точки
зрения исчезает идея почвы как сложной самоорганизующейся
системы, а также с практической точки зрения, поскольку каждое из
почвенных свойств должно измеряться на разных характерных
расстояниях и глубинах. Поэтому сравнение почв на основании
геостатистических данных внутри и между регионами для
передачи научного и технологического знания невозможно.
Науки о хаосе и структуре предсказывают, что, хотя на
определённом уровне организации мы обнаруживаем хаос, порядок
может обнаруживаться на другом уровне таксономической
иерархии или пространственной организации. С этой точки зрения
неправильным будет экстраполировать законы и
закономерности на определённом уровне почвенной иерархии на более
высокие уровни. Другими словами, геостатистики озабочены
исследованием пространственной вариабельности отдельных почвенных
свойств, в то время как классическая таксономия работает со
сложными системами на более высоких уровнях почвенной
иерархии. Последние представляют собой системы, включающие
множество взаимодействующих частей, способные генерировать
новое качество макроскопического коллективного поведения
путём самоорганизации (например, спонтанного образования
пространственных и временных структур). Признание того, что
коллективное поведение всей системы не может быть просто
получено из понимания поведения её индивидуальных
компонентов, привело к появлению новых концепций и новых
продвинутых методов исследований.
8 Геостатика ... почв
ИЗ
В соответствии с концепцией Дж.Б.М. Хеувелинка и Р.
Вебстера (Heuvelink and Webster, 2001) «почва варьирует во всех мае-
штабах, и не существует способа, которым мы могли бы
оценить весь масштаб её вариации в рамках детерминистской
модели». Мы согласны с ними. Исследование вариабельности
отдельных биологических видов также требует изучения всех
особей популяции. Сходным образом те же авторы (Heuvelink and
Webster, 2001) утверждают что «геостатистики моделируют
почвенные свойства так, как будто они являются
реализациями случайного поля значений». Следствием такого утверждения
является то, что почвоведение должно исчезнуть как наука, если
мы примем во внимание критерии философии науки. Это не
смена парадигмы, а редукционистское сведение почвоведения к
другим дисциплинам. Легко показать, что в случае, если педосфера
рассматривается как совокупность случайных полей значений
отдельно взятых почвенных свойств, нечёткая логика и числовая
классификация не дадут никакого решения для анализа
континуума. Процесс категоризации данных при помощи этих
математических инструментов будет так же бессмысленен, как и применение
классических подходов к классификации почв. Таким образом,
геостатистики не ни показывают пути к решению проблемы
континуума, ни предлагают новую генерацию почвенных таксономии.
Почвенное разнообразие3. Почвенное разнообразие
представляет собой альтернативный путь количественной оценки и
понимания структуры почвенного покрова. После нескольких
статей Ибаньеса и соавторов (Ibanez et al., 1990, 1995, 1998а) анализ
почвенного разнообразия стал быстро растущей индустрией.
Некоторые специалисты, работающие в области педометрии
(например, Odeh, 1998) атаковали концепцию таксономического
разнообразия почв, потому что не существует почвенных
индивидуумов. Некоторые авторы (Phillips, 1999, 2001a,b; Guo et al.,
2003; Saldana and Ibdnez, 2004; Ibanez et al., 2005d) обнаружили
сильное сходство между пространственными ассоциациями
биологических объектов и почв, используя различные тесты.
Следует подчеркнуть, что в ходе этих исследований был
количественно оценен состав почвенных таксонов по картам широкого
диапазона масштабов. Даже в мировом масштабе количество
таксонов по легенде к Почвенной карте мира ФАО-ЮНЕСКО и
3 В оригинале - pedodiversity, однако мы решили не приводить кальку с
английского, «педоразнообразие», поскольку термин явно неблагозвучен; кроме
того, в отечественной литературе термин уже широко используется в варианте
«почвенное разнообразие» (например, Красильников и др., 2000; Красильников
и Фуэнтес Ромеро, 2001; Алябина, 2004) (ред.).
114
количество биологических видов возрастало параллельно с
увеличением площади страны, при этом почвенное разнообразие и
биоразнообразие хорошо коррелировали (Ibanez et al., 2004).
Эти результаты показывают, что почвенные и биологические
таксоны следуют одинаковым законам распределения. Вывод,
который можно сделать - точные почвенные карты достаточно
хорошо представляют природу и структуру почвенного покрова,
и возражения относительно проблемы почвенных индивидуумов
не оказывают на это влияния (Ibdnez et al., 2005a).
На самом деле, специалисты в области биоразнообразия
признают ограничения, налагаемые внутренними проблемами
категоризации, как можно увидеть из следующего определения
разнообразия:
«Концепция разнообразия состоит из двух первичных
компонентов и двух неизбежных количественных оценок.
Первичные компоненты - это статистические свойства, общие для
любой совокупности различных объектов, будь то шарики
Таблица 7.1
Некоторые математические обработки и методы, относящиеся
к анализу почвенного разнообразия
(на основе (Ibanez et al., 2003) с дополнениями)
Математические методы
1. Измерения и оценки таксономического богатства почв
2. Измерения и оценки почвенного разнообразия (в том числе
доминирования, ровности и т.д.)
3. Модели распределения встречаемости
4. Анализ пространственной структуры почв
5. Отношения таксономического богатства почв и почвенного
разнообразия к площади
6. Отношения таксономического богатства почв и почвенного
разнообразия ко времени
7. Отношения таксономического богатства почв и почвенного
разнообразия к энергии
8. Алгоритмы по выявлению комплементарности (выбор участков для
создания сети охраняемых территорий)
9. Анализ гнездовой структуры
10. Распределение величины ареалов таксонов
11. Самоподобие в разных масштабах (фракталы и мультифракталы)
12. Неравновесная термодинамика в изучении генезиса почв
13. Конвергентный и дивергентный педогенез
14. Исследование разнообразия: математический анализ
таксономической структуры
15. Сравнение пространственной структуры почв и биологических, а
также небиологических ресурсов (например, структур земной поверхности)
16. Учёт законов когнитивного восприятия в научной деятельности
115
I s =
ш 2 ь-
5B ч S S
« И — £
S S* 5
i P
ее о
8 !
"8 I
о
о w
о Р
к 8
о 2
в- 5
м О
3 5
* 2
и
о> В
t- Ш
в «
§
© В
м В
3 и
II
о и
18
И
2
о ^
© ^
И
5 *
4 О
в з
* 5
а» е
а в
О) g
в я
н «се
в
М
ss
о 2
со g
* £9
о К
и 2
о в
х S
h
в 3
Н cd
О 2
cd
a
со
a
CQ
О
Я
О
ЙБ
3
\о
о
о
U
а<
о
о
о
о
8
и
1=1 СО
о a
Б X
О
м
со
a
2
о
и
О
&
о
CQ
ее
о
Б
2 2
О О
§•§•
о о
а «
я я
о о
Б Б
2
8
о
§•
о
«
&
с
S
8
О
2 &
о и о
« о 2
о a n
ц ч я
3 Q .о
Б PQ Б Б
о
&
о
PQ
О
Б
о
I
п
я
о
Б
aa a a
о
2
a
a
<D
2
a
&
a
Ж <
aaaa a a
3 13
a a
a a
о о
a a
a- a*
a a
я я
ed ed
о
a
nJQ
4
со
* 3 1
»B
« О
л a
a д
в ч
о а>
a н
Б a 3
A £ о
3
a
a
о
a
*
3
a
a
о
a
a * I ss a fl
2 3 я jfi я й
В 2 cd g cd g
Б НОвОвНБнБ
«
о
Б
о
a
«
Н
a
о »а
§3
(Das'
о
в
СО PQ
О О
* В
о в
о со
йг
w В
РЭ Н
О cd
« fa
а о
т ю
§а
а
а в
о о
а в
н н
О О
cd
pa
о
2
О
в
в
о
а
и
а>
о
о
в
л
о
о
в
в з>
5 ^
°^
в О
в 2г*
й> g
£ 2
о5
>а
я |
5 *°
я о
0) «
п °
Н к>
о ж
Н 0Q
cd о
^о S
» cd
в В
a cd
cd о
из в
н 1
8.1
а о
§
о
ю
&
5 о
йй^ а
о
а
о
о
о
U
АА
в
о
о
о
о
0)
а
g-e
ысокое
ысокое
реднее
PQ PQ U
д а с
э5 о
л я
X Л
X Ч
О D
а н
* & 8«
Новь
Трад]
Отно
новы
реднее
и
ft
«
3
а
о
ысокое
PQ
ft
о
X
л
ч
<L>
н
S
Отно
новы
ысокое
олное
ысокое
PQ С PQ
применимо
вМй
>К »S Q
л л и
X X Л
X X Ч
о о о
5J Я Ь
м и Р >а
Трад]
Трад]
Отно
новы
осом
од вопр
с
а
о
я
л
ч
(D
н
я
о >а
Отно
новы
осом
од вопр
с
ft
о
X
л
ч
<и
н
я
Отно
новы
осом
од вопр
с
ft
>а
Новь
од вопросом
с
применимо
Я
о
я
А
Ч
(D
н
S
о эа
Отно
новы
ысокое
PQ
ft
о
я
л
ч
о
н
я
О эЯ
Отно
новы
я
о 8
« &
О и
Я *
5 ss
В §«&
?&!
2 £ о
в 2 и
^ 3 -
5 S
&
2
ч
о
PQ
1 Is
о 5 х
§ Лев
° я а
я?2
и а
И а
Л ее
2*
со ее
о
§
Я
О
X
«
* 2
0) ИЗ
н я
§2
2 В я
в 0 о>
^ Си Си
2 н w
а> п
н
я
a
разного цвета, участки ДНК, кодирующие разные протеины,
виды или иные таксономические уровни, или типы почв, или
местообитания в ландшафте. Каждая из этих групп вещей имеет
два фундаментальных свойства: 1. количество различных
типов объектов (например, видов, типов почв) в совокупности
или образце; и 2. относительное число, или количество,
каждого из различных типов объектов. Количественные оценки
определяют: 1. являются ли выбранные классы достаточно
различающимися, чтобы их можно было расценить как разные типы
объектов; и 2. являются ли объекты в отдельном классе
достаточно сходными, чтобы их можно было отнести к одному
типу. На этих определениях и базируется количественная
оценка биологического разнообразия» (Huston, 1994, р. 65).
Таблицы 7.1 и 7.2 показывают, что методы оценки
почвенного разнообразия включают большой набор математических
инструментов и имеют многочисленные области применения, такие
как анализ пространственной структуры и почвенная география
(Ibanez et al., 1998a,b, 2004), генезис почв (Phillips, 1999, 2001a,b;
Saldana and Ibanez, 2004), среди прочих других, в то время как
геостатистический анализ до сих пор не представил результатов,
показывающих возможность выявить с его помощью
закономерности и воспроизводимые структуры в педосфере5.
ВОЗМОЖНА ЛИ СМЕНА ПАРАДИГМЫ В ПОЧВОВЕДЕНИИ?
Почвоведение стало наукой после пионерских работ В. В.
Докучаева, который первым признал почву самостоятельным
природным телом с собственными законами самоорганизации. Если бы
последнее не было верным, почвоведение не было бы
самостоятельной наукой, а всего лишь областью знаний в рамках законов
физики, химии и других фундаментальных наук (Ibdfiez and Boixade-
ra, 2002), вопреки мнению Ларка и Вебстера (Lark and Webster, 2005).
Основная задача геостатистики - исследование
пространственной вариабельности почвенных свойств, в то время как
«классический» метод и новые подходы в педометрии (например,
анализ почвенного разнообразия) сосредоточивают внимание на
почвенных таксонах. Часто один и тот же сегмент педосферы
рассматривается геостатистиками как хаотический (как
случайное поле значений), а «классическими» почвоведами и
почвенными картографами как детерминированный. Таким образом, мы
5 Напоминаем, что данная глава носит дискуссионный характер.
Настоящее издание в основном и направлено на представление результатов выявления
пространственной структуры с помощью геостатистических методов (ред.)
118
имеем дело с разными уровнями почвенной иерархии, и эти
подходы не взаимоисключающи, а взаимодополняющи. Должно
быть совершенно ясно, что «классические» почвоведы также
озабочены пространственной вариабельностью почвенных
таксонов и почвенных свойств, но имеют иной теоретический подход к
проблеме. Работа Л. Уайлдинга и соавторов (Wilding et al., 2002)
представляет собой интересный пример более «качественного»
подхода, который не исключает геостатистических методов.
В соответствии с теорией Т. Куна (Kuhn, 1970) смена
парадигмы - это принципиальное изменение взгляда на мир в отдельной
дисциплине. Это понятие скорее концептуальное, чем
технологическое. Новая парадигма должна объяснять научные принципы,
заимствованные из старой парадигмы, и, кроме того, предлагать
новые идеи. Введение новых методов и математических
инструментов само по себе не означает смену парадигмы.
В последние несколько лет почвоведы предложили новые
направления в классификации почв и ряд свежих идей (Buol, 1994;
Richter and Markewitz, 1995; Paton et al., 1995; Oilier and Pain, 19%;
Phillips, 1999; Tonkonogov et al., 2002; Ibdnez and Boixadera, 2002;
Nachtergaele, 2003; Targulian and Goryachkin, 2004). Конвергенция
мнений, в соответствии с социологией науки (Merton, 1973) не
является необычным фактом, и, возможно, происходит тоща,
когда научное сообщество чувствует, что должно что-то
произойти. Другими словами, приведенные работы могут указывать, что
существует реальная необходимость перемен в почвоведении как
в научной дисциплине, то есть смена парадигмы, как уже было
заявлено некоторыми почвоведами (IMfiez and Boixadera, 2002;
Targulian and Goryachkin, 2004). Однако настоящая смена
парадигмы требует включения не только достижений геостатистики, но
и вклада почвоведов.
ВЫВОДЫ
Геостатистика - бурно развивающаяся индустрия.
Почвоведы не должны сомневаться в том, что математические методы,
применённые или разработанные геостатистиками в последние
десятилетия, были чрезвычайно важны для развития почвенной
науки. Научная значимость, новые подходы и достижения в
количественной оценке многих (но не всех) почвенных структур и
процессов (на уровне отдельных почвенных свойств) были
впечатляющими, хотя и имелся крен по отношению к определённым
математическим методам в ущерб другим. Другие педометриче-
ские методы эффективно работают с типологическими
единицами (например, с почвенными таксонами) и разделением на клас-
119
сы с жёсткими границами (булеанские классы) (Saldana and
Ibafiez, 2004; Itanez et al., 2005).
Почва имеет полиструктурную и полифункциональную
природу, и потому требует здорового эпистемологического
плюрализма. Другими словами, требуются различные подходы с
разных точек зрения. Кроме того, как указывает Р. Саттлер (Sattler,
1986), не всегда один из подходов оказывается более адекватным,
чем другие; на самом деле все подходы могут равно адекватно
представлять взаимодополняющие аспекты
структурированного континуума природы.
Наконец, мы хотим подчеркнуть, что, в соответствии с
философией науки, противоположные взгляды на природу не
являются взаимоисключающими (см. Mosterin, 2000 и ссылки в указанной
работе). Антонимы естественный-искусственный, объективный-
субъективный и континуальный-дискретный используются
некритически, как указывает Ж.М. Леви-Леблон (Levy-Leblond,
1996). Этот автор показывает, что данные антонимы с научной
точки зрения относительны и ошибочны, и что можно построить
некую непрерывную шкалу с бесконечным количеством
значений между «идеализированными» конечными точками, от «чисто
континуального» до «чисто дискретного» или от «чисто
естественного» до «чисто искусственного». Дилемма континуума также
отражается и в принципе Бора (дуализм волны и частицы) (Ibdiiez et
al., 1998b). В соответствии с этим принципом, почвенный покров
также может рассматриваться как континуальное поле (педосфе-
ра), которое включает множество «искусственных» или
«естественных» выделов (почвенных таксонов). На самом деле много лет
назад В.М. Фридланд (Fridland, 1976) также обосновывал
«дискретно-континуальный» характер почвенного покрова. До
настоящего времени геостатистики не предложили нам теории,
сравнимой с классической. Они только показывают, что с помощью
огромного количества образцов и геостатистических инструментов
возможно создавать хорошие продукты для решения узких задач.
Однако мы считаем, что при достаточном финансировании,
использовании новых методов почвенного зондирования (Brown,
2005) и достаточных усилиях по отбору и анализу образцов
классические почвоведы также могут делать точные предсказания о
пространственном распределении почв в тех же ландшафтах.
Таким образом, континуум не является концептуально
несовместимым с дискретными частями, как заявляют геостатистики.
Почвенный покров должен исследоваться с помощью двух
подходов, как это уже делается в экологии растений, где фитосоциоло-
гический подход и анализ градиентов рассматриваются не как
соперники, а как взаимно дополняющие методы (Biondi et al., 2004).
ЗАКЛЮЧЕНИЕ
Во второй половине XX века казалось, что география почв
достигла естественного предела роста. Основные
закономерности распределения почв на земной поверхности были уже
известны, а парадигма зависимости почв от внешних, легко
наблюдаемых факторов позволяла производить почвенное
картографирование без особых затрат (Hudson, 1992). Однако почвенных
географов ждала плохая новость. Оказалось, что многие свойства
почв, в особенности связанные с деятельностью человека
(внесение удобрений, загрязнение), практически не зависят от
закономерного распределения почвенных таксонов в пространстве
(Вебстер, 2007). Более того, и само распределение типов почв на
земной поверхности довольно часто зависит не только от
современных факторов почвообразования, но и от истории почвы,
подчас сложной и трудно поддающейся реконструкции (Phillips,
2001а). В результате возникли сомнения в предсказательной силе
почвенно-географической теории, точнее в её способности точно
интерполировать отдельные свойства почв. Именно в это время
появились и стали быстро развиваться математические методы
пространственной интерполяции, в том числе и геостатистика.
Удивительным образом эти методы, вместо того чтобы
органически войти в методологический аппарат географии почв, были
позиционированы как альтернатива традиционной географии
почв. Только в последние годы эта странная ситуация начинает
меняться. Геостатистики всё более стремятся включать
«нечёткую» информацию о закономерном пространственном
распределении почв в математические модели, а почвенные географы всё
активнее осваивают новые математические инструменты
исследований. Хотя процесс этот идёт, многое ещё предстоит сделать.
Именно на эту задачу работает данная монография.
С применением геостатистических методов был исследован
широкий спектр ландшафтов и почв - от подзолов средней и
северной тайги до чернозёмов Венгрии и юга России. Задачи
исследований были также довольно широки, но все они в той или иной мере
были связаны с географией почв, то есть с описанием и научным
объяснением пространственного распределения почв и их свойств.
121
В Южной и Средней Карелии была исследована
вариабельность наличия и мощности почвенных горизонтов для целей
почвенного картографирования. Вариабельность мощности
почвенных горизонтов возрастает в ряду В-О-Е-А. Распределение
горизонтов А и Е в основном представлено множеством контуров
различной площади. В основном, смена зон наличия-отсутствия
горизонтов происходит на расстояниях 700-900 м.
Обыкновенный кригинг мощности горизонта А на участке Гомсельга
выявил гнездовую структуру; это означает, что в пределах участка
встречаются блоки с разными диапазонами вариации мощности
горизонта; при этом внутри каждого блока вариабельность
также высока. Обыкновенный кригинг мощности горизонтов Е и В
выявил периодичность в распределении данных для участка Габ-
сельга, причём периодичность в распределении мощности
горизонта В в 2 раза больше, чем для горизонта Е. Мы объяснили
результаты анализа тем, что мощность горизонта Е более
отзывчива на внешние факторы (мезорельеф), чем мощность В. Таким
образом, геостатистические методы позволили глубже понять
пространственные закономерности распределения почв в
изученных ландшафтах. Анализ данных позволил сделать и выводы
общего характера. В частности, было показано, что сходная
пространственная структура распределения различных почвенных
горизонтов, определяемая на основании индикаторного кригин-
га, свидетельствует о низком почвенном разнообразии.
Геостатистическое исследование мощностей лесных
подстилок показало, что в старовозрастных малонарушенных лесах в
крупном масштабе мощность подстилки характеризуется низкой
пространственной корреляцией. Мы объяснили это наложением
многих стадий образования подстилки в течение развития
лесного биогеоценоза, каждая из которых «записывала» свою тессе-
ральную и парцеллярную структуру. В результате подобного
наложения происходило усреднение закономерной
пространственной вариабельности мощности подстилки; в то же время общая
вариабельность мощности подстилки возрастает за счёт
накопления случайных нарушений (ветровалов, локального
заболачивания и пр.). В нарушенных лесах, находящихся на стадии
восстановления, мощность подстилки определяется единственным
циклом накопления органических остатков, который регулируется
тессеральной структурой нового биогеоценоза. В результате в
подобных лесах наблюдается в той или иной степени выраженная
периодичность в распределении мощности подстилки.
Исследование территорий, подвергшихся подтоплению в
результате деятельности бобров, показало, что в результате
подтопления территории происходит снижение уровня кислотности
122
почв, резко (в 7-10 раз) увеличивается содержание
органического углерода и общего азота в почве. В естественных условиях
основные изменения почвенных свойств происходят на расстоянии
меньше 5 м. На затоплявшемся участке это расстояние
увеличивается до 23 м (кислотность) и 95 м (содержание органического
углерода). Распределение органического углерода, общего азота
и кислотности на затопленном участке определяется главным
образом расстоянием от озера, и описывается квадратичной
зависимостью.
Применение имитационных моделей SOBL и SWAP на
участке исследований Херцегалом в Венгрии показало, что
пространственная вариабельность гидрофизических свойств почвы влияет
на пространственное распределение элементов водного баланса
почв, особенно в засушливых, неблагоприятных погодных
условиях. Применённые методы, использованные для
пространственного расширения имитационных моделей на базе отдельных
профилей, подходят для целей оптимизации и пригодны для
использования в информационном обеспечении «точного земледелия».
Они позволяют анализировать интегрированное воздействие
вариабельности различных физических свойств почвы на
водный баланс почв для определённых культур и погодных
сценариев. Более того, подобный тип имитационного моделирования
позволяет выбирать оптимальные схемы землепользования
территории.
Были выявлены предварительные закономерности
распределения кислотности и содержания углерода в зональном ряду почв
Русской равнины. Распределение значений рН солевой вытяжки
характеризовалось сферической моделью в серых почвах и
чернозёмах иллювиально-глинистых, степенной в чернозёмах и
Гауссовой в каштановых почвах. Наггет (характеризующий
вариабельность на малых расстояниях) был минимален в чернозёмах
иллювиально-глинистых, в остальных почвах он был
приблизительно одинаков. Порог (характеризующий общую
вариабельность) был минимален также в чернозёмах
иллювиально-глинистых, выше в серых почвах и максимален в каштановых почвах.
Ранг возрастал в зональном ряду с севера на юг: для серых почв
он был порядка 200 м, для чернозёмов иллювиально-глинистых -
около 300 м, а для каштановых почв - почти 500 м.
Распределение органического углерода описывалось периодическими
моделями в серых почвах, чернозёмах иллювиально-глинистых и
чернозёмах, и сферической - в каштановых почвах. Период составлял
около 1000 м в серых почвах и около 2000 м в чернозёмах
иллювиально-глинистых и чернозёмах, в каштановых почвах радиус
корреляции (ранг) составлял около 350 м. Таким образом, геоста-
123
тистические методы позволили выявить скрытые
закономерности распределения отдельных свойств почв, которые могут быть
интерпретированы в рамках почвенно-географической
парадигмы.
Следует отметить важный момент, который характеризует
роль геостатистики в почвенно-географических исследованиях.
Как правило, данные о пространственной структуре, полученные
с помощью геостатистики, требуют научного объяснения в
рамках почвенно-географической теории, которое не может быть
выработано только на основе этих данных. Следует привлечь
либо существующее знание о распределении почв в пространстве,
либо выработать рабочую гипотезу, которую в дальнейшем
проверить в ходе полевых исследований. Этот тезис хорошо
иллюстрируется нашими данными по зональному распределению
параметров пространственной вариабельности почв: собственно, мы
не можем высказать обоснованных предположений о причинах
различий в параметрах вариограмм кислотности и содержания
углерода в почвах зонального ряда. Мы можем лишь предлагать
гипотезы о ведущей роли рельефа разного порядка, палеокрио-
генных явлений или особенностей почвообразующих пород в
распределении почвенных свойств. Нам кажется, что именно в
этом и состоит главная задача геостатистики в
почвенно-географических исследованиях: выявлять скрытые закономерности в
пространственной структуре почвенного покрова и побуждать
исследователя к выработке гипотез, и, в итоге, к более
глубокому осмыслению закономерностей, определяющих такую
структуру.
В заключение мы ещё раз хотим подчеркнуть, что
интеграция геостатистических методов в географию почв находится в
самом начале трудного пути, и в большой степени целью данной
книги было стимулировать интерес почвенных географов к
использованию новых перспективных методов в своей работе.
ЛИТЕРАТУРА
Абатуров БД. Млекопитающие как компонент экосистем. М.: Наука,
1984. 285 с.
Абатуров БД., Зубкова Л.А. Влияние малых сусликов (Cittellus pygmaeus
Pall.) на водно-физические свойства солонцовых почв полупустыни
Заволжья // Почвоведение. 1969. № 10. С. 59-69.
Абатуров БД., Карпачевский Л.О. О влиянии крота на почву в лесу // Там
же. 1965. № 6. С. 24-32.
Алябина И.О. Разнообразие почвенного покрова европейской части России
// Роль почвы в биосфере: Тр. Ин-та почвоведения МГУ им. М.В.
Ломоносова и РАН / Под ред. Г.В. Добровольского и С.Я. Трофимова. М.;
Тула: Гриф, 2004. Вып. 4: Почвы и биоразнообразие. С. 21-26.
Атлас Карельской АССР. М., 1989. 40 с.
Балодис ММ. Лесоэкологические аспекты бобрового хозяйства в
антропогенном ландшафте // Лесоведение. 1990. № 1. С. 29-37.
Благовещенский Ю.Н., Самсонова В.П. Использование показателя
"фрактальной размерности" для характеристики вариабельности мощности
гумусового горизонта на разновозрастных отвалах // Почвоведение.
2001. №5. С. 544-548.
Благовещенский Ю.Н., Самсонова В.П., Дмитриев Е.А.
Непараметрические методы в почвенных исследованиях. М.: Наука, 1987. 96 с.
Богатырев Л.Г. О классификации лесных подстилок // Почвоведение. 1990.
№3. С. 118-127.
Богатырев Л.Г. Формальный критерий для классификации лесных
подстилок // Там же. 1993. № 12. С. 57-64.
Важенин И.Г., Долгополова Р.В., Снеткова А.П. Микропестрота признаков и
свойств почв в пределах почвенного разреза // Там же. 1969. № 4. С. 24-39.
Вебстер Р. Почвоведение и геостатистика // Геостатистика и география
почв. Петрозаводск, 2006. С. 65-73.
Дежкин В.В., Дьяков Ю.В., Сафонов ВТ. Бобр. М.: Агропромиздат, 1986.
256 с.
Демьянов В.В.у Каневский М.Ф., Савельева Е.А. Элементы вероятностного
картирования. Индикаторный кригинг // Проблемы окружающей
среды и природных ресурсов: Обзор, инфор. М.: ВИНИТИ, 1999. Вып. 11.
С. 88-98.
Демьянов В.В.у Каневский М.Ф., Савельева Е.А., Чернов СЮ. Вариогра-
фия: Исследование и моделирование пространственных
корреляционных структур // Там же. 1999. Вып. 11. С. 33-54.
Джонгман Р.Г.Г., Тер Браак СДж.Ф., Ван Тонгерен О.Ф.Р. Анализ данных
в экологии сообществ и ландшафтов. М.: РАСХН, 1999. 306 с.
Дмитриев ЕЛ. О почвенных горизонтах // Почвоведение. 1983. Mb 7.
С. 100-107.
125
Дмитриев ЕЛ. Математическая статистика в почвоведении. М.: Изд-во
МГУ, 1995. 318 с.
Дмитриев П.П. Изменение профиля почвы в результате деятельности мле-
копитающих-землероев // Почвоведение. 1988. № 11. С. 75-81.
Дмитриев П.П., Гуричева Н.П. Основные формы пятнистости
растительного покрова горных цепей Восточного Хангая (МНР) в поселениях
млекопитающих // Докл. АН СССР. 1983. Т. 271. № 1. С. 250-254.
Добровольский Г.В., Урусевская И.С География почв. М.: Изд-во МГУ, 1984.
415 с.
Завьялов Н.А., Бобров АЛ. Роль бобра (Castor fiber L.) в преобразовании
лесных фитоценозов Дарвинского заповедника // Заповед. дело. 1999.
Вып. 4. С. 14-35.
Завьялов Н.А., Зуева С.С. Влияние бобровых плотин на почвенный покров
(на примере Дарвинского заповедника) // Лесоведение. 1998. № 5.
С. 38-^7.
Зонн СВ. Биогеоценотические и генетические основы классификации
лесной подстилки // Роль подстилки в лесных биогеоценозах. М.: Наука,
1983. С. 80-81.
Пенни Г. Факторы почвообразования. М.: Изд-во иностр. лит., 1948. 348 с.
Каневский М.Ф., Демьянов В.В., Савельева ЕЛ., Чернов СЮ. Кригинг и
базовые модели геостатистики // Проблемы окружающей среды и
природных ресурсов. Обзор, информ. М.: ВИНИТИ, 1999. Вып. 11.
С. 55-67.
Карпачевский Л.О. Пестрота почвенного покрова в лесном биогеоценозе.
М.: Изд-во МГУ, 1977. 312 с.
Коломыц Э.Г. Лесная подстилка как индикатор функционирования
экосистемы // Природный комплекс большого города. М.: Наука, 2000.
С. 211-213.
Красильников П.В., Старр М., Лантратова ИМ. Количественная оценка
разнообразия почвенного покрова Фенноскандии // Экологические
функции почв Восточной Фенноскандии. Петрозаводск: Карел, науч.
центр РАН, 2000. С. 108-123.
Кузякова И.Ф., Романенков В.А., Кузяков Я.В. Метод геостатистики в поч-
венно-агрохимических исследованиях // Почвоведение. 2001. № 9.
С.1132-1139.
Кылли Р.К. Состав и свойства лесных подстилок как отражатели
производительности лесных почв и проблемы их исследований // Пути и
методы лесорастительной оценки почв и повышение их продуктивности. М.,
1980. С. 104-105.
Матерон Ж. Основы прикладной геостатистики. М.: Мир, 1968. 408 с.
Морозова P.M. Лесные почвы Карелии. Л.: Наука, 1991. 184 с.
Морозова P.M. у Федорец Н.Г. Современные процессы почвообразования в
хвойных лесах Карелии. Петрозаводск, 1992. 284 с.
Никонов В.В. Запасы и состав подстилок вторичных сосняков на северном
пределе произрастания // Почвоведение. 1988. № 6. С. 79-88.
Почвенная номенклатура и корреляция. Петрозаводск: Карел, научн. центр
РАН, 1999. 435 с.
Розанов Б.Г. Морфология почв. М.: Изд-во МГУ, 1983. 320 с.
Савельева Е.А., Демьянов В.В., Чернов СЮ. Детерминистические методы
пространственной интерполяции // Проблемы окружающей среды и
природных ресурсов: Обзор, информ. М.: ВИНИТИ, 1999. Вып. 11. С. 13-25.
126
Сапожников А.П. Лесная подстилка - номенклатура, классификация,
индексация // Почвоведение. 1984. № 5. С. 96-105.
Сапожников А.П. Об использовании признаков лесной подстилки в оценке
гумусного состояния почв // Там же. 1987. № 9. С. 26-31.
Сидорова В Л. у Красильников П.В. Пространственная вариабельность
агрохимических свойств черноземов южных // Черноземы Центральной
России: генезис, география, эволюция: Материалы Междунар. науч.
конф. / Ред. Д.И. Щеглов, Н.А. Протасова. Воронеж: Изд-во Воронеж,
гос. ун-та, 2004. С. 475-480.
Сидорова В Л. у Красильников П.В. Почвенно-географическая
интерпретация пространственной вариабельности химических и физических
свойств поверхностных горизонтов почв степной зоны //
Почвоведение, 2007.
Синицын М.Г.у Русанов А.В. Воздействие речного бобра на фитоценозы и
почвы долин малых рек Ветлужско-Унженского полесья // Бюл. МО-
ИП. Отд. биол. 1989. Т. 94, вып. 5. С. 30-41.
Скородумов А.С. К методике изучения лесной подстилки // Пробл. сов.
почвоведения. 1940. № 10. С. 143-156.
Соломатова Е.А.У Красильников П.В.у Сидорова В.А. Строение и
пространственная вариабельность лесной подстилки в ельнике черничном
зеленомошном Средней Карелии // Почвоведение. 1999. № 6.
С. 764-733.
Ставровский ДД., Ставровская Л Л. Влияние бобра на прибрежные
экосистемы Березинского заповедника // Грызуны: Материалы 7-го Всесо-
юз. совещ. Л., 1983. С. 497-499.
Степанов Н.Н. Химические свойства лесной подстилки как основного
фактора естественного возобновления // Тр. по лес. опыт. делу. 1929.
Вып. 2. С. 5-36.
Таджиев У., Одиношоев А. Влияние сурков на почвенный покров
Восточного Памира // Почвоведение. 1987. № 1. С. 63-72.
Фридланд В.М. Структура почвенного покрова. М.: Мысль, 1972. 424 с.
Фридланд В.М. Структуры почвенного покрова мира. М.: Мысль, 1984.
235 с.
Фридланд В.М.у Белобров В.П.,Дайнеко Е.К. Опыт статистического
анализа морфологических свойств черноземов целинной степи //
Почвоведение. 1969. № 4. С. 12-24.
Чертов ОТ, Экология лесных земель. Л.: Наука, 1981. 190 с.
Шишов JlJI. у Тонконогов В.В.У Лебедева И.И.у Герасимова М.И.
Классификация и диагностика почв России. Смоленск: Ойкумена, 2004. 342 с.
Щербакова А.Ю.У Завьялов Н.А. Влияние локального подтопления,
вызванного строительной деятельностью бобра, на почвы лесной зоны //
Почв, исслед. в заповедниках. 1995. Вып. 7. С. 177-193.
Addiscott Т. Simulation modelling and soil behaviour // Geoderma. 1993. Vol. 60.
P. 15^0.
Andren О., Rajkai K., Katterer T. A nondestructive technique for studies of root
distribution in relation to soil moisture // Agr. Ecosyst. Environ. 1991. Vol. 34.
P. 269-278.
Ankeny MD.y Kaspar T.C., Horton R. Design for an automated tension infiltrome-
ter // Soil Sci. Soc. Amer. J., 1988. Vol. 52. P. 893-896.
Belmans C, Wesseling J.G., Feddes RA. Simulation of the water balance of a
cropped soil: SWATRE // J. Hydrol. 1983. Vol. 63. P. 271-286.
127
Biondi E., Feoli E., Zucarello V. Modelling environmental responses of plant
associations: A review of some critical concepts in vegetation study // Crit. Rev.
Plant Sci. 2004. Vol. 23. P. 149-156.
Birkeland P.W. Soils and geomorphology. 3rd ed. N.Y.; Oxford: Oxford Univ.
press, 1999. 360 p.
Bourennane H., King D.y Chery P., BruandA. Improving the kriging of a soil
variable using slope gradient as external drift // Europ. J. Soil Sci. 1996. Vol. 47.
P. 473-483.
Bourennane H., King D., Couturier A. Comparison of kriging with external drift and
simple linear regression for predicting soil horizon thickness with different
sample densities // Geoderma. 2000. Vol. 97. P. 255-271.
Brooks R.H., Corey A.T. Hydraulic properties of porous media. Fort Collins (CO):
Colorado State Univ., 1964. (Hydrol. Pap.; 3).
Brown D. Proximal mission statement // Pedometron. 2005. Vol. 18. P. 6-7.
Bruckner A., Kandeler E., Kampichler C. Plot-scale spatial patterns of soil water
content, pH, substrate-induced respiration and N mineralisation in a temperate
coniferous forest // Geoderma. 1999. Vol. 93. P. 207-223.
Burgess T.M., Webster R. Optimal interpolation and isarithmic mapping of soil
properties. I. The semi-variogram and punctual kriging // J. Soil Sci. 1980.
Vol. 31. P. 315-333.
Buol S. Saprolite-regolith taxonomy // Whole regolith pedology / Ed.
D.L. Cremeens et al. Madison (WI): SSSA, 1994. P. 119-132. (SSSA Spec.
Publ. 34).
Burns D.A., McDonnell J J. Effects of a beaver pond on runoff processes:
comparison of two headwater catchments // J. Hydrol. 1998. Vol. 205. P. 248-264.
Burrough РЛ. Multiscale sources of spatial variation in soil. II. A non-Brownian
fractal model and its application in soil survey // J. Soil Sci. 1983. Vol. 34.
P. 599-624.
Burrough PA. Fuzzy mathematical methods for soil survey and land evaluation //
Ibid. 1989. Vol. 4. P. 477-492.
Buzds I. (ed.) Methods of soil analyses. Pt 1. Budapest: Mezogazdasagi Kiadd,
1993. In Hung.
Cambardella С A., Moorman T.B., Novak J.M. et al. Field-scale variability of soil
properties in central Iowa soils // Soil Sci. Soc. Amer. J. 1994. Vol. 58. P.
1501-1511.
Clausnitzer V., Hopmans J.W., Nielsen D.R. Simultaneous scaling of soil water
retention and hydraulic conductivity curves // Water Resour. Res. 1992.
Vol. 28. P. 19-31.
Deutsch C.V., JournelA.G. GSLIB: Geostatistical software library and user's guide.
2nd ed. N.Y.: Oxford Univ. press, 1998.
Di HJ., Trangmar B.B., Kemp RA. Use of geostatistics in designing sampling
strategies for soil survey // Soil Sci. Soc. Amer. J. 1989. Vol. 53. P. 1163-1167.
Djurhuus J., Hansen S., Schelde K„ Jacobsen O.H. Modelling mean nitrate
leaching from spatially variable fields using effective hydraulic parameters //
Geoderma. 1999. Vol. 87. P. 261-279.
Donkor N.T., Fryxell J.M. Lowland boreal forests characterization in Algonquin
Provincial Park relative to beaver (Castor canadensis) foraging and edaphic
factors // Plant Ecol. 2000. Vol. 148. P. 1-12.
Farkas Cs.y Gyuricza Cs„ LdszldP. Study of soil physical properties of a brown
forest soil in long-term soil tillage experiments // Novenytermeles. 1999. Vol. 48.
P. 323-336. In Hung.
128
Farkas Cs.f Gyuricza €s., Ldszlo P., Birkds M. Study of the influence of soil tillage
on soil water regime // Subsoil compaction / Ed. R. Horn et al. 2000.
P. 251-257 (Adv. in GeoecoU Vol. 32).
Fridland V.M. Patterns of soil cover: Israel program for scientific translations.
Jerusalem, 1976. Transl. from Russian 1972.
GenStat Release 6.2. Lawes Agricultural trust (Rothamsted Experimental Station).
Rothamsted, 2002.
Geo-EAS 1.2.1. Geostatistical environmental assessment software, user's guide. Las
Vegas, 1991.
Gilliam F.S., May J.D., Fisher MA., Evans D.K. Short-term change» in soil
nutrients during wetland creation // Wetlands Ecol. Manag. 1999. Vol. 6.
P. 203-208.
Goovaerts P. Geostatistical tools for characterizing the spatial variability of
microbiological and physico-chemical soil properties // Biol. Fertil. Soils. 1998.
Vol. 27. P. 315-334.
Goovaerts P. Geostatistics in soil science: state-of-the-art and perspectives //
Geoderma. 1999. Vol. 89. P. 1-45.
Goovaerts P. Geostatistics for natural resources evaluation. N.Y.: Oxford Univ.
press, 1997.
Goovaerts P., Webster R., Dubois J.-P. Assessing the risk of soil contamination in
the Swiss Jura using indicator geostatistics // Environ, and Ecol. Statistics.
1997. Vol. 4. P. 31^8.
Grunwald S. Introduction // Pedometron. 2003. Vol. 13. P. 4-6.
Guo Y., Gong P. f Amundson R. Pedodiversity in the United States of America //
Geoderma. 2003. Vol. 117. P. 99-115.
Heuvelink G.B.M., Webster R. Modelling soil variation: past, present, and future //
Ibid. 2001. Vol. 100. P. 269-301.
Hey J. Genes, categories, and species: The evolutionary and cognitive causes of the
species problem.: N.Y.: Oxford Univ. press, 2001.
Houde O.C. Categorisation // Vocabulaire de sciences cognitives: Neuroscienee,
psychologie, intelligence artificielle, linguistique et philosophie / Ed. O. Houde
et al. P.: Presses Univ. de France, 1998.
Hudson B.D. Soil survey as a paradigm-based science // Soil Sci. Soc. Amer. J.
1992. Vol. 56. P. 836-841.
Huston MA. Biological diversity. Cambridge: Cambridge Univ. press, 1994.
Ibdnez J J., Boixadera J. The search for a new paradigm in pedology: a driving force
for new approaches to soil classification // Soil Classification, 2001 / Ed.
E. Micheli et al. Luxembourg, 2002. P. 93-110. (Europ. Soil Bureau Res.
Rep.; 7).
Ibdnez J J. y Caniego J., San Jose F. Pedodiversity and biodiversity-area
relationships at planetary level: A power law, fractal and multifractal analysis //
Pedofract 2004: International workshop on fractal mathematics applied to soil
and heterogeneous systems: Summaries of conf. Barco de Avila, 2004.
P. 20-21.
Ibdnez J J, DeAlba S., Bermudez F.F., Garcia-Alvarez A. Pedodiversity: concepts
and measures // Catena. 1995. Vol. 24. P. 215-232.
Ibdnez J J. y DeAlba S.t Lobo A., Zucarello V. Pedodiversity and global soil patterns
at coarser scales (with discussion) // Geoderma. 1998a. Vol. 83. P. 171-192.
Ibdnez J J., Garcia-Alvarez A., SaldanaA., RecataldL. Scientific rationality,
quantitative criteria and practical implications in the design of soil reserves
networks: their role in soil biodiversity and soil quality studies // Preserving soil
9 Геостатика ... почв
129
quality and soil biodiversity: The role of surrogate indicators / Ed. M.C. Lobo
and JJ. Ibanez. Zaragoza, 2003. P. 191-274.
Ibdnez J J., Jimenez-Ballesta /?., Garcia-Alvarez A. Soil landscapes and drainage
basins in mediterranean mountain areas // Catena. 1990. Vol. 17. P. 573-583.
Ibdnez J J., Ruiz Ramos M. Biological and pedological classifications: a
mathematical comparison // Eurasian Soil Sci. 2006a. Vol. 39. P. 712-719.
Ibdnez J J., Ruiz Ramos M., Tarquis A. Mathematical structures of biological and
pedological taxonomies // Geoderma. 2006b. Vol. 134. P. 360-372.
Ibdnez J J., Ruiz Ramos M., Zinck J A., Bru A. Classical pedology questioned and
defended // Eurasian Soil Sci. 2005. Vol. 38, suppl. 1. P. S75-S80.
Ibanez J J., Saldana A.y De-Alba S. Discussion of: Ibanez J.J., De-Alba S., Lobo A.,
Zucarello V. Pedodiversity and global soil patterns at coarse scales //
Geoderma. 1998b. Vol. 83. P. 206-214.
Jansson P.-E. Simulation model for soil water and heat conditions. Description of the
Soil model. Uppsala: Dep. of Soil Sci. Swed. Univ. of Agricultural Sci., 1996.
Jarvis NJ.t Zavattaro L., Rajkai K. et al. Indirect estimation of near-saturated
hydraulic conductivity from readily available soil information // Geoderma.
2002. Vol. 108. P. 1-17.
Jenny H. Factors of soil formation. N.Y.: McGraw-Hill, 1941.
Journel A.G., Huijbregts ChJ. Mining geostatistics. L.: Acad, press, 1987.
Kabat P., Marshall В., van den Broek В J. et al. (ed.) Modelling and Parametrization
of the soil-plant-atmosphere system. Wageningen, 1995.
Kertesz M., Toth T. Soil survey based on sampling scheme adjusted to local
heterogeneity // Agrokem. es talajtan. 1994. Vol. 43. P. 113-132.
Kim R. The water budget of heterogeneous areas: Doctoral thesis. Wageningen,
1995. 182 p.
Knotters M., Brus DJ., Oude Voshaar J.H. A comparison of kriging, co-kriging and
kriging combined with regression for spatial interpolation of horizon depth
with censored observations // Geoderma. 1995. Vol. 67. P. 227-246.
Kolmogorov A JV. Sur Interpolation et Г extrapolation des suites stationaires // C.r.
Acad. sci. 1939. Vol. 208. P. 2043-2045.
Krasilnikov P. Soil classification and their correlation // Soil terminology and
correlation / Ed. S.A. Shoba. 2nd ed. Petrozavodsk, 2002. P. 7-22.
Krige D.G. Two-dimensional weighted moving average trend surfaces for
ore-evaluation // J. South Afr. Inst. Mining and Met. 1966. Vol. 66. P. 13-38.
Kuhn T.S. The structure of scientific revolutions. Chicago: Univ. Chicago press,
1970.
Lark R.M., Cullis B.R. Model-based analysis using REML for inference from
systematically sampled data on soil // Europ. J. Soil Sci. 2004. Vol. 55. P.
799-813.
Lark R.M., Ferguson R.B. Mapping risk of soil nutrient deficiency or excess by
disjunctive and indicator kriging // Geoderma. 2004. Vol. 118. P. 39-53.
Lark R.M., Webster R. Deterministic spatial components in soil data with REML //
Pedometron. 2005. Vol. 18. P. 2-4.
Laslett G.M., McBratney А.В., Pahl PJ., Hutchinson M.F. Comparison of several
spatial prediction methods for soil pH // J. Soil Sci. 1987. Vol. 38. P. 325-341.
Levy-Leblond J.M. Le exercice de la pensee et la pratique de la science. P.:
Gallimard, 1996.
Liski J. Variation in soil organic carbon and thickness of soil horizons within a
boreal forest stand - effect of trees and implications for sampling // Silva Fenn.
1995. Vol. 29. P. 255-266.
130
Lull H.W. Humus depth in the Northeast // J. Forestry. 1959. Vol. 57. P. 905-909.
Majerddk J., Novak V. One-dimensional variably saturated flow model GLOBAL,
Version 2.1. Bratislava, 1994.
Mather on G. Les variables regionalisees et leur estimation. P.: Masson, 1965. Engl,
trans.: The theory of regionalized variables and its applications / Ecole de
Mines. Fontainbleau, 1971.
McBratneyA.B„ Odeh IX), A., Bishop T.FA. et al. An overview of pedometric
techniques for use in soil survey // Geoderma. 2000. Vol. 97. P. 293-327.
McBratney A., Webster R. Choosing functions for semi-variograms of soil
properties and fitting them to sampling estimates // J. Soil Sci. 1986. Vol. 37.
P. 617-639.
Merton R.K. The sociology of science: Theoretical and empirical investigations.
Chicago: Univ. of Chicago press, 1973.
Miller E.E., Miller R.D. Physical theory for capillary flow phenomena // J. Appl.
Phys. 1956. Vol. 27. P. 324-332.
Monteith JL. Evaporation and surface temperature // Quart. J. Roy. Soc. 1981.
Vol. 107. P. 1-27.
Mualem Y. A new model for predicting the hydraulic conductivity of unsaturated
porous media // Water Resour. Res. 1976. Vol. 12. P. 513-522.
Mtiller P.E. Studier over skovjordsom bidrag til scovdyrkningens theori. I. Om
bogemuld og bogemor paa sand og ler // Tidsskr. skovbrug. 1879. Vol. 161.
P. 1-124.
Nachtergaele F. The «soils» that we should classify in the world reference base for
soil resources. 2nd draft. Rome: FAO, 2003.
Naiman RJ. Animal influences on ecosystem dynamics // BioScience. 1988.
Vol. 38. P. 750-752.
Naiman RJ., Johnston С A., Kelley J.C, Alteration of North American streams by
beaver // Ibid. 1988. Vol. 38. P. 753-762.
Odeh I.OA. Discussion of: Ibdiiez J.J., De-Alba S., Lobo A., Zucarello A.V.
Pedodiversity and global soil patterns at coarser scales // Geoderma, 1998.
Vol. 83. P. 203-205.
О lea RA. Optimum mapping techniques using regionalized variable theory.
Lawrence (Kans.): Kans. Geol. Survey, 1975. (Ser. in Spatial Analysis; N 2.).
Oilier C, Pain C. Regolith, soils and landforms. Chichester: Wiley, 1996.
Pannatier Y. VARIOWIN: Software for spatial data analysis in 2D. N.Y.: Springer,
1996.
Paton T.R., Humphreys G.5., Mitchell P.B. Soils: A new global view. L.: UCL press,
1995.
Philip JM. Soils, natural science, and models // Soil Sci. 1991. Vol. 151. P. 91-98.
Phillips J.D. Earth surface systems. Oxford: Blackwell, 1999.
Phillips J.D. Divergent evolution and the spatial structure of soil landscape
variability // Catena. 2001a. Vol. 43. P. 101-113.
Phillips J.D. The relative importance of intrinsic and extrinsic factors in
pedodiversity // Ann. Assoc. Amer. Geographers. 2001b. Vol. 91. P. 609-621.
Prigogine /., Stengers I. Entre le temps et l'eternite. P.: Ed. Libr. Artheme Fayard,
1988.
Qian H., Klinka K. Spatial variability of humus forms in some coastal forest
ecosystems of British Columbia // Ann. Sci. Forest. 1995. Vol. 52, N 6. P. 653-666.
Rajkai K., Kertesz M. Spatial estimation and quantitative mapping of the soil water
capacity and transport. Budapest, 1994. (Rep. of the HNRF project; N 2530). In
Hung.
131
Rajkai К., Vdrallyay Gy., Pacsepszkij J A., Scherbakov RA. Calculation of water
retention data from the texture and the bulk density of soils // Agrokem. es tala-
jtan. 1981. Vol. 30. P. 409-438. In Hung.
Rajkai K., Vegh K.R., Vdrallyay Gy., Farkas Cs. Impacts of soil structure on crop
growth // Intern. Agrophys. 1997. Vol. 11. P. 97-109.
Rajkai K., Zsembeli X, Blasko L., Vdrallyay Gy. Use of tension infiltrometer and
water retention characteristics in the assessment of soil structure // Ibid. 1993.
Vol. 7. P. 141-154.
Rhoads B.L., Thorn C.E. The scientific nature of geomorphology. Chichester:
Wiley, 1996.
Richter D.D., Markewittz D. How deep is soil // BioScience. 1995. Vol. 45.
P. 600-608.
Rosch E. Principles of categorization // Cognition and categorization / Ed. E. Rosch
and B.B. Lloyd. Hillsdale (N.J.), 1978. P. 28-48.
Rosch E., Simpson C, Miller R.S. Structural basis of typicality effect // J. Exp.
Psychol. Human Percept. Perform. 1976. Vol. 2. P. 491-502.
Saldana A., Ibdnez J J. Pedodiversity analysis of three fluvial terraces of the
Henares River (Central Spain) // Geomorphology. 2004. Vol. 62. P. 123-138.
SattlerR. Biophilosophy. Analytic and holistic perspectives. B: Springer, 1986.
Smith R.E., Diekkruger B. Effective soil water characteristics and ensemble soil
water profiles in heterogeneous soils // J. Geophys. Res. 1996. Vol. 32.
P. 1993-2002.
Stekauerovd V. Simulation of water movement in field soil // Environmental
protection of soil and water pesources / Ed. G.J. Halasi-Kun. Wash. (D.C.), 1999.
P. 141-151. (Columbia Univ. Seminar Proc; Vol. 30).
Stekauerovd V., Nagy V. Influence of climate conditions on security necessary water
for vegetation in various ecosystem // Proc. 29th Scientific days in
Mosonmagyardvax/Ed. K.K. Gaal. Mosonmagyardv&r, 2002. P. 10. CD-ROM.
Targulian V.O., Goryachkin S.V. Existing and thinkable paradigms in soil science in
relation to soil classification // Soil classification, 2004: Book of abstr. Intern.
conf. field workshop / Ed. P.V. Krasilnikov. Petrozavodsk, 2004. P. 10-11.
Tonkonogov V., Gerasimova M., Lebedeva I. Genetic soil classification system -
what is its objective? // Soil classification, 2001 / Ed. E. Micheli et al.
Luxembourg, 2002. P. 9-14. (Europ. Soil Bureau Res. Rep.; 7).
Toth Т., Kuti L. Numerical simulation versus repeated field instrumental
measurements: A case study of monitoring salinity status in a native sodic grassland
with shallow groundwater // Agrokem. es talajtan. 2002. Vol. 51. P. 134-156.
In Hung.
Upchurch D.L., Wilding L.P., Hartfield J.L. Methods to evaluate spatial
variability // Reclamation of disturbed lands / Ed. L.R. Hossner. Boca Raton (FL): CRC
press, 1988. P. 201-229.
Van Dam X Field-scale water flow and solute transport: Ph.D. thesis. Wageningen,
2000. 167 p.
Van Dam J.C., Huygen X, Wesseling J.G. et al. Simulation of water flow, solute
transport and plant growth in the soil-water-atmosphere-plant environment.
Wageningen: Agricultural Univ., 1997.
Van Genuchten M.Th. A closed-form equation for predicting the hydraulic con-
ductvity of unsaturated soil // Soil Sci. Soc. Amer. J. 1980. Vol. 44. P. 892-898.
Van Meirvenne M., Denaeghel X, Rajkai K. et al. Spatial extension of a point water
balance model // Scenario studies for the rural environment / Ed. J.F. Th.
Schoute et al. Dordrecht: Kluwer, 1995. P. 293-297.
132
Vdrallyay Gy. A new apparatus for the determination of soil moisture potential in
the low suction raage // Agrokem. es talajtan. 1973. Vol. 22. P. 1-22.
Vdrallyay Gy., Rajkai K. Soil moisture content and moisture potential measuring
techniques in Hungarian Soil Survey // Proc. of the Intern, conf. on
«Measurement of soil and plant water status». Logan (Utah), 1987. Vol. 1.
P. 183-184.
Von Steiger В., Webster R., Schulin R., Lehmann R. Mapping heavy metals in
polluted soil by disjunctive kriging // Environ. Pollut., 1996. Vol. 94, N 2.
P. 205-215.
Wackernagel H. Multivariate geostatistics. В.; Heidelberg; N.Y.: Springer, 2003.
386 p.
Wallace-Covington W. Changes in forest floor organic matter and nutrient content
following clear cutting in northern hardwoods // Ecology. 1981. Vol. 62.
P. 41-48.
Warr В., Odeh /., Oliver MA. Geostatistical estimation of the lateral and vertical
extent of soil horizons // Application of pedometrics: extended abstract pap.
Ghent: Ghent Univ., 2001. P. 47.
Webster R. Is soil variation random? // Geoderma, 2000. Vol. 97. P. 149-163.
Webster R., Oliver MA. Optimal interpolation and isarithmic mapping of soil
properties: VI. Disjunctive kriging and mapping the conditional probability // J. Soil
Sci. 1989. Vol. 40. P. 497-512.
Webster R., Oliver MA. Sample adequately to estimate variograms of soil
properties //Ibid. 1992. Vol. 43. P. 177-192.
Wilding L.P., Drees ЬЯ. Spatial variability and pedology // Pedogenesis and soil
taxonomy / Ed. L.P. Wilding et al. Amsterdam: Elsevier, 1983. Vol. 1:
Concepts and interactions. P. 83-116.
Wilding L.P., Kovda I.V., Morgun E.G., Williams D. Reappraisal of the pedon
concept for Vertisols: consociations or complexes?: Trans. 17th World congr. of
soil sci. CD-ROM. Bangkok, 2002. 12 p.
Wosten J.H. M., Bouma J., Stoffelsen G.H. The use of soil survey data for regional
soil water simulation models // Soil Sci. Soc. Amer. J. 1985. Vol. 49.
P. 1238-1245.
Yates SM.t Yates M.V. Geostatistics for waste management: A users's manual for the
GeoPack (Version 1.0) geostatistical software system. Wash. (D.C.):
Environmental Protection Agency, 1999.
Zebarth В J., Rees H., Walsh J. et al. Soil variation within a hummocky podzolic
landscape under intensive potato production // Geoderma. 2002. Vol. 110.
P. 19-33.
Zimmerman D.L. Computationally efficient restricted maximum likelihood
estimation of generalized covariance functions // Math. Geol. 1989. Vol. 21.
P. 655-672.
Zsembeli J. Effect of soil surface types on the moisture regime of different soil
layers // Proc. of 2nd Workshop and Intern, conf. on subsoil compaction. Godollo,
2000. P. 204-208.
БИБЛИОГРАФИЯ
1939-2006 гг.
Сидорова В.А.
Институт биологии Карельского НЦ РАН, Петрозаводск, Россия
В библиографии в хронологическом порядке (по годам публикации)
представлены работы, посвященные использованию геостатистики и некоторых
близких педометрических методов в почвоведении, а также в смежных науках
(экология, окружающая среда, сельское хозяйство, гидрология). Также
включен ряд работ, не имеющих прямого отношения к почвоведению, но
представляющих интерес с точки зрения методологии, а также работы основателей
геостатистики - Д.Ж. Крига и Ж. Матерона.
Данная библиография не является полной. В нее не включены тезисы и
материалы конференций, статьи в региональных сборниках, технические
документы, отчеты и прочие малодоступные издания.
1939
X.Kolmogorov AJV. Sur Г interpolation et Г extrapolation des suites stationaires //
С. г. Acad. sci. 1939. Vol. 208. P. 2043-2045.
1951
2. Krige D.G. A statistical approach to some basic mine problems on the
Witwatersrand// J. Chem. Met. Soc. S. Afr. 1951. Vol. 52. P. 119-139.
1952
3. Krige D.G. A statistical analysis of some of the borehole values in the Orange
free state gold field // Ibid. 1952. Vol. 53. P. 47-64.
1955
4. Mather on G. Application des methods statistiques a revaluation des gisements //
Ann. Mines. 1955. Vol. 144, N 12. P. 50-75.
1960
5. Krige D.G. On the departure of ore values distributions from log-normal model
in South African gold mines // J. S. Afr. Inst. Min. Met., 1960. Vol. 61.
P. 231-233.
1962
6. Matheron G. Traite de geostatistique appliquee. Vol. 1. P.: Technip, 1962.
134
1963
7. Matheron G. Principles of geostatistics // Econ. Geol. 1963. Vol. 58. P. 1246-1266.
1964
8. Krige D.G. A review of the impact of statistics on mine valuation in the gold mining
industry // J. S. Afr. Inst. Min. Met. 1964. P. 373-380.
1965
9. Matheron G. Les variables regionalisees et leur estimation. P.: Masson, 1965. 212 p.
1966
10. Krige D.G. Two-dimensional weighted moving average trend surfaces for
ore-evaluation // J. S. Afr. Inst. Min. Met. 1966. Vol. 66. P. 13-38.
1967
11. Beckett P.H.T. Lateral changes in soil variability // J. Austral. Inst. Agr. Sci. 1967.
Vol. 33. P. 172-179.
1968
12. Матерон Ж. Основы прикладной геостатистики. М.: Мир, 1968. 408 с.
1969
13. Matheron G. Le krigeage universal: researche d'operateurs optimaux en presence
d'une derive. P., 1969. (Les cahiers du Centre de Morthologic Mathematique / Ecole
des Mines de Paris; Fasc. 1).
1971
14. Beckett P.H.T., Webster R. Soil variability: A review // Soils and Fert. 1971. Vol. 34.
P. 1-15.
15. Matheron G. La theorie des variables regionalisees et ses applications. P., 1971.
211 p. (Les cahiers du Centre de Morthologic Mathematique / Ecole des Mines de
Paris; Fasc. 5).
1972
16. Webster R., Burrough PA. Computer based soil mapping of small areas from
sample data. I. Multivariate classification and ordination // J. Soil Sci. 1972. Vol. 23.
P. 210-221.
1973
17. Webster R. Automatic soil boundary location from transect data // Math. Geol. 1973.
Vol. 5. P. 27-37.
1975
18. Webster R., Cuanalo de la СЛ.Е. Soil transect correlograms of North Oxfordshire
and their interpretation // J. Soil Sci. 1975. Vol. 26. P. 176-194.
135
1976
19. Mather on G. A simple substitute for the conditional expectation: the disjunctive krig-
ing // Advanced geostatistics in mining industry. Ed. M. Guarascio et al. Dordrecht:
Reidel, 1976. P. 221-236.
20. Webster R. The nature of soil variation // Classification Soc. Bull. 1976. Vol. 3.
P. 43-55.
1977
21. Krige D.G. Applications of statistics and geostatistics in ore valuation in South
Africa / Austral. Mineral Foundation. Adelaide, 1977. 109 p.
22. Webster R. Quantitative and numerical methods in soil classification. Oxford:
Clarendon press, 1977, 269 p.
23. Webster R. Spectral analysis of gilgai soil // Austral. J. Soil Res. 1977. Vol. 15.
P. 191-204.
1978
24. Campbell JS. Spatial variation of the sand content and pH within single contiguous
delineations of two mapping units // Soil Sci. Soc. Amer. J. 1978. Vol. 42.
P. 460-464.
25. Journel A.G., Huijbrects CI. Mining geostatistics. L.: Acad, press, 1978. 498 p.
26. Nortcliff S. Soil variability and reconnaissance soil mapping: A statistical study in
Norfolk // J. Soil Sci. 1978. Vol. 29. P. 403-418.
27. Webster R. Optimally partitioning soil transects // Ibid. P. 388-402.
1979
28. Clark I. Practical geostatistics. L.: Elsevier, 1979. 129 p.
1980
29. Burgess T.M., Webster R. Optimal interpolation and isarithmic mapping of soil
properties. I. The semi-variogram and punctual kriging // J. Soil Sci. 1980. Vol. 31.
P. 315-333.
30. Burgess T.M., Webster R. Optimal interpolation and isarithmic mapping of soil
properties. II. Block kriging // Ibid. P. 333-343.
31. Hajrasuliha S., Baniabbassi N., Metthey J., Nielsen D.R. Spatial variability of soil
sampling for salinity studies in Southwest Iran // Irrig. Sci. 1980. Vol. 1. P. 197-208.
32. Webster R. Spatial analysis of soil and its application to soil mapping // Computer
applications in geology. L., 1980. (Misc. Pap. Geol. Soc.).
33. Webster R., Burgess T.M. Optimal interpolation and isarithmic mapping of soil
properties. Ш. Changing drift and universal kriging // J. Soil Sci. 1980. Vol. 31.
P. 505-524.
1981
34. Burgess T.M., Webster R., McBratney A.B. Optimal interpolation and isarithmic
mapping of soil properties. IV. Sampling strategy // J. Soil Sci. 1981. Vol. 32.
P. 643-659.
35. McBratney A., Webster R. Spatial dependence and classification of the soil along a
transect in Northeast Scotland // Geoderma. 1981. Vol. 26. P. 63-82.
136
36. McBratney A.B., Webster R., Burgess T.M. The design of optimal sampling schemes
for local estimation and mapping of regionalised variables. I. Theory and method //
Comput. Geosci. 1981. Vol. 7. P. 331-334.
37. McBratney A.B., Webster R.y Burgess T.M. The design of optimal sampling schemes
for local estimation and mapping of regionalised variables. II. Program and
examples // Ibid. 1981. Vol. 7. P. 335-365.
38. Webster R., McBratney A.B. Soil segment overlap in character space and its
implications for soil classification // J. Soil Sci. 1981. Vol. 31. P. 133-147.
1982
39. Chauvet P., Galli A. Universal kriging. Fomtainbleau, 1982. (Publ. Centre de
Geostatistique. Ecole des Mines de Paris; C-96).
40. McBratney A.B., Webster R., McLaren R.G., Spiers R.B. Regional variation of
extractable copper and cobalt in the topsoil of South-East Scotland // Agronomie.
1982. Vol. 2. P. 969-982.
41. Myers D.E. Matrix formulation of co-kriging // Math. Ecol. 1982. Vol. 14.
P. 249-287.
42. Van Kuilenburg /., De Gruijter J J., Marsman В A., Bouma /. Accuracy of spatial
interpolation between point data on soil moisture supply capacity, compared with
estimates from mapping units // Geoderma. 1982. Vol. 27. P. 311-325.
43. Webster R. Experience of kriging from field measurements of soil properties //
Traitement informatique des donnees de sol / Ed. M.C. Girard. P.: Gignon, 1982.
T. 1. P. 101-109.
44. Yost R.S., Uehara G., Fox R.L. Geostatistical analysis of soil chemical properties of
large land areas. I. Semi-variograms // Soil Sci. Soc. Amer. J. 1982. Vol. 46.
P. 1028-1032.
45. Yost R.S., Uehara G., Fox R.L. Geostatistical analysis of soil chemical properties of
large land areas. II. Kriging // Ibid. 1982. Vol. 46. P. 1033-1037.
1983
46. Burrough PA. Multiscale sources of spatial variation in soil. I. The application of
fractal concepts to nested levels of soil variation // J. Soil Sci. 1983. Vol. 34.
P. 577-597.
47. Burrough PA, Multiscale sources of spatial variation in soil. П. A non-Brownian
fractal model and its application in soil survey // Ibid. 1983. Vol. 34. P. 599-620.
48. Dubrule O. Two methods with a different objectives: splines and kriging // Math.
Geol. 1983. Vol. 15. P. 245-257.
49. McBratney A.B., Webster R. How many observations are needed for regional
estimation of soil properties? // Soil Sci. 1983. Vol. 135. P. 177-183.
50. McBratney A., Webster R. Optimal interpolation and isarithmic mapping of soil
properties. V: Co-regionalization and multiple sampling strategy // J. Soil Sci. 1983.
Vol. 34. P. 137-163.
51. Myers D.E. Estimation of combination and co-kriging // Math. Ecol., 1983. Vol. 15.
P. 633-637.
52. Vauclin M„ Vieira БЯ., Vachaud G., Nielsen D£. The use of co-kriging with
limited field soil observations // Soil Sci. Soc. Amer. J. 1983. Vol. 47. P. 175-184.
53. Vieira Si?., Hatfield JL., Nielsen D.R., BiggarJ.W. Geostatistical theory and
application to variability of some agronomical properties // Hilgardia. 1983. Vol. 51.
P. 1-75.
54. Webster /?., Burgess TM. Spatial variation in soil and the role of kriging // Agr.
Water Manag. 1983. Vol. 6. P. 111-122.
137
55. Wilding L.P., Dress LM. Spatial variability and pedology // Pedogenesis and soil
taxonomy / Ed. L.P. Wilding et al. Amsterdam: Elsevier, 1983. P. 83-116.
1984
56. Baker R. Modelling soil variability as a random field // Math. Geol. 1984. Vol. 16.
P. 435-448.
57. Burgess T.M., Webster R. Optimal sampling strategies for mapping soil types.
I. Distribution of boundary spacings // J. Soil Sci. 1984. Vol. 32. P. 643-659.
58. Christakos G. On the problem of permissible covariance and variogram models //
Water Resour. Res. 1984. Vol. 20. P. 251-265.
59. Verly G., David M., Journel A.G., Marechal A. (ed.) Geostatistics for natural
resources characterization. P. 1,2. Dordrecht: Reidel, 1984.
60. Watson G.S. Smoothing and interpolation by kriging and with splines // Math. Geol.
1984. Vol. 16. P. 601-615.
61. Xu J., Webster R. A geostatistical study of topsoil properties in Zhangwu Country,
China//Catena. 1984. Vol. 11. P. 13-26.
1985
62. Brown K.W., Mullins J.W., Richitt E.P. Jr. et al. Assessing soil lead contamination in
Dallas, Texas // Environ. Monitoring Asses. 1985. Vol. 5. P. 137-154.
63. Cressie N. Fitting variogram models by weighted least squares // Math. Geol. 1985.
Vol. 17. P. 563-586.
64. Hoffmann E., Kluge W. Stachastische Analyse von Messtrassen der Bodenfeuchte //
Arch. Acker- Pflanzenbau Bodenk. 1985. Bd. 29. S. 259-267.
65. Rao P.S.C., Wagenet RJ. Spatial variability of pesticides in field soils: methods for
analysis and consequences // Weed Sci. 1985. Vol. 33. P. 18-24.
66. TrangmarB.B., YostRS., Uehara G. Application of geostatistics to spatial studies of
soil properties // Adv. Agron. 1985. Vol. 38. P. 45-94.
67. Webster R. Quantitative spatial analysis of soil in the field // Adv. Soil Sci. 1985.
Vol. 3. P. 1-70.
68. Zirschky J. Geostatistics for environmental monitoring and survey design // Environ.
Intern. 1985. Vol. 11. P. 515-524.
1986
69. HamlettJM., Horton R., Cressie NA.C. Resistant and exploratory techniques for use
in semivariogram analyses // Soil Sci. Soc. Amer. J. 1986. Vol. 50. P. 868-875.
70. Iris JM. Analyse et interpretation de la variabilite spatiale de la densite apparente
dans trois materiaux ferralliques // Sci. sol. 1986. Vol. 24. P. 245-256.
71. McBratney A., Webster R. Choosing functions for semi-variograms of soil properties
and fitting them to sampling estimates // J. Soil Sci. 1986. Vol. 37. P. 617-639.
72. Oliver MA., Webster R. Combining nested and linear sampling for determining the
scale and form of spatial variation of regionalized variables // Geogr. Anal. 1986.
Vol. 18. P. 227-242.
73. Oliver MA., Webster R. Semi-variograms for modelling spatial pattern of landform and
soil properties // Earth Surface processes and Landforms. 1986. Vol. 11. P. 491-504.
74. Starks ТЛ. Determination of support in soil sampling // Math. Geol. 1986. Vol. 18.
P. 529-537.
75. Taylor C.C., Burrough PA. Multiscale sources of spatial variation in soil. Ш.
Improved methods for fitting the nested model to one-dimensional
semi-variograms // Ibid. P. 811-821.
138
76. Trangmar ВВ., Yost R.S., Uehara G. Spatial dependence and interpolation of soil
properties in West Sumatra, Indonesia. 2. Co-regionalization and co-kriging // Soil
Sci. Soc. Amer. J. 1986. Vol. 50. P. 1396-1400.
77. Warrick A.W., Myers D.E.y Nielsen йЯ. Geostatistical methods applied to soil
science // Methods of soil analysis. 2nd/ed. 1986. Pt. 1: Physical and mineralogical
methods. P. 53-82. (Agron. Monogr. 9).
78. Yates SJ?., Warrick A.W., Myers D.E. A disjunctive kriging program for two
dimensions // Сотр. Geosci. 1986. Vol. 12. P. 287-313.
1987
79. Глобус A.M. Почвенно-гидрофизическое обеспечение агроэкологических
математических моделей. Л.: Гидрометеоиздат, 1987.
80. Bregt А.К., Войта J., Jellinek M. Comparison of thematic maps derived from a soil
map and from kriging of point data // Geoderma. 1987. Vol. 39. P. 281-291.
81. Buys A J., Classen FA. Soil sampling in South Africa: practices and problems //
FSSA J. 1987. Vol. 1. P. 43-51.
82. Cressie N. A nonparametric view of generalized covariances for kriging // Math.
Geol. 1987. Vol. 19. P. 425-449.
83. Goulard M., Voltz M.f Monestiez P. Comparaison d'approches multivariables pour
Г etude de la variabilite spatiale des sols // Agronomie. 1987. Vol. 7. P. 657-665.
84. Hemyari P., Nofziger DL. Analytical solution for punctual kriging in one
dimension // SoU Sci. Soc. Amer. J. 1987. Vol. 51. P. 268-269.
85. Laslett GM.t McBratney AB., Pahl PJ., Hutchinson MJ7. Comparison of several
spatial prediction methods for soil pH // J. Soil Sci. 1987. Vol. 38. P. 325-341.
86. Oliver MA. Geostatistics and its application to soil science // Soil Use Manag. 1987.
Vol. 3. P. 8-20.
87. Robertson G.P. Geostatistics in ecology: Interpolating with known variance //
Ecology. 1987. Vol. 68. P. 744-748.
88. Yates SB., Warrick A.W. Estimating soil water content using cokriging // Soil Sci.
Soc. Amer. J. 1987. Vol. 51. P. 23-30.
89. Yfantis EA., Flatman G.T., Behar J.V. Efficiency of kriging estimation for square,
triangular, and hexagonal grids // Math. Geol. 1987. Vol. 19. P. 183-205.
1988
90. Иванникова Л А., Мироненко Е.В. Теория регионализированных
переменных при исследовании пространственной вариабельности показателей
агрохимических свойств почвы // Почвоведение. 1988. № 5. С. 113-121.
91. Alemi МЛ., Azari AS., Nielsen DM. Kriging and univariate modeling of a spatially
correlated data // Soil Technol. 1988. Vol. 1. P. 133-147.
92. Alemi MM., Shahriari МЯ., Nielsen ОЯ. Kriging and cokriging of soil water
properties//Ibid. P. 117-132.
93. Bardossy A., Bogardi I., Kelly W.E. Imprecise (fuzzy) information in geostatistics //
Math. Geol. 1988. Vol. 20. P. 287-311.
94. Flatman G.T., Englund EJ., Yfantis A A. Geostatistical approaches to the design of
sampling regimes // Principles of environmental sampling / Ed. L.H. Keith. Wash.
(D.C.), 1988. P. 73-84.
95. Galli A., Wackernagel H. Multivariate geostatistical methods for spatial data
analysis // Data analysis and informatics / Ed. E. Diday. Amsterdam: Elsevier: North-
Holland; 1988. N 5. P. 273-280.
96. Greenholtz D.E., Yeh T.CJ., Nash MSB., Wierenga PJ. Geostatistical analysis of soil
hydrologic properties in a field plot // J. Contaminant Hydrol. 1988. Vol. 3. P. 227-250.
139
97. Journel A.G. Nonparametric geostatistics for risk and additional sampling
assessment // Principles of environmental sampling / Ed. L.H. Keith. Wash. (D.C.), 1988.
P. 45-72.
98. Stein A., HoogerwerfM., Bouma J. Use of soil-map delineations to improve (со-)
kriging of point data on moisture deficits // Geoderma. 1988. Vol. 43. P. 163^177.
99. Stein A., Van Dooremolen W„ Bouma J., Bregt A.K. Cokriging point data on
moisture deficit // Soil Sci. Soc. Amer. J. 1988. Vol. 52. P. 1418-1423.
100. Van Beurden SA.HA., Riezebos H.Th. The application of geostatistics in erosion
hazard mapping // Soil Technol. 1988. Vol. 1. P. 349-364.
101. Wackernagel H., Webster R., Oliver MA. A geostatistical method for segmenting
multivariate sequences of soil data // Classification and related methods of data
analysis / Ed. H.H. Bock. Amsterdam: Elsevier, 1988. P. 641-650.
102. Warrick A.W., Zhang R.f El-Harris M.K., Myers D.E. Direct comparisons between
kriging and other interpolators // Proc. validation of flow and transport models for
the unsaturated zone / Ed. P.J. Wierenga and D. Bachelet. Las Cruces, (N.M), 1988.
P. 505-515.
103. Wopereis M.C., Gascuel-Odoux C, Bourrie G., Soignet G. Spatial variability of
heavy metals in soil on a one-hectare scale // Soil Sci. 1988. Vol. 146. P. 113-118.
104. Yates S.R., Yates M.V. Disjunctive kriging as an approach to management
decisionmaking // Soil Sci. Soc. Amer. J. 1988. Vol. 52. P. 1554-1558.
1989
105. Bardossy A., Bogardi I., Kelly W.E. Geostatistics utilizing imprecise (fuzzy)
information // Fuzzy Sets Systems. 1989. Vol. 31. P. 311-328.
106. Di H.J., Trangmar B.B., Kemp RA. Use of geostatistics in designing
sampling strategies for soil survey // Soil Sci. Soc. Amer. J. 1989. Vol. 53.
P. 1163-1167.
107. Goovaerts P., Gerard G.r Frankart R. Etude de la variabilite spatiale de quelques
proprietes chimiques du sol en Fagnes de Chimay, Belgique // Pedologie. 1989.
Vol. 39. P. 191-207.
108. Issaks E.H., Srivastava R.M. Applied geostatistics. Oxford: Oxford Univ. press,
1989.
109. Moolman J.H., Van Huyssteen L. A geostatistical analysis of the penetrometer soil
strength of a deep ploughed soil // Soil Tillage Res. 1989. Vol. 15. P. 11-24.
110. Oliver MA., Webster R. A geostatistical basis for spatial weighting in multivariate
classification // Math. Geol. 1989. Vol. 21. P. 15-35.
111. Oliver MA., Webster R. Geostatistically constrained multivariate classification //
Geostatistics / Ed. M. Armstrong. Dordrecht: Kluwer, 1989. Vol. 1. P. 383-395.
112. Samra J.S., Gill H.S., AnlaufR., Richter J. Geostatistical evaluation of soil sodici-
ty and growth of Melia azedarach Linn, as simultaneous stochastic processes // Soil
Sci. 1989. Vol. 148. P. 361-369.
113. Stein A., Bouma J., Mulders MA., Weterings M.H.W. Using cokriging in
variability studies to predict physical land qualities of a level terrace // Soil Technol. 1989.
Vol. 2. P. 385^02.
114. Utset A., Ruiz M.E., Herrera J. Estructura especial de las propiedades del suelo:
Semivarianza у semivariograma // Cienc. agr. 1989. Vol. 37/38. P. 119-123.
115. Van Meirvenne M., Hofman G. Spatial variability of soil nitrate nitrogen after
potatoes and its change during winter // Plant Soil. 1989. Vol. 120. P. 103-110.
116. Van Meirvenne M., Hofman G. Spatial variability of soil texture in the polder area.
I. Kriging // Pedologie. 1989. Vol. 39. P. 69-87.
117. Van Meirvenne M., Hofman G. Spatial variability of soil texture in the polder area.
II. Cokriging // Ibid. P. 209-226.
140
118. Wackernagel H., Petitgas P., Touffait Y. Overview of methods for coregionaliza-
tion analysis // Geostatistics. Dordrecht: Kluwer, 1989. Vol. 1. P. 409-420.
119. Webster R. Recent achievements in geostatistical analysis of soil // Agrokem. tala-
jtan. 1989. Vol. 38. P. 519-536.
120. Webster R., McBratney A.B. On the Akaike information criterion for
choosing models for variograms of soil properties. // J. Soil Sci. 1989. Vol. 40.
P. 493^96.
121. Webster R., Oliver MA. Disjunctive kriging in agriculture // Geostatistics / Ed.
M. Armstrong. Dordrecht: Kluwer, 1989. Vol. 1. P. 383-395.
122. Webster R., Oliver MA. Optimal interpolation and isarithmic mapping of soil
properties. VI. Disjunctive kriging and mapping the conditional probability // J. Soil Sci.
1989. Vol. 40. P. 497-512.
1990
123. Alii M.M., Nowatzki EA., Myers D.E. Probabilistic analysis of collapsing soil by
indicator kriging // Math. Geol. 1990. Vol. 22. P. 15-38.
124. Bardossy A., Bogardi I., Kelly W.E. Kriging with imprecise (fuzzy) variograms. II.
Application // Ibid. P. 81-94.
125. Cressie С The origins of kriging // Ibid. P. 239-252.
126. Gaston L., Nkedi-Kizza P., Sawka G., Rao P.S.C. Spatial variability of
morphological properties at a Florida Ratwoods site // Soil Sci. Soc. Amer. J. 1990. Vol. 54.
P. 527-533.
127. Isaaks E.H., Srivastava RM. An introduction to applied geostatistics. N.Y.: Oxford
Univ. press, 1990.
128. Laslett G.M., McBratney A.B. A further comparison of spatial methods for
predicting soil pH // Soil Sci. Soc. Amer. J. 1990. Vol. 54. P. 1553-1558.
129. Laslett G.M., McBratney A.B. Estimation and implications of instrumental drift,
measurement error and nugget variance of spatial soil attributes - a case study for
soil pH // J. Soil Sci. 1990. Vol. 41. P. 451^71.
130. Leenaers H., Okx J.P., Burrough PA. Comparison of spatial prediction
methods for mapping floodplain soil pollution // Catena. 1990. Vol. 17.
P. 535-550.
131. Munoz-Pardo /., Reulle P., Vauclin M. Spatial variability of an agricultural field:
Geostatistical analysis of soil texture, soil moisture and yield components of two
rainfed crops // Ibid. P. 369-381.
132. Odeh I.О A., McBratney A.B., Chittleborough DJ. Design of optimal sample spac-
ings for mapping soil using fuzzy k-means and regionalized variable theory //
Geoderma. 1990. Vol. 47. P. 93-122.
133. Rivoirard J. Introduction to disjunctive kriging and non-linear geostatistics.
Fontainbleau: Centre de Geostatistique, 1990.
134. Shouse PJ., Gerik TJ., Russell W.B., Cassel D.K. Spatial distribution of soil
particle size and aggregate stability index in a clay soil // Soil Sci. 1990. Vol. 149.
P. 351-360.
135. Van Meirvenne M., Hofinan G., Demyttenaere P. Spatial variability of N fertilizer
application and wheat yield // Fertil. Res. 1990. Vol. 23. P. 15-23.
136. Voltz M., Webster R. A comparison of kriging, cubic splines and classification for
predicting soil properties from sample information // J. Soil Sci. 1990. Vol. 41.
P. 473^90.
137. Webster R., Oliver MA. Statistical methods in soil and land resource survey.
Oxford: Oxford Univ. press, 1990. 316 p.
138. Wood G., Oliver MA., Webster R. Estimating soil salinity by disjunctive kriging //
Soil Use Manag. 1990. Vol. 6. P. 97-104.
141
1991
139. Barnes RJ. The variogram sill and the sample variance // Math. Geol. 1991.
Vol. 23. P. 673-678.
140. Bhatti A.U., Mulla DJ., Frazier BE. Estimation of soil properties and wheat yields
on complex eroded hills using geostatistics and thematic mapper images // Remote
Sensing Environ. 1991. Vol. 37. P. 181-191.
141. Bramley R.G.V., White R.E. An analysis of variability in the activity of nitrifiers in
a soil under pasture. 1. Spatially dependent variability and optimum sampling
strategy // Austral. J. Soil Res. 1991. Vol. 29. P. 95-108.
142. Bramley R.G.V., White R.E. An analysis of variability in the activity of nitrifiers in
a soil under pasture. 2. Some problems in the geostatistical analysis of biological
soil properties // Ibid. P. 109-122.
143. BregtA.K., McBratney A.B., Wopereis M.C.S. Construction of isolinear maps of soil
attributes with empirical confidence limits // Soil Sci. Soc. Amer. J. 1991. Vol. 55.
P. 14-19.
144. Cressie N. Statistics for spatial data. N.Y.: Wiley, 1991. 900 p.
145. Entz Т., Chang C. Evaluation of soil sampling schemes for geostatistical analyses:
A case study for soil bulk density // Canad. J. Soil Sci. 1991. Vol. 71. P. 165-176.
146. Goovaerts P. Etude des relations entre proprietes physico-chimiques du sol par la
geostatistique multivariable // Compte rendu des journees de geostatistique, cahiers
de geostatistique / Ed. Ch. de Fouquet. Fontainbleau, 1991. Vol. 1. P. 247-261.
147. Oliver MA., Webster R. How geostatistics can help you // Soil Use Manag. 1991.
Vol. 7. P. 206-217.
148. McBratney AS., Hart GA., McGarry D. The use of region partitioning to improve
the representation of geostatisticalry mapped soil attributes // J. Soil Sci. 1991.
Vol. 42. P. 513-532.
149. Stein A., Starisky I.G., Starisky JB. Simulation of moisture deficits and areal
interpolation by universal cokriging // Water Resour. Res. 1991. Vol. 27. P. 1963-1973.
150. Stein A., Van Eijnsbergen A.C., Barendregt L.G. Cokriging non-stationary data //
Math. Geol. 1991. Vol. 23. P. 703-719.
151. Van Meirvenne M., Hofinan G. Sampling strategy for quantitative soil mapping //
Pedologie. 1991. Vol. 41. P. 263-275.
152. Webster R. Local disjunctive kriging of soil properties with change of support // J.
Soil Sci. 1991. Vol. 42. P. 301-318.
153. Webster R., Rivoirard J. Copper and cobalt deficiency in soil: a study using
disjunctive kriging // Compte rendu des journees de geostatistique, cahier de
geostatistique / Ed. Ch. de Fouquet. Fontainebleau, 1991. Vol. 1. P. 205-233.
1992
154. Гумматов Н.Г., Жиромский СВ., Мироненко Е.В. и др. Геостатистический
анализ пространственной изменчивости водоудерживающей способности
серой лесной почвы // Почвоведение, 1992. № 6. С. 52-62.
155. BregtAX., GesinkHJ., Alkasuma. Mapping the conditional probability of soil
variables // Geoderma. 1992. Vol. 53. P. 15-29.
156. BregtAX., StoorvogelJJ., Bouma J., Stein A. Mapping ordinal data in soil survey:
a Costa Rican example // Soil Sci. Soc. Amer. J. 1992. Vol. 56. P. 525-531.
157. Goovaerts P. Factorial kriging analysis: A useful tool for exploring the structure of
multivariate spatial soil information // J. Soil Sci. 1992. Vol. 43. P. 597-619.
158. Goovaerts P., Chiang C. Spatial and temporal relationships between potentially
mineralizable N and selected soil properties in a small fallow plot // Pedologie,
1992. Vol. 42. P. 21-37.
142
159. Goulard M., Voltz M. Linear coregionalization model: tools for estimation and
choice of cross-variogram matrix // Math. Geol. 1992. Vol. 24. P. 269-286.
160. Heuvelink GBM., Bierkens M.FJ>. Combining soil maps with interpolations from
point observations to predict quantitative soil properties // Geoderma. 1992.
Vol. 55. P. 1-15.
161. Hoogerwerf МЯ., Muchena FJV., Stein A. Spatial variability and reclamation of
salinity and sodicity in a Kenyan irrigation scheme // Soil Technol. 1992. Vol. 5.
P. 121-134.
162. Loague K. Soil water content at R-5. Part 1. Spatial and temporal variability // J.
Hydrol. 1992. Vol. 139. P. 233-251.
163. McBratney A.B. On variation, uncertainty and informatics in environmental soil
management // Austral. J. Soil Res. 1992. Vol. 30. P. 913-935.
164. McBratney A£„ De GruijterJJ.9 Brus DJ. Spacial prediction and mapping of
continuous soil classes // Geoderma. 1992. Vol. 54. P. 39-64.
165. Moura E.G., Vieira БЯ., Carvalho AM. Air capacity and available water in soils of
two transects of the western Maranhense basin, Brazil // Rev. brasil. cienc. solo.
1992. Vol. 16. P. 7-18.
166. Or D.y Hanks RJ. Spatial and temporal soil water estimation considering soil
variability and evapotranspiration uncertainty // Water Resour. Res. 1992. Vol. 28.
P. 803-814.
167. Poier K.R., Richter J. Spatial distribution of earthworms and soil properties in an
arable loess soil // Soil Biol, and Biochem. 1992. Vol. 24. P. 1601-1608.
168. Rossi R.E., Mulla D.J., Journel A.G., Franz EH. Geostatistical tool for modeling
and interpreting ecological spatial dependence // Ecol. Monogr. 1992. Vol. 62.
P. 277-314.
169. Samra J.S., Rajput R.K., Katyal V. Structured heterogeneity of soil pH and grain
yield of rice and wheat grown in a sodic soil // Agron. J. 1992. Vol. 84. P. 877-881.
170. Ungaro F., Busoni E. Spatial variability of soil salinity in the Merti plain, North-
East Kenya: the geostatistical approach // Riv. agr. subtrop. trop. 1992. An. 86.
P. 765-779.
171. Webster R., Boag B. Geostatistical analysis of cyst nematodes in soil // J. Soil Sci.
1992. Vol. 43. P. 583-595.
172. Webster R., Oliver MA. Sample adequately to estimate variograms of soil
properties//Ibid. P. 177-192.
173. Zhang R., Warrick A.W., Myers DE. Improvement of the prediction of soil particle
size fractions using spectral properties // Geoderma. 1992. Vol. 52. P. 223-234.
1993
174. Burrough PA. Soil variability: a late 20th century view // Soils and Fert. 1993.
Vol. 56. P. 529-562.
175. Cressie N. Statistics for spatial data. N.Y.: Wiley, 1993.
176. Gascuel-Odoux C, Walter C, Voltz M. Interet du couplage des methodes geosta-
tistiques et de cartographie des sols pour Festimation spatiale // Sci. sol. 1993.
Vol. 31. P. 193-213.
177. Jackson R.B., Caldwell MM. Geostatistical patterns of soil heterogeneity around
individual perennial plants // J. Ecol. 1993. Vol. 81. P. 683-692.
178. Jackson R.B., Caldwell MM. The scale of nutrient heterogeneity around individual
plants and its quantification with geostatistics // Ecology. 1993. Vol. 74. P. 612-614.
179. Koch AS., Matzner E. Heterogeneity of soil and soil solution chemistry under
Norway spruce (Picea. abies Karst.) and European beech (Fagus silvatica L.) as
influenced by distance from the stem basis // Plant and Soil. 1993. Vol. 151.
P. 227-237.
143
180. Laslett G.M., McBratney A.B. Planning the sampling of soil that may be
contaminated // Soil technology - applied soil science / Ed. P.A. Hazelton and A.J. Koppi.
2nd ed. Sydney, 1993. P. 400-420.
181. PettittAN., McBratney A.B. Sampling designs for estimating spatial variance
components // Appl. Statistics. 1993. Vol. 42. P. 185-209.
182. Romano N. Use of an inverse method and geostatistics to estimate soil hydraulic
conductivity for spatial variability analysis // Geoderma. 1993. Vol. 60. P. 169-186.
183. Smith J.L., Halvorson J J. Papendick R.I. Using multiple-variable indicator kriging
for evaluating soil quality // Soil Sci. Soc. Amer. J. 1993. Vol. 57. P. 743-749.
184. Van Meirvenne M., Vercauteren F., Hofman G., Ide G. Geostatistical analysis of the
cadmium pollution in north-west Limburg, Belgium // Biometrie-Praximetrie. 1993.
Vol. 33. P. 45-56.
185. Yost R.S., Loague K.f Green R.E. Reducing variance in soil organic carbon
estimates: soil classification and geostatistical approaches // Geoderma. 1993. Vol. 57.
P. 247-262.
1994
186. Atteia O., Dubois J.P., Webster R. Geostatistical analysis of soil contamination in
the Swiss Jura // Environ. Pollut. 1994. Vol. 86. P. 315-327.
187. Baranowski P., Kossowski J., Usowicz B. Spatial variability of soil water content in
cultivated fields // Zesz. probl. postepow nauk rol. 1994. Vol. 405. P. 9-19.
188. Brus DJ., De Gruijter J J. Estimation of non-ergodic variograms and their
sampling variance by design-based sampling strategies // Math. Geol. 1994. Vol. 26.
P. 437^54.
189. Burrough PA., Bouma /., Yates S.R. The state of the art in pedometrics //
Geoderma. 1994. Vol. 62. P. 311-326.
190. Cambardella C, Moorman T.B., Novak J.M. et al. Field-scale variability of soil
properties in Central Iowa soils // Soil Sci. Soc. Amer. J. 1994. Vol. 58.
P. 1501-1511.
191. Comegna V., Basile A. Temporal stability of spatial patterns of soil water storage in
a cultivated Vesuvian soil // Geoderma. 1994. Vol. 62. P. 299-310.
192. Delcourt H., De Baerdemaeker J. Soil nutrient mapping implications using GPS //
Comput. Electron. Agr. 1994. Vol. 11. P. 37-51.
193. Fonteh M.F., Podmore T. Application of geostatistics to characterize spatial
variability of infiltration in furrow irrigation // Agr. Water Manag. 1994. Vol. 25.
P. 153-165.
194. Gamma design. Geostatistics for the agronomic and biological sciences. Version
2.3. Gamma Design. Plainwell (MI), 1994.
195. Gascuel-Odoux C, Boivin P. Variability of variograms and spatial estimates due to
soil sampling: a case study // Geoderma. 1994. Vol. 62. P. 165-182.
196. Gonzalez О J. Zak D.R. Geostatistical analysis of soil properties in a secondary
tropical dry forest, St. Lucia, West Indies // Plant and Soil, 1994. Vol. 163.
P. 45-54.
197. Goovaerts P. Comparative performance of indicator algorithms for modeling
conditional probability distribution functions // Math. Geol. 1994. Vol. 26. P. 389-411.
198. Goovaerts P. Comparison of CoIK, IK and mIK performances for modeling
conditional probabilities of categorical variables // Geostatistics for the next century / Ed.
R. Dimitrakopoulos. Dordrecht: Kluwer, 1994. P. 18-29.
199. Goovaerts P. Study of spatial relationship between two sets of variables using
multivariate geostatistics // Geoderma. 1994. Vol. 62. P. 93-107.
200. Goovaerts P., Webster R. Scale-dependent correlation between topsoil copper and
cobalt concentrations in Scotland // Europ. J. Soil Sci. 1994. Vol. 45. P. 79-95.
144
201. Hosseini E., Gallichand J. Marcotte D. Theoretical and experimental performance
of spatial interpolation methods for soil salinity analysis // Trans. ASAE. 1994.
Vol. 37. P. 1799-1807.
202. Hutchinson M.F., Gessler P.E. Splines - more than just a smooth interpolator //
Geoderma. 1994. Vol. 62. P. 45-67.
203. Lacaze В., Rambal S., Winkel T. Identifying spatial patterns of Mediterranean
landscapes from geostatistical analysis of remotely-sensed data // Intern. J. Remote
Sens. 1994. Vol. 15. P. 2437-2450.
204. Laslett G.M. Kriging and splines: an empirical comparison of their predictive
performance in some applications // J. Amer. Stat. Assoc, 1994. Vol. 89.
P. 391^09.
205. Myers D.E. Spatial interpolation: an overview // Geoderma. 1994. Vol. 62.
P. 17-28.
206. Odeh I.OA., McBratney A.B., Chittleborough DJ. Spatial prediction of soil
properties from landform attributes derived from a digital elevation model // Ibid.
Vol. 63. P. 197-214.
207. Papritz A,, Flakier H. Temporal change of spatially autocorrelated soil properties:
optimal estimation by cokriging // Ibid. Vol. 62. P. 29-43.
208. RivoirardJ. Introduction to disjunctive kriging and non-linear geostatistics. Oxford:
Oxford University Press, 1994.
209. Slater B.K., McSweeney K.f McBratney A.B. et al. A spatial framework for
integrating soil-landscape and pedogenic models // Pedogenic modeling / Ed.
R.B. Bryant and R.W. Arnold. Madison (Wis.), 1994. P. 169-185. (Spec. Publ. Soil
Sci. Soc. of Amer.).
210. Stein A. The use of prior information in spatial statistics // Geoderma. 1994. Vol. 62.
P. 199-216.
211. Toth Г., Matsumoto S., Mao R., Yin Y. Plant cover as predictor variable of salinity
and alkalinity in abandoned saline soils of the Huang-Huai-Hai Plain, China //
Agrokem. es talajtan. 1994. Vol. 43. P. 175-195.
212. Van Meirvenne M.t Scheldeman K., Baert G., Hofinan G. Quantification of soil tex-
tural fractions of Bas-Zaire using soil map polygons and/or point observations //
Geoderma. 1994. Vol. 62. P. 69-82.
213. Wackernagel H. Cokriging versus kriging in regionalized multivariate data
analysis // Ibid. P. 83-92.
214. Webster R. The development of pedometrics // Ibid. P. 1-15.
215. Webster R., Atteia O., Dubois J.P. Coregionalization of trace metals in the soil in
the Swiss Jura // Europ. J. Soil Sci. 1994. Vol. 45. P. 205-218.
216. Zhang R., Warrick A.W., Myers D.E. Heterogeneity, plot shape effect and optimum
plot size // Geoderma. 1994. Vol. 62. P. 183-197.
1995
217. Bartoli F., Burtin G., Royer J J. et al. Spatial variability of topsoil characteristics
within one silty soil type. Effects on clay migration // Geoderma. 1995. Vol. 68.
P. 279-300.
218. Brooker P.I., Winchester J.P., Adams A.C. A geostatistical study of soil data from
an irrigated vineyard near waikerie, South Australia // Environ. Intern. 1995.
Vol. 21. P. 699-704.
219. Burns L.C., Stevens RJ., Smith R.V., Cooper J.E. The occurrence and possible
sources of nitrite in grazed, fertilized, grassland soil // Soil Biol, and Biochem.
1995. Vol. 27. P. 47-59.
220. dollar о G., Romano N. Spatial variability of the hydraulic properties of a volcanic
soil // Geoderma. 1995. Vol. 65. P. 263-282.
10 Геостатика ... почв
145
221. Cui H., Stein A., Myers D.E. Extension of spatial information, Bayesian kriging and
updating of prior variogram parameters // Environmetrics. 1995. Vol. 6.
P. 373-384.
222. Dobermann A., Goovaerts P., George Г. Sources of soil variation in an acid Ultisol
of the Philippines // Geoderma. 1995. Vol. 68. P. 173-191.
223. Goovaerts P., Journel A.G. Integrating soil map information in modelling the
spatial variation of continuous soil properties // Europ. J. Soil Sci. 1995. Vol. 46.
P. 397-414.
224. Knotters M., Brus DJ., Oude VoshaarJ.H. A comparison of kriging, co-kriging and
kriging combined with regression for spatial interpolation of horizon depth with
censored observations // Geoderma. 1995. Vol. 67. P. 227-246.
225. Lesch SM., Strauss DJ., Rhoades J.D. Spatial prediction of soil salinity using
electromagnetic induction techniques. I. Statistical prediction model: a comparison of
multiple linear regression and cokriging // Water Resour. Res. 1995. Vol. 31.
P. 373-386.
226. Liski J. Variation in soil organic carbon and thickness of soil horizons within a
boreal forest stand - effect of trees and implications for sampling // Silva Fenn. 1995.
Vol. 29. P. 255-266.
227. Lookman R., Vandeweert N., Merckx R., Vlassak K. Geostatistical assessment of the
regional distribution of phosphate sorption capacity parameters (Fe ox and Al ox)
in northern Belgium // Geoderma. 1995. Vol. 66. P. 285-296.
228. Meshalkina JJL., Stein A., Dmitriev YA. Spatial variability of penetration data on
Russian plots in different land use // Soil Technol. 1995. Vol. 8. P. 43-59.
229. Odeh 1.0A., McBratney A.B., Chittleborough DJ. Further results on prediction of
soil properties from terrain attributes: heterotopic cokriging and regression-krig-
ing // Geoderma. 1995. Vol. 67. P. 215-226.
230. Oliver MA., Badr I. Determining the spatial scale of variation in soil radon
concentration // Math. Geol. 1995. Vol. 27. P. 893-922.
231. Patgiri D.K., Baruah T.C. Spatial variability of total porosity, air entry potential and
saturation water content in a cultivated inceptisol. I. Semivariance analysis // Agr.
Water Manag. 1995. Vol. 27. P. 1-9.
232. Persicani D. Analysis of potential radiocaesium soil contamination: a case study
using two different simulation models // J. Environ. Radioactivity, 1995. Vol. 27.
P. 161-180.
233. Persicani D. Evaluation of soil classification and kriging for mapping herbicide
leaching simulated by two models // Soil Technol. 1995. Vol. 8. P. 17-30.
234. Qian H., Klinka K. Spatial variability of humus forms in some coastal forest
ecosystems of British Columbia // Ann. sci. forest. 1995. Vol. 52.
P. 653-666.
235. Shu T. Spatial structures of copper, lead, and mercury contents in surface soil in the
Shenzhen area // Water, Air, Soil Pollut. 1995. Vol. 82. P. 583-591.
236. Sylla M., Stein A., Van Breemen N., Fresco L.O. Spatial variability of soil salinity
at different scales in the mangrove rice agro-ecosystem in West Africa //
Agriculture, Ecosystems, Environment. 1995. Vol. 54. P. 1-15.
237. Zhang R., Rahman S., Vance G.F., Munn L.V. Geostatistical analyses of trace
elements in soils and plants // Soil Sci. 1995. Vol. 159. P. 383-390.
1996
238. Anderson L., Bullock D. Use caution in interpreting clusters of similar values in soil
fertility maps // Better Crops. 1996. Vol. 80. P. 26-29.
239. Arrouays D., Mench M., Amans V., Gomez A. Short-range variability of fallout Pb
in a contaminated soil // Canad. J. Soil Sci. 1996. Vol. 76. P. 73-81.
146
240. Bourennane H., King D., Chery P., BruandA. Improving the kriging of a soil
variable using slope gradient as external drift // Europ. J. Soil Sci. 1996. Vol. 47.
P. 473-483.
241. Brus DJ., De Gruitjer J J., Marsman В A. et al. The performance of spatial
interpolation methods and chloropleth maps to estimate properties at points: a soil
survey case study // Environmetrics. 1996. Vol. 7. P. 1-16.
242. Delcourt H., Darius PL., De Baerdemaeker J. The spatial variability of some
aspects of topsoil fertility in two Belgian fields // Comput. Electron. Agr. 1996.
Vol. 14. P. 179-196.
243. De Smet J., Hoftnan G., Van Meirvenne M. et al. Variability of the phosphate
saturation degree of the sandy loam soils in West-Flanders, Belgium // Commun. Soil
Sci. and Plant Anal, 1996. Vol. 27. P. 1875-1884.
244. Diaz F.R., Godoy A., Tagle LB. et al. Pedotransfer functions for variable alluvial
soils in southern Ohio // Geoderma. 1996. Vol. 22. P. 165-181.
245. Eggleston /J?., Rojstaczer SA., Peirce J J. Identification of hydraulic conductivity
structure in sand and gravel aquifers: Cape Cod data set // Water Resour. Res. 1996.
Vol. 32. P. 1209-1222.
246. Gerhards R., Sokefeld M., KnufD., Kuhbauch W. Kartierung und geostatistische
Analyse der unkrautverteilung in Zuckerrubenschlagen als Grundlage fur eine
teilschlagspeziflsche Bekampfung // J. Agron. Crop Sci. 1996. Vol. 176.
P. 259-266.
247. Gotway С A., Ferguson R.B., Hergert G.W., Peterson ТА. Comparison of kriging
and inversedistance methods for mapping soil parameters // Soil Sci. Soc. Amer. J.
1996. Vol. 60. P. 1237-1247.
248. Gotway С A., Hartford AM. Geostatistical methods for incorporating auxiliary
information in the prediction of spatial variables // J. Agr. Biol. Environ. Stat. 1996.
Vol. LP. 17-39.
249. Halvorson J J., Smith JL., PapendickR.1. Integration of multiple soil parameters to
evaluate soil quality: a field example // Biol. Fertil. Soils. 1996. Vol. 21.
P. 207-214.
250. Hollenbeck К J., Schmugge TJ., Hornberger GM., Wang JR. Identifying soil
hydraulic heterogeneity by detection of relative change in passive microwave
remote sensing observations // Water Resour. Res. 1996. Vol. 32. P. 139-148.
251. Juang K.W., Lee D.Y., Chen Z.S. Prediction of spatial distribution of heavy metal in
contaminated soils by geostatistics: effect of extreme values and semivariogram
models // J. Chin. Agr. Chem. Soc. 1996. Vol. 34. P. 560-574.
252. Kitanidis P.K., Shen K.F. Geostatistical interpolation of chemical concentration //
Adv. Water Resour. 1996. Vol. 19. P. 369-378.
253. Mapa R.B., Kumaragamage D. Variability of soil properties in a tropical Alfisol
used for shifting cultivation // Soil Technol. 1996. Vol. 9. P. 187-197.
254. Markus J A., McBratney A.B. An urban soil study: heavy metals in Glebe,
Australia // Austral. J. Soil Res. 1996. Vol. 34. P. 453^65.
255. Meredieu C, Arrouays D., Goulard M., Auclair D. Short range soil variability and
its effect on red oak growth (Quercus rubra L.) // Soil Sci. 1996. Vol. 161. P. 29-38.
256. Oliver MA., Webster R., McGrath S.P. Disjunctive kriging for environmental
management//Environmetrics. 1996. Vol. 7. P. 338-358.
257. Prieme A., Christensen S., Galle B. et al. Spatial variability of CH4 uptake in a
Danish forest soil and its relation to different measurement techniques // Atmos.
Environ. 1996. Vol. 30. P. 1375-1379.
258. Rahman S., Munn L.C., Zhang R., Vance G.F. Rocky mountain forest soils:
Evaluating spatial variability using conventional statistics and geostatistics //
Canad. J. Soil Sci. 1996. Vol. 76. P. 501-507.
147
259. Rogowski A.S. Quantifying soil variability in GIS applications: II Spatial
distribution of soil properties // Geogr. Inform. Systems. 1996. Vol. 10. P. 455-475.
260. Rosenbaum M.S., Soderstrom M. Cokriging of heavy metals as an aid to
biogeochemical mapping // Acta agr. scand. B. Soil and Plant Sci. 1996. Vol. 46.
P. 1-8.
261. Rossi J.-P., Delaville L., Queneherve P. Microspatial structure of a plant-parasitic
nematode community in a sugarcane field in Martinique // Appl. Soil Ecol. 1996.
Vol. 3. P. 17-26.
262. Usowicz В., Kossowski J. Baranowski P. Spatial variability of soil thermal
properties in cultivated fields // Soil Tillage Res. 1996. Vol. 39. P. 85-100.
263. Van Meirvenne M., De Groote P., Kertesz M. et al. Multivariate geostatistical
inventory of sodicity hazard in the Hungarian Puszta // Monitoring soils in the
environment with remote sensing and GIS / Ed. R. Escadafal et al. P.: ORSTOM, 1996.
P. 293-305.
264. VelthofGL., Jarvis S.C., Stein A. et al. Spatial variability of nitrous oxide fluxes in
mown and grazed grasslands on a poorly drained clay soil // Soil Biol, and
Biochem., 1996. Vol. 28. P. 1215-1225.
265. Von Steiger В., Webster R., Schulin R., Lehmann R. Mapping heavy metals in
polluted soil by disjunctive kriging // Environ. Pollut. 1996. Vol. 94. P. 205-215.
266. Wade SJ)., Foster I.D.L., Baban S.MJ. The spatial variability of soil nitrates in
arable and pasture landscapes: implications for the development of geographical
information system models of nitrate leaching // Soil Use Manag. 1996. Vol. 12.
P. 95-101.
267. Webster R. What is kriging? // Aspects Appl. Biol. 1996. Vol. 46. P. 57-66.
1997
268. Кузякова И.Ф., Кузяков Я.В. Влияние микрорельефа на пространственное
варьирование содержания гумуса в дерново-подзолистой почве
длительного полевого опыта // Почвоведение. 1997. № 7. С. 824—831.
269. Литвак Ш.И., Шевцова Л.К., Романенков В.А.И др. Агроэкологический
полигон - новая форма агрохимического полевого эксперимента //
Агрохимия. 1997. № 5. С. 89-95.
270. Arrouays D., Vion I., J olivet CI. et al. Variabilite intraparcellaire de quelques pro-
prietes des sols sableux des Land de Gascogne (France) // Etude et gestion sols.
1997. Vol. 4. P. 5-16.
271. Atkinson P.M. Technical note on estimating measurement error in remotely-sensed
images with the variogram // Intern. J. Remote Sens. 1997. Vol. 18. P. 3075-3084.
272. Borgelt S.C., Wieda R.E., Subbuth KA. Geostatistical analysis of soil chemical
properties from nested grids // Appl. Eng. Agr. 1997. Vol. 13. P. 477^*83.
273. Bourgault G., Journel A.G., Rhoades J.D. et al. Geostatistical analysis of a soil
salinity data set // Adv. Agron. 1997. Vol. 58. P. 241-292.
274. Brus DJ., De GruijterJJ. Random sampling or geostatistical modelling? Choosing
between design-based and model-based sampling strategies for soil (with
discussion) // Geoderma. 1997. Vol. 80. P. 1^4.
275. Burrough PA., Van Gaans P.F.M., Hootsmans R. Continuous classification in soil
survey: spatial correlation, confusion and boundaries // Ibid. Vol. 77. P. 115-135.
276. Burrough PA., Van Gaans P.FM., Hootsmans R. et al. Issues in the use, design and
evolution of process scheduling and planning systems // ISA Trans. 1997. Vol. 36.
P. 81-121.
277. Buttle J.M., House DA. Spatial variability of saturated hydraulic conductivity in
shallow macroporous soils in a forested basin // J. Hydrol. 1997. Vol. 203.
P. 127-142.
148
278. Chien YJ., Lee D.Y., Guo H.Y., Houng K.H. Geostatistical analysis of soil
properties of mid-west Taiwan soils // Soil Sci. 1997. Vol. 162.
P. 291-298.
279. Cook S.E., Coles NA. A comparison of soil survey methods in relation to catchment
hydrology // Austral. J. Soil Res. 1997. Vol. 35. P. 1379-1396.
280. De Gruijter J J., Walvoort DJJ., Van Gaans P.F.M. Continuous soil maps - a
fuzzy set approach to bridge the gap between aggregation levels of process and
distribution models // Geoderma. 1997. Vol. 77. P. 169-195.
281. Dobermann A., Goovaerts P., Neue H.U. Scale-dependent correlations among soil
properties in two tropical lowland rice fields // Soil Sci. Soc. Amer. J. 1997. Vol. 61.
P. 1483-1496.
282. Durrani SA., KhayratAH., Oliver MA., Badr I. Estimating soil radon
concentration by kriging in the Biggin area of Derbyshire (UK) // Radiat. Measurements.
1997. Vol. 28. P. 633-639.
283. Goovaerts P. Geostatistics for natural resources evaluation. N.Y.: Oxford Univ.
press, 1997. 483 p.
284. Goovaerts P., Webster R., Dubois J.P. Assessing the risk of soil contamination in
the Swiss Jura using indicator geostatistics // Environ. Ecol. Stat. 1997. Vol. 4.
P. 31^8.
285. Guimaraes Couto E., Stein A., Klamt E. Large area spatial variability of soil
chemical properties in central Brazil // Agriculture, Ecosystems, Environment. 1997.
Vol. 66. P. 139-152.
286. Hendricks Franssen HJ.W.M., Van Eijnsbergen A.C., Stein A. Use of spatial
prediction techniques and fuzzy classification for mapping soil pollutants // Geoderma.
1997. Vol. 77. P. 243-262.
287. Kohl M., Gertner G. Geostatistics in evaluating forest damage surveys:
considerations on methods for describing spatial distributions // Forest Ecol. Manag. 1997.
Vol. 95. P. 131-140.
288. Kuzyakova I., Kuzyakov Y.t Thomas E. Wirkung des Microreliefs auf die raumliche
Variabilitat des Kohlenstoffgehaltes eines Podzoluvisols in einem dauerversuch //
Ztschr. Pflanzenernahr. und Bodenk. 1997. Bd. 160. S. 555-561.
289. Lark R.M., Bolam H.C. An uncertainty in the prediction and interpretation of
spatially variable data on soils // Geoderma. 1997. Vol. 77. P. 263-282.
290. Lark RM., Bolam H.C, Bluvshtein I.G. On-line calibrated measuring systems and
their characteristics // ISA Trans. 1997. Vol. 36. P. 167-181.
291. Liski J., Westman С J. Carbon storage in forest soil of Finland. 2. Size and
regional pattern // Biogeochemistry. 1997. Vol. 36. P. 261-274.
292. Marriott С A., Hudson G., Hamilton D. et al. Spatial variability of soil total С and
N and their stable isotopes in an upland Scottish grassland // Plant and Soil. 1997.
Vol. 196. P. 151-162.
293. McBratney A.B., Odeh I.OA., KappelhoffR. Integration of ERP to the final control
elements // ISA Trans. 1997. Vol. 36. P. 229-238.
294. Oliver MA., Frogbrook Z., Webster R., Dawson С J. A rational strategy for
determining the number of cores for bulked sampling of soil // Precision Agriculture.
1997. P. 155-162.
295. Pebesma EJ., De Kwaadsteniet J.W. Mapping groundwater quality in the
Netherlands // J. Hydrol. 1997. Vol. 200. P. 364-386.
296. Qian S.S. Estimating the area affected by phosphorus runoff in an Everglades
wetland: A comparison of universal kriging and Bayesian kriging // Environ. Ecol. Stat.
1997. Vol. 4. P. 1-29.
297. Richter Ch., Kuzyakova I., Kroschewski B. Trendidentifikation und Heterogenic in
beprobten Flachen // Ztschr. Agrarinformatik. 1997. H. 3. S. 60-70.
149
298. Rossi J.-P., Lavelle P., Albrecht A. Relationships between spatial pattern of the
endogeic earthworm Polypheretima elongate and soil heterogeneity // Soil Biol, and
Biochem., 1997. Vol. 29. P. 485-488.
299. Scheinost A.C., Sinowski W., Auerswald K. Regionalization of soil water retention
curves in a highly variable soilscape. I. Developing a new pedotransfer function //
Geoderma. 1997. Vol. 78. P. 129-143.
300. Sinowski W., Scheinost A.C., Auerswald K. Regionalization of soil water retention
curves in a highly variable soilscape. II. Comparison of regionalization procedures
using a pedotransfer function // Ibid. P. 145-159.
301. Stein A., Brouwer /., Bouma J. Methods for comparing spatial variability patterns
of millet yield and soil data // Soil Sci. Soc. Amer. J. 1997. Vol. 61. P. 861-870.
302. Theocharopoulos S.P., Petrakis P.V., Trikatsoula A. Multivariate analysis of soil
grid data as a soil classification and mapping tool: The case study of a homogeneous
plain in Vagia, Viotia, Greece // Geoderma. 1997. Vol. 77. P. 63-79.
303. Thornton P.K., Booltink H.W.G., Stoorvogel J J. A computer program for geosta-
tistical and spatial analysis of crop model outputs // Agron. J. 1997. Vol. 89.
P. 620-627.
304. Vieira SJ?., Nielsen D.R., BiggarJ.W., Tillotson P.M. The scaling of semivariograms
and the kriging estimation // Rev. brasil. cienc. solo. 1997. Vol. 21. P. 525-533.
305. Webster /?., McBratney A.B. Discussion of: D.J. Brus and J.J. de Gruijter. Random
sampling or geostatistical modelling? Choosing between design-based and model-
based sampling strategies for soil // Geoderma. 1997. Vol. 80. P. 53-54.
1998
306. Демьянов В.В., Каневский М.Ф., Савельева ЕЛ. и др. Совместное
стохастическое моделирование пространственной вариабельности и
неопределенности 9°Sr и ^Sr. M.: ИБРАЭ, 1998. 27 с.
307. Abbaspour K.C., Schulin R., Van Genuchten M.Th., Schlappi E. An alternative to
cokriging for situations with small sample sizes // Math. Geol. 1998. Vol. 30.
P. 259-274.
308. Bardossy A., Lehmann W. Spatial distribution of soil moisture in a small catchment.
Pt 1. Geostatistical analysis // J. Hydrol. 1998. Vol. 206. P. 1-15.
309. Bernoux M., Arrouays £>., Cerri С et al. Estimation des stocks de carbone des sols
du Rondonia (Amazonie bresilienne) // Etude et gestion sols. 1998. Vol. 5.
P. 31^2.
310. Bhatti A.U., Hussain F., Ullah F., Khan MJ. Use of spatial patterns of soil
properties and wheat yield in geostatistics for determination of fertilizer rates // Commun.
Soil Sci. Plant Anal. 1998. Vol. 29. P. 509-522.
311. Boucneau G., Van Meirvenne M., Thas O., Hofinan G. Integrating properties of soil
map delineations into ordinary kriging // Europ. J. Soil Sci. 1998. Vol. 49.
P. 213-229.
312. Cannavacciuolo M., Bellido A., Cluzeau D. et al. A geostatistical approach to the
study of earthworm distribution in grassland // Appl. Soil Ecol., 1998. Vol. 9.
P. 345-349.
313. Castrignand A., Mazzoncini M., Giugliarini L. Spatial characterization of soil
properties //Adv. Geoecol. 1998. Vol. 31. P. 105-111.
314. Chappell A. Using remote sensing and geostatistics to map 137Cs-derived net soil
flux in south-west Niger // J. Arid. Environ. 1998. Vol. 39. P. 441-455.
315. Davies A., Brady Т., Utset A. et al. A geostatistical method for soil salinity sample
site spacing // Geoderma. 1998. Vol. 86. P. 143-151.
316. Guillobez S., ArnaudM. Regionalized soil roughness indices // Soil Till. Res. 1998.
Vol. 45. P. 419-432.
150
317. GoovaertsP. Geostatistical tools for characterizing the spatial variability of
microbiological and physico-chemical soil properties // Biol. Fertil. Soil. 1998. Vol. 27.
P. 315-334.
318. Goovaerts P. Ordinary cokriging revisited // Math. Geol. 1998. Vol. 30. P. 21-42.
319. Gorres JH„ Dichiaro MJ. Lyons J£., Amador J A. Spatial and temporal patterns
of soil biological activity in a forest and an old field // Soil Biol, and Biochem.
1998. Vol. 30. P. 219-230.
320. Hendriks LAM., Leummens H., Stein A., De Bruijn PJ. Use of soft data in a GIS
to improve estimation of the volume of contaminated soil // Water, Air, Soil Pollut.
1998. Vol. 101. P. 217-234.
321. Hoosbeek M.R. Incorporating scale into spatio-temporal variability: applications to
soil quality and yield data // Geoderma. 1998. Vol. 85. P. 113-131.
322. Hoosbeek МЯ., Bouma J. Obtaining soil and land quality indicators using research
chains and geostatistical methods // Nutr. Cycling Agroecosyst. 1998. Vol. 50.
P. 35-50.
323. Hoosbeek МЯ., Stein A., Van Reuler H., Janssen BJH. Interpolation of agronomic
data from plot to field scale: Using a clustered versus a spatially randomized block
design // Geoderma. 1998. Vol. 81. P. 265-280.
324. Hoosbeek МЯ., Stein A., Van Reuler H. et al. Diffraction of a spherical
electromagnetic wave by a perfectly conducting strip in a biisotropic medium // Intern. J.
Eng. Sci. 1998. Vol. 36. P. 669-681.
325. Indcio MM., Pereira V., Pinto M.S. Mercury contamination in sandy soils
surrounding an industrial emission source (Estarreja, Portugal) // Geoderma. 1998.
Vol. 85. P. 325-339.
326. Juang K.W., Lee D.Y. A comparison of three kriging methods using auxiliary
variables in heavy-metal contaminated soils // J. Environ. Qual. 1998. Vol. 27.
P. 355-363.
327. Juang K.W., Lee D.Y., Hsiao C.K. Kriging with cumulative distribution function of
order statistics for delineation of heavy-metal contaminated soils // Soil Sci. 1998.
Vol. 163. P. 797-804.
328. Kanevski M.F. Spatial predictions of soil contamination using general regression
neural networks // Intern. J. Systems Res. Informational Sci. 1998. Vol. 8.
P. 241-256.
329. Kuperman R.G., Williams G.P., Parmelee R.W. Spatial variability in the soil food-
webs in a contaminated grassland ecosystem // Appl. Soil Ecol. 1998. Vol. 9.
P. 509-514.
330. Lark R.M., Beckett РЛ.Т. A geostatistical descriptor of the spatial distribution of
soil classes, and its use in predicting the purity of possible soil map units //
Geoderma. 1998. Vol. 83. P. 243-267.
331. Lobo A., Moloney K., Chic 0., Chiariello N. Analysis of fine-scale spatial pattern
of a grassland from remotely-sensed imagery and field collected data // Landscape
Ecol. 1998. Vol. 13. P. 111-131.
332. Meuli R., Schulin R., Webster R. Experience with the replication of regional survey
of soil pollution // Environ. Pollut. 1998. Vol. 101. P. 311-320.
333. Odeh I.OA., Todd A J. Triantafilis J. McBratney A.B. Status and trends of soil
salinity at different scales: the case for the irrigated cotton growing region of
eastern Australia // Nutr. Cycling Agroecosyst. 1998. Vol. 50. P. 99-107.
334. Pardo-Iguzquiza E., Dowd PA. Maximum likelihood inference of spatial covari-
ance parameters of soil properties // Soil Sci. 1998. Vol. 163. P. 212-219.
335. Rasiah V., Aylmore LA.G. Computed tomography data on soil structural and
hydraulic parameters assessed for spatial continuity by semivariance geostatistics //
Austral. J. Soil Res. 1998. Vol. 36. P. 485-494.
151
336. Saldana A., Stein A., Zinck J.A. Spatial variability of soil properties at different
scales within three terraces of the Henares River (Spain) // Catena. 1998. Vol. 33.
P.139-153.
337. Schlesinger W.H., Pilmanis AM. Plant-soil interactions in deserts //
Biogeochemistry. 1998. Vol. 42. P. 169-187.
338. Stein A. Analysis of space-time variability in agriculture and the environment with
geostatistics // Statistica neerl. 1998. Vol. 52. P. 18-41.
339. Stein A., Bastiaanssen W.G.M., De Bruin S. et al. Integrating spatial statistics and
remote sensing // Intern. J. Remote Sens. 1998. Vol. 19. P. 1793-1814.
340. Stein A., Droogers P., Booltink H. Point processes and random sets for analyzing
patterns of methylene blue coloured soil // Soil Till. Res. 1998. Vol. 46.
P. 273-288.
341. Tao S. Factor score mapping of soil trace element contents for the Shenzhen area //
Water, Air, Soil Pollut. 1998. Vol. 102. P. 415-425.
342. Utset A., Ruiz M.E., Herrera J., Ponce de Leon D. A geostatistical method for soil
salinity sample site spacing // Geoderma. 1998. Vol. 86. P. 143-151.
343. Van den Pol-van Dasselaar A., Van Beusichem ML., Oenema O. Effects of soil
moisture content and temperature on methane uptake by grasslands on sandy soils //
Plant and Soil. 1998. Vol. 204. P. 213-222.
344. Wang XJ. Qi F. The effects of sampling design on spatial structure analysis of
contaminated soil // Sci. Total Environ., 1998. Vol. 224. P. 29-41.
345. Western A.W., Bloschl G., Grayson R.B. Geostatistical characterisation of soil
moisture patterns in the Tarrawarra catchment // J. Hydrol. 1998. Vol. 205. P. 20-37.
1999
346. Демьянов В.В., Каневский М.Ф. Описание пространственной
вариабельности и неопределенности. Стохастическое моделирование // Проблемы
окружающей среды и природных ресурсов: Обзор, информ. М.: ВИНИТИ,
1999. Вып. 11. С. 99-113.
347. Демьянов В.В., Каневский М.Ф., Савельева ЕЛ. Элементы вероятностного
картирования. Индикаторный кригинг // Там же. С. 88-98.
348. Демьянов В.В., Каневский М.Ф., Савельева ЕЛ., Чернов СЮ. Вариогра-
фия: Исследование и моделирование пространственных корреляционных
структур // Там же. С. 33-54.
349. Джонгман Р.Г.Г., Тер Браак СДж.Ф., Ван Тонгерен О.Ф.Р. Анализ данных
в экологии сообществ и ландшафтов. М.: РАСХН, 1999. 306 с.
350. Каневский М.Ф., Демьянов В.В. Введение в методы анализа данных по
окружающей среде // Проблемы окружающей среды и природных ресурсов:
Обзор, информ. М.: ВИНИТИ, 1999. Вып. 11. С. 2-12.
351. Каневский М.Ф., Демьянов В.В., Савельева ЕЛ. Многопеременная
геостатистика: совместные пространственные интерполяции коррелированных
переменных // Там же. С. 68-87.
352. Каневский М.Ф., Демьянов В.В., Савельева ЕЛ., Чернов СЮ. Кригинг и
базовые модели геостатистики // Там же. С. 55-67.
353. Каневский М.Ф., Демьянов В.В., Савельева ЕЛ., Чернов СЮ. Основные
понятия и элементы геостатистики // Там же. С. 26-32.
354. Каневский М.Ф., Демьянов В.В., Чернов С.Ю., Тимонин ВЛ.
Геостатистика и геоинформационные системы // Там же. С. 114-121.
355. Кравецкий А.С, Демьянов В.В., Каневский М.Ф. и др. Картирование
пространственных данных при помощи многослойного персептрона и
геостатистики. М.: ИБРАЭ, 1999. 41 с.
152
356. Полуэктов РА., Смоляр Э.И., Якушев В.П. Концепция опытного дела и
развитие современных методов исследований в агрохимии и агрофизике //
Вестн. РАСХН. 1999. № 2. С. 15-17.
357. Савельева Е.А., Демьянов В.В., Чернов СЮ. Детерминистические
методы пространственной интерполяции // Проблемы окружающей среды и
природных ресурсов: Обзор, информ. М.: ВИНИТИ, 1999. Вып. 11.
С. 13-25.
358. Самсонова В.П., Мешалкина ЮЛ., Дмитриев ЕА. Структуры
пространственной вариабельности агрохимических свойств пахотной
дерново-подзолистой почвы // Почвоведение. 1999. № 11. С. 1359-1366.
359. Соломатова Е.А., Красилъников П.В., Сидорова В.А. Строение и
пространственная вариабельность лесной подстилки в ельнике черничном зе-
леномошном Средней Карелии // Там же. № 6. С. 764-733.
360. Ahn C.-W., Baumgardner M.F., BiehlLL. Delineation of soil variability using geo-
statistics and fuzzy clustering analyses of hyperspectral data // Soil Sci. Soc. Amer.
J. 1999. Vol. 63. P. 142-150.
361. Broos MJ.f Aarts L., Van Tooren C.F.y Stein A. Quantification of the effects of
spatially varying environmental contaminants into a cost model for soil remediation //
J. Environ. Manag. 1999. Vol. 56. P. 133-145.
362. Bruckner A., Kandeler E., Kampichler C. Plot-scale spatial patterns of soil water
content, pH, substrate-induced respiration and N mineralization in a temperate
coniferous forest // Geoderma. 1999. Vol. 93. P. 207-223.
363. Brus DJ. Spatjens L.E.E.M., De GruijterJJ. A sampling scheme for estimating the
mean extractable phosphorus concentration of fields for environmental regulation //
Ibid. Vol. 89. P. 129-148.
364. Castrignand A., Stelluti M. Fractal geometry and geostatistics for describing
the field variability of soil aggregation // J. Agr. Eng. Res. 1999. Vol. 73.
P. 13-18.
365. ChappellA. The limitations of using 137Cs for estimating soil redistribution in semi-
arid environments // Geomorphology. 1999. Vol. 29. P. 135-152.
366. Chiles J.P.у Delfiner P. Geostatistics: modeling spatial uncertainty. N.Y.: Wiley,
1999. (Wiley ser. in probability and statistics).
367. Dowdall M., O'Dea /. Comparison of point estimation techniques in the spatial
analysis of radium-226, radium-228 and potassium-40 in soil // Environ. Monk.
Asses. 1999. Vol. 59. P. 191-209.
368. Durrani SA. Radon concentration values in the field: correlation with underlying
geology // Radiat. Measurements. 1999. Vol. 31. P. 271-276.
369. Einax J.W., Soldt U. Geostatistical and multivariate statistical methods for the
assessment of polluted soils-merits and limitations // Chemomterics Intel. Lab.
Systems. 1999. Vol. 46. P. 79-91.
370. Finke PA., Wladis D., Kros J. et al. Quantification and simulation of errors in
categorical data for uncertainty analysis of soil acidification modeling // Geoderma.
1999. Vol. 93. P. 177-194.
371. Geypens M., Vanongeval L., Vogels N., Meykens J. Spatial variability of
agricultural soil fertility parameters in a gleyic podzol of Belgium // Precision Agriculture.
1999. Vol. LP. 319-326.
372. Goovaerts P. Geostatistical tools for deriving block-averaged values of soil
properties // J. Environ. Qual. 1999. Vol. 7. P. 274-305.
373. Goovaerts P. Geostatistics in soil science: state-of-the-art and perspectives //
Geoderma. 1999. Vol. 89. P. 1-45.
374. Goovaerts P. Using elevation to aid the geostatistical mapping of rainfall erosivi-
ty // Catena. 1999. Vol. 34. P. 227-242.
153
375. Goren M., Ortal R., Sinowski W., Auerswald K. Using relief parameters in a
discriminant analysis to stratify geological areas with different spatial variability of
soil properties // Geoderma. 1999. Vol. 89. P. 113-128.
376. Heisel Т., Ersboll A.K., Andreasen Ch. Weed mapping with co-kriging using soil
properties // Precision Agriculture, 1999. Vol. 1. P. 39-52.
377. Henriquez M., Viloria J. Numero de observaciones para estimar semivariogramas
de algunas propiedades de suelo у distancias de muestreo // Agron. Trop. 1999.
Vol. 49. P. 5-17.
378. Heuvelink G.BM., Pebesma EJ. Spatial aggregation and soil process modeling //
Geoderma. 1999. Vol. 89. P. 47-65.
379. Ishida Т., Ando H. Use of disjunctive cokriging to estimate soil organic matter from
Landsat Thematic Mapper image // Intern. J. Remote Sensing. 1999. Vol. 20.
P. 1549-1565.
380. Jacques D., Mouvet Ch., Mohanty B. et al. Spatial variability of atrazine sorption
parameters and other soil properties in a podzoluvisol // J. Contaminant Hydrol.
1999. Vol. 36. P. 31-52.
381. Kanevski M., Arutyunyan R., Bolshov L, et al. Mapping of radioactively
contaminated territories with geostatistics and artificial neural networks // Contaminated
forests / Ed. I. Linkov, W.R. Schell. Dordrecht: Kluwer, 1999. P. 249-256.
382. Klironomos /JV., Rillig M.C., Allen M.F. Designing belowground field experiments
with the help of semi-variance and power analyses // Appl. Soil Ecol. 1999. Vol. 12.
P. 227-238.
383. Kollias VJ. Kalivas D.P., Yassouglou NJ. Mapping the soil resources of a recent
alluvial plain in Greece using fuzzy sets in a GIS environment // Europ. J. Soil Sci.
1999. Vol. 50. P. 261-273.
384. Kyriakidis P.C., Journel A.G. Geostatistical space-time models: A review // Math.
Geol. 1999. Vol. 31. P. 651-684.
385. McBratney AS., Pringle MJ. Estimating average and proportional variograms of
soil properties and their potential use in precision agriculture // Precision Agr. 1999.
Vol. 1. P. 125-152.
386. McClanahan T.R., Muthiga NA., Катикиги А.Т. et al. A sampling scheme for
estimating the mean extractable phosphorus concentration of fields for
environmental regulation // Geoderma. 1999. Vol. 89. P. 129-148.
387. McKenzie NJ., Ryan PJ. Spatial prediction of soil properties using environmental
correlation // Ibid. P. 67-94.
388. Mottonen M., Jarvinen E., Hokkanen TJ. et al. Spatial distribution of soil ergosterol
in the organic layer of a mature Scots pine (Pinus sylvestris L.) forest // Soil Biol,
and Biochem. 1999. Vol. 31. P. 503-516.
389. Negro J J., Torres MJ., Van Groenigen J.W. et al. Constrained optimisation of soil
sampling for minimisation of the kriging variance // Geoderma. 1999. Vol. 87.
P. 239-259.
390. Netto AM., Pieritz RA., Gaudet J.P. Field study on the local variability of soil
water content and solute concentration // J. Hydrol. 1999. Vol. 215. P. 23-37.
391. Oberthur Т., Goovaerts P., Dobermann A. Mapping soil texture classes using field
texturing, particle size distribution and local knowledge by both conventional and
geostatistical methods // Europ. J. Soil Sci. 1999. Vol. 50. P. 457-479.
392. Olea RA. Geostatistics for engineers and earth scientists. Boston: Kluwer, 1999.
393. O'Dea J. Dowdall M. Spatial analysis of natural radionuclides in peat overlying a
lithological contact in Co. Donegal, Ireland // J. Eviron. Radioactivity. 1999.
Vol. 44. P. 107-117.
394. Opsomer JD., Ruppert D., Wand M.P. et al. Kriging with nonparametric variance
function estimation // Biometrics. 1999. Vol. 55. P. 704-710.
154
395. Payn T.W., Hill R.B., Hock В.К. et al. Potential for the use of GIS and spatial
analysis techniques as tools for monitoring changes in forest productivity and nutrition,
a New Zealand example // Forest Ecol. Manag. 1999. Vol. 122. P. 187-196.
396. Ponce de Leon D., Pablos P., Balmaseda C, Henriquez M. Variabilidad espacial
del pH, f6sporo у potasio en muestras de suelos de fines de fertilidad en
plantations de cana de azucar en Cuba // Bioagro. 1999. Vol. 11. P. 3-11.
397. Pozdnyakova L., Zhang R. Geostatistical analyses of soil salinity in a large field //
Precision Agriculture. 1999. Vol. 1. P. 153-165.
398. Rover M., Kaiser EA. Spatial heterogeneity within the plough layer: low and
moderate variability of soil properties // Soil Biol, and Biochem. 1999. Vol. 31.
P. 175-187.
399. Selles F., Campbell С A., McConkey E.G. et al. Relationships between biological
and chemical measures of N supplying power and total soil N at field scale // Canad.
J. Soil Sci. 1999. Vol. 79. P. 353-366.
400. Sharmasarkar F.C., Sharmasarkar S., Zhang R. et al. Micro-spatial variability of
soil nitrate following nitrogen fertilization and drip irrigation // Water, Air, Soil
Pollut. 1999. Vol. 116. P. 605-619.
401. Shatar T.M., McBratney A£. Empirical modeling of relationships between sorghum
yield and soil properties // Precision Agriculture. 1999. Vol. 1. P. 249-276.
402. Sinowski W., Auerswald K. Using relief parameters in a discriminant analysis to
stratify geological areas with different spatial variability of soil properties //
Geoderma. 1999. Vol. 89. P. 113-128.
403. Solie J£., Raun W.R., Stone ML. Submeter spatial variability of selected soil and
bermudagrass production variables // Soil Sci. Soc. Amer. J. 1999. Vol. 63.
P. 1724-1733.
404. Sousa V., Pereira L.S. Regional analysis of irrigation water requirements using
kriging. Application to potato crop (Solanum tuberosum L.) at Tras-os-Montes //
Agr. Water Manag. 1999. Vol. 40. P. 221-233.
405. Spatial statistics for remote sensing / Ed. A. Stein et al. Dordrecht: Kluwer, 1999.
406. Stein ML. Interpolation of spatial data: some theory for kriging. N.Y.: Springer, 1999.
407. UtsetA., Castellanos A. Drainage effects on spatial variability of soil electrical
conductivity in a vertisol // Agr. Water Manag. 1999. Vol. 38. P. 213-222.
408. Van Es HM., Ogden C£., Hill RL. et al. Integrated assessment of space, time, and
management-related variability of soil hydraulic properties // Soil Sci. Soc. Amer.
J. 1999. Vol. 63. P. 1599-1608.
409. Van Groenigen J.W., Siderius W., Stein A. Constrained optimisation of soil
sampling for minimisation of the kriging variance // Geoderma. 1999. Vol. 87.
P. 239-259.
410. Vargas-Guzmdan J A., Warrick A.W., Myers D.E. Multivariate correlation in the
framework of support and spatial scales of variability // Math. Geol. 1999. Vol. 31.
P. 85-103.
411. Weissmann G.S., Carle S.F., Fogg G.E. Three-dimensional hydrofacies modeling
based on soil surveys and transition probability geostatistics // Water Resour. Res.
1999. Vol. 35. P. 1761-1770.
412. Wendroth O., Rogasik H., Koszinski S. et al. State-space prediction of field-scale
soil water content time series in a sandy loam // Soil Till. Res. 1999. Vol. 50.
P. 85-93.
413. Western A.W., Bloschl G. On the spatial scaling of soil moisture // J. Hydrol. 1999.
Vol. 217. P. 203-224.
414. Wirth SJ. Soil microbial properties across an encatchment in the moraine,
agricultural landscape of Northeast Germany // Geomicrobiol. J. 1999. Vol. 16.
P. 207-219.
155
415. Yao Т. Nonparametric cross-covariance modeling as exemplified by soil heavy
metal concentrations from the Swiss Jura // Geoderma. 1999. Vol. 88. P. 13-38.
2000
416. Сидорова В.А., Соломатова E.A. Пространственная вариабельность
лесной подстилки в ельниках Восточной Фенноскандии // Экологические
функции почв Восточной Фенноскандии. Петрозаводск: Карел, науч. центр
РАН, 2000. С 142-151.
417. Хохлов Н.Ф. Методологические и геостатические аспекты сравнительных
агрофизических исследований почв в стационарном полевом опыте // Докл.
ТСХА. 2000. Вып. 271. С. 30-35.
418. Andronikov S.V., Davidson DA., Spiers R.B. Variability in contamination by heavy
metals: sampling implications // Water, Air, Soil Pollut. 2000. Vol. 120. P. 29-45.
419. Atkinson P.M., Lewis P. Geostatistical classification for remote sensing: an
introduction // Сотр. Geosci. 2000. Vol. 26. P. 361-371.
420. Bocchi S., Castrignand A., Fornaro F., Maggiore T. Application of factorial krig-
ing for mapping soil variation at field scale // Europ. J. Agron. 2000. Vol. 13.
P. 295-308.
421. Bogaert N.t Vermoesen A., Salomez J. et al. The within field variability of mineral
nitrogen in grassland // Biol. Fert. Soils. 2000. Vol. 32. P. 186-193.
422. Bourennane H., King D.y Couturier A. Comparison of kriging with external drift
and simple linear regression for predicting soil horizon thickness with different
sample densities // Geoderma. 2000. Vol. 97. P. 255-271.
423. Castrignand A., Giugliarini L., Risaliti R., Martinelli N. Study of spatial
relationships among some soil physico-chemical properties of a field in central Italy using
multivariate geostatistics // Ibid. P. 39-60.
424. Castrignand A., Goovaerts P., Lulli L., Bragato G. A geostatistical approach to
estimate probability of occurrence of Tuber melanosporum in relation to some soil
properties // Ibid. Vol. 98. P. 95-113.
425. Chevallier Т., Voltz M., Blanchart E. et al. Spatial and temporal changes of soil С
after establishment of a pasture on a long-term cultivated vertisol (Martinique) //
Ibid. Vol. 94. P. 43-58.
426. Christakos G. Modern spatiotemporal geostatistics. N.Y.: Oxford Univ. press, 2000.
427. Clark I., Harper W. Practical geostatistics. Book and CD. Ecosse North America,
LLC. 2000.
428. Dinel H., Nolin M.C. Spatial and temporal variability of extractable lipids as
influenced by cropping history // Soil Sci. Soc. Amer. J. 2000. Vol. 64. P. 177-184.
429. Faechner Т., Pyrcz M., Deutsch C.V. Soil remediation decision making in presence
of uncertainty in crop yield response // Geoderma. 2000. Vol. 97. P. 21-38.
430. Finke PA. Updating the 1 : 50,000 Dutch groundwater table class map by
statistical methods: an analysis of quality versus cost // Ibid. P. 329-350.
431. Gallardo A., Rodriguez Saucedo J J. Covelo F., Ferndndez Ales R. Soil nitrogen
heterogeneity in a Dehesa ecosystem // Plant and Soil. 2000. Vol. 222. P. 71-82.
432. GolaszewskiJ. Statistical treatment of spatial variability in field trials // Natural
sciences. Olsztyn, 2000. P. 159-176.
433. Goovaerts P. Estimation or simulation of soil properties? An optimization problem
with conflicting criteria // Geoderma. 2000. Vol. 97. P. 165-186.
434. Grundmann G.L., Debouzie D. Geostatistical analysis of the distribution of NHj
and NO2 -oxidizing bacteria and serotypes at the millimeter scale along a
soil transect // FEMS Microbiol. Ecol. 2000. Vol. 34. P. 57-62.
156
435. Lagacherie P., Voltz M. Predicting soil properties over a region using sample
information from a mapped reference area and digital elevation data: A conditional
probability approach // Geoderma. 2000. Vol. 97. P. 187-208.
436. Lark RM. A comparison of some robust estimators of the variogram for use in soil
survey // Europ. J. Soil. Sci. 2000. Vol. 51. P. 137-157.
437. Lark RM. A geostatistical extension of the sectioning procedure for disaggregating
soil information to the scale of functional models of soil processes // Geoderma.
2000. Vol. 95. P. 89-112.
438. Lark RM. Designing sampling grids from imprecise information on soil
variability, an approach based on the fuzzy kriging variance // Ibid. Vol. 98. P. 35-59.
439. Lark RM. Estimating variograms of soil properties by the method-of-moments and
maximum likelihood // Europ. J. Soil. Sci. 2000. Vol. 51. P. 717-728.
440. McBratney A., Odeh I.OA., Bishop T.FA. et al. An overview of pedometric
techniques for use in soil survey // Geoderma. 2000. Vol. 97. P. 293-327.
441. Moustafa MM. A geostatistical approach to optimize the determination of
saturated hydraulic conductivity for large-scale subsurface drainage design in Egypt //
Agr. Water Manag. 2000. Vol. 42. P. 291-312.
442. Munoz Melendez G., Korre A., Parry SJ. Influence of soil pH on the fractionation
of Cr, Cu and Zn in solid phases from a landfill site // Environ. Pollut. 2000.
Vol. 110. P. 497-504.
443. Odeh I.OA., McBratney A.B. Using AVHRR images for spatial prediction of clay
content in the lower Namoi Valley of eastern Australia // Geoderma. 2000. Vol. 97.
P. 237-254.
444. Paz Gonzalez A., Vieira S.R., Taboada Castro M.T. The effect of cultivation on the
spatial variability of selected properties of an umbric horizon // Ibid. P. 273-292.
445. Shi Z., Wang K., Bailey J.S. et al. Sampling strategies for mapping soil phosphorus
and soil potassium distributions in cool temperate grassland // Precision
Agriculture. 2000. Vol. 2. P. 347-357.
446. Shinn NJ. Bing-Canar J. Cailas M. et al. Determination of spatial continuity of soil
lead levels in an urban residential neighborhood // Environ. Res. 2000. Vol. 82.
P. 46-52.
441.Stoyan H., De-Polli H., Bohm S. et al. Spatial heterogeneity of soil respiration
and related properties at the plant scale // Plant and Soil, 2000. Vol. 222.
P. 203-214.
448. Utset A., Ldpez Т., Diaz M. A comparison of soil maps, kriging and a combined
method for spatially predicting bulk density and field capacity of ferralsols in the
Havana-Matanzas Plain // Geoderma. 2000. Vol. 96. P. 199-213.
449. Van Groenigen J.W. The influence of variogram parameters on optimal sampling
schemes for mapping by kriging // Ibid. Vol. 97. P. 223-236.
450. Van Groenigen J.W., Gandah M., Bouma J. Soil sampling strategies for precision
agriculture research under Sahelian conditions // Soil Sci. Soc. Amer. J. 2000.
Vol. 64. P. 1674-1680.
451. Webster R. Is soil variation random? // Geoderma. 2000. Vol. 97. P. 149-163.
2001
452. Благовещенский Ю.Н., Самсонова В.П. Использование показателя
"фрактальной размерности" для характеристики вариабельности мощности
гумусового горизонта на разновозрастных отвалах // Почвоведение. 2001. № 5.
С. 544-548.
453. Кузякова И.Ф., Романенков В.А., Кузяков Я.В. Метод геостатистики в поч-
венно-агрохимических исследованиях // Там же. № 9. С. 1132-1139.
157
454. Кузякова И.Ф., Романенков В А., Кузяков Я.В. Применение метода
геостатистики при обработке результатов почвенных и агрохимических
исследований // Там же. № 11. С. 1365-1376.
455. Мешал кипа ЮЛ. Геостатистика как инструмент исследования
пространственной вариации почвенных свойств // Масштабные эффекты при
исследовании почв. М., 2001. С. 153-162.
456. Самсонова В.П., Жарова Е.В., Железова СВ. Использование методов
геостатистики для картирования засоренности сельскохозяйственных
посевов // Докл. ТСХА. 2001. Вып. 273, ч. 1. С. 60-66.
457. Шеин Е.В., Иванов АЛ., Бутылкина МА., Маз up о в МА.
Пространственно-временная изменчивость агрофизических свойств комплекса серых
лесных почв в условиях интенсивного сельскохозяйственного использования //
Почвоведение. 2001. № 5. С. 578-585.
458. Якушев В.П., Полуэктов РА., Смоляр Э.И., Топаж AT. Точное
земледелие. Аналитический обзор // Агрохим. вестн. 2001. № 5. С. 27-34.
459. Bergstrom D.W., Monreal СМ., Jacques E. Spatial dependence of soil organic
carbon mass and its relationship to soil series and topography // Canad. J. Soil Sci.
2001. Vol. 81. P. 53-62.
460. Bishop T.FA., McBratney A.B. A comparison of prediction methods for the
creation of field-extent soil property maps // Geoderma. 2001. Vol. 103.
P. 149-160.
461. Boruvka L., KozdkJ. Geostatistical investigation of a reclaimed dumpsite soil with
emphasis on aluminum // Soil Till. Res. 2001. Vol. 59. P. 115-126.
462. Brandhorst-HubbardJL., Flanders KL., Mankin R.W. et al. Mapping of soil insect
infestations sampled by excavation and acoustic methods // J. Econ. Entomol. 2001.
Vol. 94. P. 1452-1458.
463. Brooker PI. Modelling spatial variability using soil profiles in the Riverland of
South Australia // Environ. Intern. 2001. Vol. 27. P. 121-126.
464. Carlon C, Critto A., Marcomini A., Nathanail P. Risk based characterisation of
contaminated industrial site using multivariate and geostatistical tools // Environ.
Pollut. 2001. Vol. 111. P. 417-427.
465. Chaplot V., Walter C, Curmi P., Hollier-Larousse A. Mapping field-scale hydro-
morphic horizons using Radio-MT electrical resistivity // Geoderma. 2001.
Vol. 102. P. 61-74.
466. Decaens Т., Rossi J.P. Spatio-temporal structure of earthworm community and soil
heterogeneity in a tropical pasture // Ecography. 2001. Vol. 24. P. 671-682.
467. Facchinelli A., Sacchi E., Mallen L. Multivariate statistical and GIS-based approach
to identify heavy metal sources in soils // Environ. Pollut. 2001. Vol. 114.
P. 313-324.
468. Fennessy M.S., Mitsch WJ. Effects of hydrology on spatial patterns of soil
development in created riparian wetlands // Wetlands Ecol. Manag. 2001. Vol. 9.
P. 103-120.
469. Frogbrook ZL., Oliver MA. Comparing the spatial predictions of soil organic
matter determined by two laboratory methods // Soil Use Manag. 2001. Vol. 17.
P. 235-244.
470. Gaston LA., Locke MA., Zablotowicz R.M., Reddy KJSl. Spatial variability of soil
properties and weed populations in the Mississippi delta // Soil Sci. Soc. Amer. J.
2001. Vol. 65. P. 449-459.
471. Goovaerts P. Geostatistical modelling of uncertainty in soil science // Geoderma.
2001. Vol. 103. P. 3-26.
472. Heuvelink G.BM., Webster R. Modelling soil variation: past, present, and future //
Ibid. Vol. 100. P. 269-301.
158
473. Hirobe M., Ohte N., Karasawa N. et al. Plant species effect on the spatial patterns
of soil properties in the Mu-us desert ecosystem, Inner Mongolia, China // Plant and
Soil. 2001. Vol. 234. P. 195-205.
474. Jimenez J J., Rossi J.-P., Lavelle P. Spatial distribution of earthworms in acid-soil
savannas of the eastern plains of Colombia // Appl. Soil Ecol. 2001. Vol. 17.
P. 267-278.
475. KhayratAH., Oliver MA., Durrani SA. The effect of soil particle size on soil radon
concentration // Radiat. Measurements. 2001. Vol. 34. P. 365-371.
476. Lark RM. Geostatistics for environmental scientists // Europ. J. Soil Sci. 2001.
Vol. 52. P. 526.
477. Lark R.M., Webster R. Changes in variance and correlation of soil properties with
scale and location: analysis using an adapted maximal overlap discrete wavelet
transform // Ibid. P. 547-562.
478. Li Z., Gong Y. Spatial variability of soil water content and electrical conductivity in
field for different sampling scales and their nested models // Plant Nutr. Fertil. Sci.
2001. Vol. 7. P. 255-261.
479. Luyssaert S., Van Meirvenne M., Lust N. Cadmium variability in leaves of a Salix
fragilis and the implications for sampling // Canad. J. Forest Res. 2001. Vol. 31.
P. 313-321.
480. Markus J., McBratney A.B. A review of the contamination of soil with lead: П.
Spatial distribution and risk assessment of soil lead // Environ. Intern. 2001.
Vol. 27. P. 399-411.
481. Mueller T.G., Pierce FJ., Schabenberger O., Warncke D.D. Map quality for site-
specific fertility management // Soil Sci. soc. Amer. J. 2001. Vol. 65. P. 1547-1558.
482. Needelman В A., Gburek WJ., Sharpley AJN., Petersen G.W. Environmental
management of soil phosphorus: Modeling spatial variability in small fields // Ibid.
P. 1516-1522.
483. Oliver MA., Khayrat AL. A geostatistical investigation of the spatial variation of
radon in soil // Comput. Geosci. 2001. Vol. 27. P. 939-957.
484. Pardo Iguzquiza E., Dowd PA. VARIOG2D: a computer program for estimating
the semi-variogram and its uncertainty // Ibid. P. 549-561.
485. Paz Gonzalez A., Taboada Castro M.T., Vieira БЯ. Geostatistical analysis of heavy
metals in a one-hectare plot under natural vegetation in a serpentine area // Canad.
J. Soil Sci. 2001. Vol. 81. P. 469-479.
486. Rew LJ., Whelan В., McBratney A.B. Does kriging predict weed distributions acu-
rately enough for site-specific weed control? // Weed Res. 2001. Vol. 41.
P. 245-263.
487. Schloeder С A., Zimmerman N.E., Jacobs MJ. Comparison of methods for
interpolating soil properties using limited data // Soil Sci. Soc. Amer. J. 2001. Vol. 65.
P. 470-479.
488. Shuster W.D., Subler S., McCoy EL. Deep-burrowing earthworm additions changed
the distribution of soil organic carbon in a chisel-tilled soil // Soil Biol, and
Biochem. 2001. Vol. 33. P. 983-996.
489. Triantafilis J., Odeh I.OA., McBratney A.B. Five geostatistical models to predict
soil salinity from electromagnetic induction data across irrigated cotton // Soil Sci.
Soc. Amer. J. 2001. Vol. 65. P. 869-878.
490. Triantafilis J., Ward W.T., Odeh l.OA., McBratney AB. Creation and interpolation
of continuous soil layer classes in the Lower Namoi valley // Ibid. P. 403-413.
491. Utset A., Cid G. Soil penetrometer resistance spatial variability in a Ferralsol at
several soil moisture conditions // Soil Till. Res. 2001. Vol. 61. P. 193-202.
492. Van Meirvenne M., Goovaerts P. Evaluating the probability of exceeding a site
specific soil cadmium contamination threshold // Geoderma. 2001. Vol. 102. P. 75-100.
159
493. Viscarra Rossel RA., Goovaerts P., McBratney A.B. Assessment of the production
and economic risks of site-specific liming using geostatistical uncertainty modelling //
Environmetrics. 2001. Vol. 12. P. 699-711.
494. Walter C, McBratney A.B., Douaoui A., Minasny B. Spatial prediction of topsoil
salinity in the Chelif valley, Algeria using ordinary kriging with local variog-
rams versus a whole-area variogram // Austral. J. Soil Res. 2001. Vol. 39.
P. 259-272.
495. Wang G., Gertner G., Parysow P., Anderson A. Spatial prediction and uncertainty
assessment of topographic factor for revised universal soil loss equation using
digital elevation models // ISPRS J. Photogram. Remote Sensing. 2001. Vol. 56.
P. 65-80.
496. Webster R. Statistics to support soil research and their presentation // Europ. J. Soil
Sci. 2001. Vol. 52. P. 331-340.
497. Webster R., Oliver MA. Geostatistics for environmental scientists. Chichester:
Wiley, 2001.
498. Yanai J., Lee C.K., Kaho T. et al. Geostatistical analysis of soil chemical properties
and rice yield in a paddy field and application to the analysis of yield-determining
factors // Soil Sci. Plant Nutrit. 2001. Vol. 47. P. 291-301.
499. Zhu AX., Hudson В., Burt J. et al. Soil mapping using GIS, expert knowledge, and
fuzzy logic // Soil Sci. Soc. Amer. J. 2001. Vol. 65. P. 1463-1472.
2002
500. Якушев ВЛ. На пути к точному земледелию. СПб.: ПИЯФ РАН, 2002.
458 с.
501. Якушев В.П., Буре В.М., Брунова Т.М. Статистические методы в
агрофизике // Агрофизика от А.Ф. Иоффе до наших дней. СПб.: АФИ, 2002.
С. 319-330.
502. Якушев В.П., Полуэктов РА., Смоляр Э.И. и др. Точное земледелие:
состояние исследований и задачи агрофизики // Агрофизические и
экологические проблемы сельского хозяйства в XXI в. СПб.: ISTRO, 2002. Т. 3.
С. 26-74.
503. Acosta-Mercado D., Lynn D.H. A preliminary assessment of spatial patterns of soil
ciliate diversity in two subtropical forests in Puerto Rico and its implications for
designing an appropriate sampling approach // Soil Biol, and Biochem. 2002.
Vol. 34. P. 1517-1520.
504. Al-Kayssi A.W. Spatial variability of soil temperature under greenhouse conditions //
Renewable Energy. 2002. Vol. 27. P. 453^62.
505. Alperin M.I., Borges V.G., Sarandon R. Caracterizacion espacial de los tipos de
cobertura de suelo usando tecnicas geoestadisticas a partir de informacion satelital //
Rev. Fac. agron. 2002. Vol. 105. P. 40-51.
506. Anctil F., Mathieu R., Parent L.E. et al. Geostatistics of near-surface moisture in
bare cultivated organic soils // J. Hydrol. 2002. Vol. 260. P. 30-37.
507. Batista A.C., Ferreira da Silva EA., Azevedo M.C.C. et al. Soil data analysis from
Central Portugal by principal component analysis and geostatistical techniques //
Geochemistry: Exploration, Environment, Analysis. 2002. Vol. 2. P. 15-25.
508. Blester H., Muller G., Scholer H.F. Estimating distribution and retention of
mercury in three different soils contaminated by emissions from chlor-alkali plants. Pt I //
Sci. Total Environ. 2002. Vol. 284. P. 177-189.
509. Bogaert P., D'Or D. Estimating soil properties from thematic soil maps: the
bayesian maximum entropy approach // Soil Sci. Soc. Amer. J. 2002. Vol. 66.
P. 1492-1500.
160
510. Carre F., GirardM.C. Quantitative mapping of soil types based on regression krig-
ing of taxonomic distances with landform and land cover attributes // Geoderma.
2002. Vol. 110. P. 241-263.
511. Castrignano A., Maiorana M., Fornaro F., Lopez N. 3D spatial variability of soil
strength and its change over time in a durum wheat field in Southern Italy // Soil
Till. Res. 2002. Vol. 65. P. 95-108.
512. Cattle J A., McBratney AJ5., Minasny B. Kriging method evaluation for assessing
the spatial distribution of urban soil lead contamination // J. Environ. Qual. 2002.
Vol. 31. P. 1576-1588.
513. Conant R.T., Paustian K. Spatial variability of soil organic carbon in grasslands:
implications for detecting change at different scales // Environ. Pollut. 2002.
Vol. 116. P. 127-135.
514. Cousens R.D., Brown R.W., McBratney A.B. et al. Sampling strategy is important
for producing weed maps: a case study using kriging // Weed Sci. 2002. Vol. 50.
P. 542-546.
515. Ettema CM., Wardle DA. Spatial soil ecology // Trends Ecol. and Evol. 2002.
Vol. 17. P. 177-183.
516. Facchinelli A., Magnoni M., Gallini L., Bonifacio E. 137Cs contamination from
Chernobyl of soils in Piemonte (North-West Italy): Spatial distribution and
deposition model // Water, Air, Soil Pollut. 2002. Vol. 134. P. 339-350.
517. Fagroud M., Van Meirvenne M. Accounting for soil spatial autocorrelation in the
design of experimental trials on water-use efficiency // Soil Sci. Soc. Amer. J. 2002.
Vol. 66. P. 1134-1142.
518. Ferreyra RA.t Apeztegua HJ>., Sereno R., Jones J.W. Reduction of soil water
spatial sampling density using scaled semivariograms and simulated annealing //
Geoderma. 2002. Vol. 110. P. 265-289.
519. Frogbrook ZL., Oliver MA., Salahi M., Ellis RM. Exploring the spatial relations
between cereal yield and soil chemical properties and the implications for sampling //
Soil Use Manag. 2002. Vol. 18. P. 1-9.
520. Gallego Л,Я., Ordonez A., Loredo J. Investigation of trace element sources from
an industrialized area (Aviles, northern Spain) using multivariate statistical methods //
Environ. Intern. 2002. Vol. 27. P. 589-5%.
521. GimonaA., Birnie R. Spatio-temporal modelling of broad scale heterogeneity in soil
moisture content: a basis for an ecologically meaningful classification of soil
landscapes // Landscape Ecol. 2002. Vol. 17. P. 27-41.
522. Herbst M., Diekkruger B. The influence of the spatial structure of soil properties on
water balance modeling in a microscale catchment // Phys. and Chem. Earth. Parts
A/B/C. 2002. Vol. 27. P. 701-710.
523. Iggy Litaor M., Seastedt ТЯ., Walker DA. Spatial analysis of selected soil attributes
across an alpine topographic/snow gradient // Landscape Ecol. 2002. Vol. 17. P. 71-85.
524. Juang K.-W., Liou D.-Ch., Lee D.-Y. Site-specific phosphorus application based on
the kriging fertilizer-phosphorus availability index of soils // J. Environ. Qual. 2002.
Vol. 31. P. 1248-1255.
525. Kozar В., Lawrence R., Long D.S. Soil phosphorus and potassium mapping using a
spatial correlation model incorporating terrain slope gradient // Precision
Agriculture. 2002. Vol. 3. P. 407-417.
526. Kravchenko AJV., Bollero GA., Omonode RA.f Bullock D.G. Quantitative mapping
of soil drainage classes using topographical data and soil electrical conductivity //
Soil Sci. Soc. Amer. J. 2002. Vol. 66. P. 235-243.
527. Kros J., Mol-Dijkstra J I*., Pebesma EJ. Assessment of the prediction error in a
large-scale application of a dynamic soil acidification model // Stochastic Environ.
Res. Risk Asses. 2002. Vol. 16. P. 279-306.
II Геостатика ... почв
161
528. Lantuejoul С. Geostatistical simulation, models and algorithms. В.: Springer,
2002.
529. Lark RM. Modelling complex soil properties as contaminated regionalized
variables // Geoderma. 2002. Vol. 106. P. 173-190.
530. Lark RM. Optimized spatial sampling of soil for estimation of the variogram by
maximum likelihood // Ibid. Vol. 105. P. 49-80.
531. LarkRM. Robust estimation of the pseudo cross-variogram for cokriging soil
properties// EuroP. J. Soil Sci. 2002. Vol. 53. P. 253-270.
532. Laverman AM., Borgers P., VerhoefHA. Spatial variation in net nitrate production
in a N-saturated coniferous forest soil // Forest Ecol. Manag. 2002. Vol. 161.
P. 123-132.
533. Lin C.-W. Mapping soil lead and remediation needs in contaminated soils //
Environ. Geochem. Health. 2002. Vol. 24. P. 23-33.
534. Lopez Granados F., Jurado Expdsito M., Atenciano S. et al. Spatial variability of
agricultural soil parameters in southern Spain // Plant and Soil. 2002. Vol. 246.
P. 97-105.
535. Maestre F.T., Cortina J. Spatial patterns of surface soil properties and vegetation in
a Mediterranean semi-arid steppe // Ibid. Vol. 241. P. 279-291.
536. Manta D.S., Angelone M., Bellanca A. et al. Heavy metals in urban soils: a case
study from the city of Palermo (Sicily), Italy // Sci. Total Environ. 2002. Vol. 300.
P. 229-243.
537. Monse M. Regionalisierung bodenschutzbezogener daten in Brandenburg // Arch.
Agron. and Soil Sci. 2002. Vol. 48. P. 49-56.
538. Mulla DJ., McBratney A.B. Soil spatial variability // Soil physics / Ed.
A.W. Warrick. Boca Raton (FL): CRC press, 2002. P. 343-373.
539. Mulla DJ., McBratney AS. Soil spatial variability // Handbook of soil science /
Ed. M.E. Sumner. Boca Raton (FL): CRC press, 2002. P. A321-A352.
540. Oldak A., Jackson TJ., Pachepsky Y. Using GIS in passive microwave soil
moisture mapping and geostatistical analysis // Intern. J. Gegr. Inform. Sci. 2002.
Vol. 16. P. 681-698.
541. Oline D., Grant M. Scaling patterns of biomass and soil properties: an empirical
analysis // Landscape Ecol, 2002. Vol. 17. P. 13-26.
542. Phillips J.D. Spatial structures and scale in categorical maps // Geogr. Environ.
Modelling. 2002. Vol. 6. P. 41-57.
543. Pozdnyakova L., Oudemans P.V., Hughes M.G., Gimenez D. Estimation of spatial
and spectral properties of phytophthora root rot and its effects on cranberry yield //
Comput. Electon. Agr. 2002. Vol. 37. P. 57-70.
544. Stewart СМ., McBratney A.B., SkerrittJH. Site-specific Durum wheat quality and
its relationship to soil properties in a single field in northern New South Wales //
Precision Agriculture. 2002. Vol. 3. P. 155-168.
545. Tominaga T.T., Cdssaro FAM.t Bacchi O.O.S. et al. Variability of soil water
content and bulk density in a sugarcane field // Austral. J. Soil Res. 2002. Vol. 40.
P. 604-614.
546. Van Bodegom PM., Verburg РЛ., Stein A. et al. Effects of interpolation and data
resolution on methane emission estimates from rice paddies // Environ. Ecol. Stat.
2002. Vol. 9. P. 5-26.
547. Van Groenigen J.-W., Van Kessel C. Salinity-induced patterns of natural abundance
carbon-13 and nitrogen-15 in plant and soil // Soil Sci. Soc. Amer. J. 2002. Vol. 66.
P. 489-498.
548. Van Meirvenne M., Goovaerts P. Accounting for spatial dependence in the
processing of multitemporal SAR images using factorial kriging // Intern. J. Remote
Sens. 2002. Vol. 23. P. 371 - 387.
162
549. Wang G., Gertner G., Singh V. et al. Spatial and temporal prediction and
uncertainty of soil loss using the revised universal soil loss equation: a case study of
the rainfall-runoff erosivity R factor // Ecol. Modelling. 2002. Vol. 153.
P. 143-155.
550. Wiles L., Schweizer E. Spatial dependence of weed seed banks and strategies for
sampling // Weed Sci. 2002. Vol. 50. P. 595-606.
551. Wu J., Norvell WA., Hopkins D.G., Welch R.M. Spatial variability of grain
cadmium and soil characteristics in a Durum wheat field // Soil Sci. Soc. Amer. J. 2002.
Vol. 66. P. 268-275.
552. Wyse-PesterD.Y., Wiles LJ., Westra P. Infestation and spatial dependence of weed
seedling and mature weed populations in corn // Weed Sci. 2002. Vol. 50. P. 54-63.
553. Zebarth В J., Rees H., Walsh J. et al. Soil variation within a hummocky podzolic
landscape under intensive potato production // Geoderma. 2002. Vol. 110. P. 19-33.
2003
554. Якушев В.П. Точное земледелие как средство снижения техногенного
воздействия на почву // Вести. РАСХН. 2003. № 1. С. 11-12.
555. Ardahanlioglu О., Oztas Т., Evren S. et al. Spatial variability of exchangeable
sodium, electrical conductivity, soil pH and boron content in salt- and sodium-
affected areas of the Igdir plain (Turkey) // J. Arid Environ. 2003. Vol. 54.
P. 495-503.
556. Assimakopoulos JJi., Kalivas DJ>., Kollias VJ. A GIS-based fuzzy classification
for mapping the agricultural soils for N-fertilizers use // Sci. Total Environ. 2003.
Vol. 309. P. 19-33.
557. Baxter SJ., Oliver MA., Gaunt J. Predicting and understanding the spatial variation
of soil mineral nitrogen and potentially available nitrogen within a field // Precision
Agriculture. 2003. Vol. 4. P. 213-226.
558. Bechini L., Bocchi S., Maggiore T. Spatial interpolation of soil physical properties
for irrigation planning. A simulation study in Northern Italy // EuroP. J. Agron,
2003. Vol. 19. P. 1-14.
559. Bourennane H., King D. Using multiple external drifts to estimate a soil variable //
Geoderma. 2003. Vol. 114. P. 1-18.
560. Bourennane H., Salvador-Blanes S., Cornu S., King D. Scale of spatial dependence
between chemical properties of topsoil and subsoil over a geologically contrasted
area (Massif Central, France) // Ibid. Vol. 112. P. 235-251.
561. Carvalho L.M., Correia PM., Ryel RJ., Martins Louqao MA. Spatial variability of
arbuscular mycorrhizal fungal spores in two natural plant communities // Plant and
Soil. 2003. Vol. 251. P. 227-236.
562. Castrignand A., Maiorana M.t Fornaro F. Using regionalised variables to assess
field-scale spatiotemporal variability of soil impedance for different tillage
management // Biosystems Eng. 2003. Vol. 85. P. 381-392.
563. Cetin M., Kirda C. Spatial and temporal changes of soil salinity in a cotton field
irrigated with low-quality water // J. Hydrol. 2003. Vol. 272. P. 238-249.
564. Chappell A., Warren A. Spatial scales of 137Cs-derived soil flux by wind in a 25
km2 arable area of Eastern England // Catena. 2003. Vol. 52. P. 209-234.
565. Critto A., Carlon C, Marcomini A. Characterization of contaminated soil and
groundwater surrounding an illegal landfill (S. Giuliano, Venice, Italy) by principal
component analysis and kriging // Environ. Pollut. 2003. Vol. 122. P. 235-244.
566. Delin S., Soderstrom M. Performance of soil electrical conductivity and different
methods for mapping soil data from a small dataset // Acta agr. scand. B. 2003.
Vol. 52. P. 127-135.
163
567. Dillon C.G., Lloyd С, Philip L. Identifying short-range and long-range structural
components of a compacted soil: an integrated geostatistical and spectral approach //
Comput. Geosci. 2003. Vol. 29. P. 1277-1290.
568. D'OrD., BogaertP. Continuous-valued map reconstruction with the Bayesian
maximum entropy // Geoderma. 2003. Vol. 112. P. 169-178.
569. Elkateb Т., Chalaturnyk R., Robertson P.K. An overview of soil heterogeneity:
quantification and implications on geotechnical field problems // Canad.
Geotechnol. J. 2003. Vol. 40. P. 1-15.
570. Ersahin S. Comparing ordinary kriging and cokriging to estimate infiltration rate //
Soil Sci. Soc. Amer. J. 2003. Vol. 67. P. 1848-1855.
571. Ettema C.H., Yeates G.W. Nested spatial biodiversity patterns of nematode genera
in a New Zealand forest and pasture soil // Soil Biol. Biochem. 2003. Vol. 35.
P. 339-342.
572. Franklin R.B., Mills A.L. Multi-scale variation in spatial heterogeneity for microbial
community structure in an eastern Virginia agricultural field // FEMS Microbiol.
Ecol. 2003. Vol. 44. P. 335-346.
573. Gallardo A. Effect of tree canopy on the spatial distribution of soil nutrients in a
Mediterranean Dehesa // Pedobiologia. 2003. Vol. 47. P. 117-125.
574. Gallardo A. Spatial variability of soil properties in a floodplain forest in Northwest
Spain // Ecosystems. 2003. Vol. 6. P. 564-576.
575. Glenn NJ7., Carr J.R. The use of geostatistics in relating soil moisture to
RADARS AT-1 SAR data obtained over the Great Basin, Nevada, USA // Comput.
Geosci. 2003. Vol. 29. P. 577-586.
576. Herbst M., Diekkrtiger B. Modelling the spatial variability of soil moisture in a
micro-scale catchment and comparison with field data using geostatistics // Phys.
and Chem. Earth. Parts A/B/C. 2003. Vol. 28. P. 239-245.
577. Hirobe M.y Tokuchi N.t Wachrinrat Ch., Takeda H. Fire history influences on the
spatial heterogeneity of soil nitrogen transformations in three adjacent stands in a
dry tropical forest in Thailand // Plant and Soil. 2003. Vol. 249. P. 309-318.
578. Isla R., Aragties R., Royo A. Spatial variability of salt-affected soils in the middle
Ebro Valley (Spain) and implications in plant breeding for increased productivity //
Euphytica. 2003. Vol. 134. P. 325-334.
579. Jeannee N.f De Fouquet Ch. Apport d'informations qualitatives pour Festimation
des teneurs en milieux heterogenes: Cas d'une pollution de sols par des hydrocar-
bures aromatiques polycycliques // C. re. Geosci. 2003. Vol. 335. P. 441-449.
580. Kerry R., Oliver MA. Variograms of ancillary data to aid sampling for soil surveys //
Precision Agriculture. 2003. Vol. 4. P. 261-278.
581. Kint V., Van Meirvenne M., Nachtergale L. et al. Spatial methods for quantifying
forest stand structure development: a comparison between nearest-neighbor indices
and variogram analysis // Forest Sci. 2003. Vol. 49. P. 36-48.
582. Kravchenko A JV. Influence of spatial structure on accuracy of interpolation
methods // Soil Sci. Soc. Amer. J. 2003. Vol. 67. P. 1564-1571.
583. Lark R.M. Two robust estimators of the cross-variogram for multivariate
geostatistical analysis of soil properties // Europ. J. Soil Sci. 2003. Vol. 54. P. 187-201.
584. Lark R.M., Papritz A. Fitting a linear model of coregionalization for soil properties
using simulated annealing // Geoderma. P. 245-260.
585. McBratney A.B., Mendonqa Santos ML., Minasny B. On digital soil mapping //
Ibid. P. 3-52.
586. McGrath D., Zhang Ch. Spatial distribution of soil organic carbon concentrations in
grassland of Ireland // Appl. Geochem. 2003. Vol. 18. P. 1629-1639.
587. Meul M., Van Meirvenne M. Kriging soil texture under different types of nonsta-
tionarity //Geoderma. 2003. Vol. 112. P. 217-233.
164
588. Moral Garcia FJ. La representation grafica de las variables regionalizadas: geoes-
tadistica lineal. Caceres: Univ. de Extremadura, 2003.
589. Mueller T.G., Pierce FJ. Soil carbon maps: enhancing spatial estimates with
simple terrain attributes at multiple scales // Soil Sci. Soc. Amer. J. 2003. Vol. 67.
P. 258-267.
590. Nunan N., Wu K., Young I.M. et al. Spatial distribution of bacterial communities and
their relationships with the micro-architecture of soil // FEMS Microbiol. Ecol.
2003. Vol. 44. P. 203-215.
591. Sainato C, Galindo G., Pomposiello C. et al. Electrical conductivity and depth of
groundwater at the Pergamino zone (Buenos Aires Province, Argentina) through
vertical electrical soundings and geostatistical analysis //J. S. Amer. Earth Sci.
2003. Vol. 16. P. 177-186.
592. Saito H., Goovaerts P. Selective remediation of contaminated sites using a two-
level multiphase strategy and geostatistics // Environ. Sci. Technol. 2003. Vol. 37.
P. 1912-1918.
593. Sauer TJ., Meek D.W. Spatial variation of plant-available phosphorus in pastures
with contrasting management // Soil Sci. Soc. Amer. J. 2003. Vol. 67. P. 826-836.
594. Schume H., Jost G., Katzensteiner K. Spatio-temporal analysis of the soil water
content in a mixed Norway spruce (Picea abies (L.) Karst.)-European beech (Fagus syl-
vatica L.) stand // Geoderma. 2003. Vol. 112. P. 273-287.
595. Scull P., Franklin J., Chadwick О A., McArthur D. Predictive soil mapping: A
review // Progr. Phys. Geogr. 2003. Vol. 27. P. 171-197.
596. Snepvangers JJJ.C., Heuvelink G£M., Huisman J A. Soil water content
interpolation using spatio-temporal kriging with external drift // Geoderma. 2003.
Vol. 112. P. 253-271.
597. Sun В., Zhou S., Zhao Q. Evaluation of spatial and temporal changes of soil
quality based on geostatistical analysis in the hill region of subtropical China // Ibid.
Vol. 115. P. 85-99.
598. Szildgyi Kishne A., Bringmark E., Bringmark L., Alriksson A. Comparison of
ordinary and lognormal kriging on skewed data of total cadmium in forest soils of
Sweden // Environ. Monitoring Asses. 2003. Vol. 84. P. 243-263.
599. Thayer W.C., Griffith DA., Goodrum P.E. et al. Application of geostatistics to risk
assessment // Risk Anal. 2003. Vol. 23. P. 945-960.
600. Van Meirvenne M. Is the soil variability within the small fields of Flanders
structured enough to allow precision agriculture? // Precision Agriculture. 2003. Vol. 4.
P. 193-201.
601. Van Meirvenne M.f Maesk K., Hofinan G. Three-dimensional variability of soil
nitrate-N in an agricultural field // Biol. Fertil. Soils. 2003. Vol. 37. P. 147-153.
602. Wackernagel H. Multivariate geostatistics. В.; Heidelberg; N.Y.: Springer, 2003.
386 p.
603. Wu J., Norvell WA., Hopkins D.G. et al. Improved prediction and mapping of soil
copper by kriging with auxiliary data for cation-exchange capacity // Soil Sci. Soc.
Amer. J. 2003. Vol. 67. P. 919-927.
604. YanaiJ.y Sawamoto Т., Ое Т. et al. Spatial variability of nitrous oxide emissions and
their soil-related determining factors in an agricultural field // J. Environ. Qual.
2003. Vol. 32. P. 1965-1977.
2004
605. Якушев В.П., Якушева Л.Н., Петрушин А.Ф. и др. О методах
агрохимического обследования сельскохозяйственных угодий в точном земледелии //
Веста. РАСХН. 2004. № 3. С. 32-34.
165
606. Adamchuk V.I., Morgan M.T., Lowenberg-Deboer J.M. A model for agro-
economic analysis of soil pH mapping // Precision Agriculture. 2004. Vol. 5.
P. 111-129.
607. Akselsson C, HolmqvistJ., Alveteg M. et al. Scaling and mapping regional
calculations of soil chemical weathering rates in Sweden // Water, Air, Soil Pollut. 2004.
Vol. 4. P. 671-681.
608. Avendano F., Ierce F.J.P., Melakeberhan H. The relationship between soybean cyst
nematode seasonal population dynamics and soil texture // Nematology. 2004.
Vol. 6. P. 511-525.
609. Avendano F., Pierce F., Melakeberhan И J. Spatial analysis of soybean yield in
relation to soil texture, soil fertility and soybean cyst nematode // Ibid. P. 527-545.
610. Barbizzi S., De Zorzi P., Belli M. et al. Characterisation of a reference site for
quantifying uncertainties related to soil sampling // Environ. Pollut. 2004. Vol. 127.
P.131-135.
611. Bartoli F., Genevois-Gomendy V., Royer J J. et al. A multiscale study of silty soil
structure // EuroP. J. Soil Sci. 2004. Vol. 56. P. 207-224.
612. Bhatti A.U. Using geostatistics to find optimum plot size for field research
experiments // Commun. Soil Sci. Plant Anal. 2004. Vol. 35. P. 2299-2310.
613. Bourennane H., Nicoullaud В., Couturier A., King D. Exploring the spatial
relationships between some soil properties and wheat yields in two soil types //
Precision Agriculture. 2004. Vol. 5. P. 521-536.
614. Bragato G. Fuzzy continuous classification and spatial interpolation in
conventional soil survey for soil mapping of the lower Piave plain // Geoderma. 2004.
Vol. 118. P. 1-16.
615. Brown DJ., Clayton M.K., McSweeney K. Potential terrain controls on soil color,
texture contrast and grain-size deposition for the original catena landscape in
Uganda // Ibid. Vol. 122, P. 51-72.
616. Castrignand A., Buttafuoco G. Geostatistical stochastic simulation of soil water
content in a forested area of South Italy // Biosystems Eng. 2004. Vol. 87.
P. 257-266.
617. Castrignand A., De Giorgio D., Fornaro F.y Vonella A.V. 3D spatial variation of
soil impedance as affected by soil tillage // Conserving soil and water for society:
Sharing solutions, ISCO 2004 - 13th Intern.Soil Conservation Organization conf.
Brisbane, 2004. Pap. 744.
618. Cerri C.E.P., Bernoux M., Chaplot V. et al. Assessment of soil property spatial
variation in an Amazon pasture: basis for selecting an agronomic experimental area //
Geoderma. 2004. Vol. 123. P. 51-68.
619. Cheng Si В., Farrell R.E. Scale-dependent relationship between wheat yield and
topographic indices: a wavelet approach // Soil Sci. Soc. Amer. J. 2004. Vol. 68.
P. 577-587.
620. DemougeoURenard #., De Fouquet Ch., Renard F. Forecasting the number of soil
samples required to reduce remediation cost uncertainty // J. Environ. Qual. 2004.
Vol. 33. P. 1694-1702.
621. Diodato N., Ceccarelli M. Multivariate indicator kriging approach using a GIS to
classify soil degradation for Mediterranean agricultural lands // Ecol. Indicators.
2004. Vol. 4. P. 177-187.
622. D'Or D., Bogaert P. Spatial prediction of categorical variables with the Bayesian
maximum entropy approach: the Ooypolder case study // EuroP. J. Soil Sci. 2004.
Vol. 55. P. 763-775.
623. Douaik A., Van Meirvenne M., Toth Т., Serre M. Space-time mapping of soil
salinity using probabilistic Bayesian maximum entropy // Stochastic Environ. Res. Risk
Asses. 2004. Vol. 18. P. 219-227.
166
624. Feng Q., Liu Y., Mikami M. Geostatistical analysis of soil moisture variability in
grassland // J. Arid Environ. 2004. Vol. 58. P. 357-372.
625. Ferreira da Silva E., Zhang Ch., Serrano Pinto L. et al. Hazard assessment on
arsenic and lead in soils of Castromil gold mining area, Portugal // Appl. Geochem.
2004. Vol. 19. P. 887-898.
626. Finke PA., Brus DJ.y Bierkens M.F.P. et al. Mapping groundwater dynamics using
multiple sources of exhaustive high resolution data // Geoderma. 2004. Vol. 123.
P. 23-39.
627. Gimeno Garcia E.f Andreu V., Rubio JL. Spatial patterns of soil temperatures
during experimental fires // Ibid. Vol. 118, P. 17-38.
628. Hallett PD., Nunan N., Douglas J.T., Young I.M. Millimeter-scale spatial
variability in soil water sorptivity: scale, surface elevation, and subcritical repellency
effects // Soil Sci. Soc. Amer. J. 2004. Vol. 68. P. 352-358.
629. Haws N.W., Liu В., Boast C.W. et al. Spatial variability and measurement scale of
infiltration rate on an agricultural landscape // Ibid. P. 1818-1826.
630. Hengl T.,Heuvelink G.B.M., Stein A. A generic framework for spatial prediction
of soil variables based on regression-kriging // Geoderma. 2004. Vol. 120.
P. 75-93.
631. Juang K.-W., Chen Y.-S.f Lee D.-Y. Using Sequential indicator simulation to assess
the uncertainty of delineating heavy-metal contaminated soils // Environ. Pollut.
2004. Vol. 127. P. 229-238.
632. Kerry R.y Oliver MA. Average variograms to guide soil sampling // Intern. J. Appl.
Earth Observ. and Geoinform. 2004. Vol. 5. P. 307-325.
633. Kihq K., Ozgoz E., Akba§ F. Assessment of spatial variability in penetration
resistance as related to some soil physical properties of two fluvents in Turkey // Soil Till.
Res. 2004. Vol. 76. P. 1-11.
634. Lark R.M., Ferguson R.B. Mapping risk of soil nutrient deficiency or excess by
disjunctive and indicator kriging // Geoderma. 2004. Vol. 118. P. 39-53.
635. Lark RM., Milne A.E., Addiscott TM. et al. Scale and location-dependent
correlation of nitrous oxide emissions with soil properties: an analysis using wavelets //
Europ. J. Soil Sci. 2004. Vol. 55. P. 611-627.
636. LarkRM.y Webster R. Analysing soil variation in two dimensions with the discrete
wavelet transform // Ibid. P. 777-797.
637. Li W., Zhang C, Burt J.E. et al. Two-dimensional Markov chain simulation of soil
type spatial distribution // Soil Sci. Soc. Amer. J. 2004. Vol. 68. P. 1479-1490.
638. Lloyd CD.y Atkinson P.M. Archaeology and geostatistics // J. Archeol. Sci. 2004.
Vol. 31. P. 151-165.
639. Losana M.C., Magnoni M., Bertino S. et al. Gamma dose rate calculation and
mapping of Piemonte (North-West Italy) from gamma spectrometry soil data // Radiat.
Protect. Dosimetry. 2004. Vol. 111. P. 419-422.
640. McGrath D.f Zhang Ch., Carton O.T. Geostatistical analyses and hazard assessment
on soil lead in Silvermines area, Ireland // Environ. Pollut. 2004. Vol. 127.
P. 239-248.
641. Mueller T.G.t Pusuluri N.B.f Mathias K.K. et al. Map quality for ordinary kriging
and inverse distance weighted interpolation // Soil Sci. Soc. Amer. J. 2004. Vol. 68.
P. 2042-2047.
642. NaelM.y Khademi H.t Hajabbasi MA. Response of soil quality indicators and their
spatial variability to land degradation in central Iran // Appl. Soil Ecol. 2004.
Vol. 27. P. 221-232.
643. Reis A.P.y Sousa A J., Ferreira da Silva E. et al. Assessing soil quality using p-field
simulation: Application to the Marrancos mining area, Portugal // Appl. Earth Sci.
IMM Trans. B. 2004. Vol. 113. P. 58-64.
167
644. Ritz К., McNicolJ.W., Nunan N. et al. Spatial structure in soil chemical and
microbiological properties in an upland grassland // FEMS Microbiol. Ecol. 2004.
Vol. 49. P. 191-205.
645. Sepaskhah AX., Ataee J. A simple model to determine saturated hydraulic
conductivity for large-scale subsurface drainage // Biosystems Eng. 2004. Vol. 89. P. 505-513.
646. Shanahan JJF., Doerge ТА., Johnson J J., Vigil MX. Feasibility of site-specific
management of corn hybrids and plant densities in the Great Plains // Precision
Agriculture. 2004. Vol. 5. P. 207-225.
647. Shukla MX., Slater BX., Lai R., Cepuder P. Spatial variability of soil properties
and potential management classification of a chernozemic field in Lower Austria //
Soil Sci. 2004. Vol. 169. P. 852-860.
648. Stark CHE., Condron LM., Stewart A. et al. Small-scale spatial variability of
selected soil biological properties // Soil Biol, and Biochem. 2004. Vol. 36.
P. 601-608.
649. Stutter Ml., Deeks LX., Billett MX. Spatial variability in soil ion exchange
chemistry in a granitic upland catchment // Soil Sci. Soc. Amer. J. 2004, Vol. 68,
P. 1304-1314.
650. Vendrusculo L.G., Magalhaes P.S., Vieira S.R., Porto de Carvalho JX. Computational
system for geostatistical analysis // Sci. Agr. 2004. Vol. 61. P. 100-107.
651. Viscarra RosselRA., Walter С Rapid, quantitative and spatial field measurements
of soil pH using an ion sensitive field effect transistor // Geoderma. 2004. Vol. 119.
P. 9-20.
652. Western A.W., Zhou S.~L., Grayson RX. et al. Spatial correlation of soil moisture in
small catchments and its relationship to dominant spatial hydrological processes //
J. Hydrol. 2004. Vol. 286. P. 113-134.
653. Whalen JX., Costa C. Linking spatio-temporal dynamics of earthworm populations
to nutrient cycling in temperate agricultural and forest ecosystems // Pedobiologia.
2004. Vol. 47. P. 801-806.
654. Xu S., Too S. Coregionalization analysis of heavy metals in the surface soil of Inner
Mongolia // Sci. Total Environ. 2004, Vol. 320. P. 73-87.
655. Zhang C, McGrath D. Geostatistical and GIS analyses on soil organic carbon
concentrations in grassland of southeastern Ireland from two different periods //
Geoderma. 2004. Vol. 119. P. 261-275.
2005
656. Amini M., Afyuni M., Fathianpour N. et al. Continuous soil pollution mapping using
fuzzy logic and spatial interpolation // Geoderma. 2005. Vol. 124. P. 223-233.
657. Amini M., Khademi H., Afyuni M., Abbaspour K. Variability of available cadmium
in relation to soil properties and landuse in an arid region in Central Iran // Water,
Air, Soil Pollut. 2005. Vol. 162. P. 205-218.
658. Aubert M., Hedde M., Decaens Th. et al. Facteurs controlant la variabilite spatiale
de la macrofaune du sol dans une hetraie pure et une hetraie-charmaie // С R. Biol.
2005. Vol. 328. P. 57-74.
659. Bautista Zuniga F., Diaz Garrido S., Castillo Gonzdlez M., Zinck J A. Spatial
heterogeneity of the soil cover in the Yucatan karst: comparison of Mayan, WRB and
numerical classifications // Euras. Soil Sci. 2005. Suppl. 1. P. 81-88.
660. Baxter SJ., Oliver MA. The spatial prediction of soil mineral N and potentially
available N using elevation // Geoderma. 2005. Vol. 128. P. 325-339.
661. Bekele A., Hudnall WH., Daigle J J. et al. Scale dependent variability of soil
electrical conductivity by indirect measures of soil properties // J. Terramechanics.
2005. Vol. 42. P. 339-351.
168
662. Boruvka L., Mladkova L., Drabek O. Factors controlling spatial distribution of soil
acidification and Al forms in forest soils // J. Inorg. Biochem. 2005. Vol. 99.
P. 1796-1806.
663. Brouder SM., Hofmann B.S., Morris DX. Mapping soil pH: accuracy of common
soil sampling strategies and estimation techniques // Soil Sci. Soc. Amer. J. 2005.
Vol. 69. P. 427-442.
664. Bruland GL., Richardson С J. Spatial variability of soil properties in created,
restored, and paired natural wetlands // Ibid. P. 273-284.
665. Buttafuoco G., Castrignano A. Study of the spatio-temporal variation of soil
moisture under forest using intristic random functions of order к // Geoderma. 2005.
Vol. 128. P. 208-220.
666. Buttafuoco G., Castrignano A., Busoni E., Dimase A.C. Studying the spatial
structure evolution of soil water content using multivariate geostatistics // J. Hydrol.
2005. Vol. 311. P. 202-218.
667. Caniego F.G., Espejo R., Martin MA., San Jose F. Multifractal scaling of soil
spatial variability // Ecol. Modelling. 2005. Vol. 182. P. 291-303.
668. Carre F., McBratney AS. Digital tenon mapping // Geoderma. 2005. Vol. 128.
P. 340-353.
669. Carroll ZL., Oliver M A. Exploring the spatial relations between soil physical
properties and apparent electrical conductivity // Ibd. P. 354-374.
670. Dawson KM., Baise L.G. Three-dimensional liquefaction potential analysis using
geostatistical interpolation // Soil Dynamics and Earthquake Eng. 2005. Vol. 25.
P. 369-381.
611. De Clercq WJ*., Van Meirvenne M. Effect of long-term irrigation application on the
variation of soil electrical conductivity in vineyards // Geoderma. 2005. Vol. 128.
P. 221-233.
672. Diodato N. Geostatistical uncertainty modelling for the environmental hazard
assessment during single erosive rainstorm events // Environ. Monitoring Asses.
2005. Vol. 105. P. 25-42.
673. DouaikA., Van Meirvenne M., Toth T. Soil salinity mapping using spatio-temporal
kriging and Bayesian maximum entropy with interval soft data // Geoderma. 2005.
Vol. 128. P. 234-248.
674. Ferrero A., Usowicz В., Lipiec J. Effects of tractor traffic on spatial variability of
soil strength and water content in grass covered and cultivated sloping vineyard //
Soil Till. Res. 2005. Vol. 84. P. 127-138.
675. Gallardo A., Paramd R„ Covelo F. Soil ammonium vs. nitrate spatial pattern in six
plant communities: simulated effect on plant populations // Plant and Soil. 2005.
Vol. 277. P. 207-219.
676. Glavin R., Hooda P. A practical examination of the use of geostatistics in the
remediation of a site with a complex metal contamination history // Soil Sediment
Contain. 2005. Vol. 14. P. 155-169.
677. Henriquez C, Killorn R., Bertsch F., Sancho F. La geostadistica en el estudio de la
variation espacial de la fertilidad del suelo mediante el uso del interpolador kriging //
Agron. Costarricense. 2005, Vol. 29. P. 73-81.
678. Holmes K.W.,Kyriakidis Ph.C, Chadwick О A. et al. Multi-scale variability in
tropical soil nutrients following land-cover change // Biogeochemistry. 2005. Vol. 74.
P. 173-203.
679. Hoover К A., Wolman M.G. Beyond the semivariogram: Patterns, scale, and
hydrology in a semi-arid landscape // Adv. Water Resour. 2005. Vol. 28. P. 885-898.
680. Huerta Lwanga E. La macrofauna del suelo у su potencial de manejo para el mejo-
ramiento de la calidad del suelo // Caracterizacion у manejo de los suelos de la
Peninsula de Yucatan / Ed. F. Bautista Zuniga, A.G. Palacio. P. 259-268.
169
681. Iqbal J., Thomasson J A., Jenkins /JV. et al. Spatial variability analysis of soil
physical properties of alluvial soils // Soil Sci. Soc. Amer. J. 2005. Vol. 69.
P. 1338-1350.
682. Ishizuka Sh., Iswandi A., Nakajima Y. et al. Spatial patterns of greenhouse gas emission
in a tropical rainforest in Indonesia // Nutr. Cycl. Agroecosyst. 2005. Vol. 71. P. 55-62.
683. Jost G., Heuvelink G.B.M., Papritz A. Analysing the space-time distribution of soil
water storage of a forest ecosystem using spatio-temporal kriging // Geoderma.
2005. Vol. 128. P. 258-273.
684. Juang K.-W., Lee D.-Y., Teng Y.-L. Adaptive sampling based on the cumulative
distribution function of order statistics to delineate heavy-metal contaminated soils
using kriging // Environ. Pollut. 2005. Vol. 138. P. 268-277.
685. Kim H.-M., Mallick B.K., Holmes C.C. Analyzing nonstationary spatial data using
piece wise Gaussian processes // J. Amer. Statist. Accos. 2005. Vol. 100.
P. 653-668.
686. Kirwan N., Oliver MA., Moffat A.G., Morgan G.W. Sampling the soil in long-term
forest plots: The implications of spatial variation // Environ. Monitoring Asses.
2005, Vol. 111. P. 149-172.
687. Lane D.R., Bassiri Rad H. Diminishing spatial heterogeneity in soil organic matter
across a prairie restoration chronosequence // Restoration Ecol. 2005. Vol. 13.
P. 403-412.
688. Lauzon J.D., O'Halloran LP., Fallow DJ. et al. Spatial variability of soil test
phosphorus, potassium, and pH of Ontario soils // Agron. J. 2005. Vol. 97. P. 524-532.
689. Lesch S.M. Sensor-directed response surface sampling designs for characterizing
spatial variation in soil properties // Comput. Electron. Agr. 2005. Vol. 46.
P. 153-179.
690. Magri A., Van Es H., Glos M., Cox W. Soil test, aerial image and yield data as inputs
for site-specific fertility and hybrid management under maize // Precision
Agricultur. 2005. Vol. 6. P. 87-110.
691. Minasny В., McBratney A.B. The Matern function as a general model for soil vari-
ograms // Geoderma. 2005. Vol. 128. P. 192-207.
692. Monestiez P., Bailly J.S., Lagacherie P., Voltz M. Geostatistical modelling of
spatial processes on directed trees: application to Fluvisol extent //Ibid. P. 179-191.
693. Mouser PJ., Hession W.C., Rizzo D.M., Gotelli NJ. Hydrology and geostatistics of
a Vermont, USA Kettlehole Peatland // J. Hydrol. 2005. Vol. 301. P. 250-266.
694. Neurath S.K., Sadeghi AM., Shirmohammadi A. et al. Spatial variability in the
upper soil layer of a no-till field using a small-scale dye experiment // Soil Sci.
2005. Vol. 170. P. 881-891.
695. Nicolella G., Perez Filho A., Dornelas de Souza M., Ferracini VL. Geostatistics as
a basis to the CMLS pesticide simulation model with validation in soil columns //
Sci. Agr. 2005. Vol. 62. P. 50-56.
696. Odlare M., Svensson K., Pell M. Near infrared reflectance spectroscopy for
assessment of spatial toil variation in an agricultural field // Geoderma. 2005. Vol. 126.
P. 193-202.
697. Palmer DJ., Lowe DJ., Payn T.W. et al. Soil and foliar phosphorus as indicators of
sustainability for Pinus radiata plantation forestry in New Zealand // Forest Ecol.
Manag. 2005. Vol. 220. P. 140-154.
698. Rawlins B.G., LarkRM., O'Donnell K.E. et al. The assessment of point and diffuse
metal pollution of soils from an urban geochemical survey of Sheffield, England //
Soil Use Manag. 2005. Vol. 21. P. 353-362.
699. Reis A., Sousa A., Silva E., Fonseca E. Application of geostatistical methods to
arsenic data from soil samples of the Cova dos Mouros mine (Vila Verde-Portugal) //
Environ. Geochem. Health. 2005. Vol. 27. P. 259-270.
170
700. Ruiz Sdnchez M., Plana V., Ortuno M. et al. Spatial root distribution of apricot trees
in different soil tillage practices // Plant and Soil. 2005. Vol. 272. P. 211-221.
701. Ruffo ML., Bollero GA., HoeftR.G., Bullock D.G. Spatial variability of the Illinois
soil nitrogen test: implications for soil sampling // Agron. J. 2005. Vol. 97.
P. 1485-1492.
702. Saito H., Yoshino K., lshida T. et al. Geostatistical estimation of tropical peat-soil
volume at Bacho, Thailand: Impact of spatial support size and censored information //
Geoderma. 2005. Vol. 125. P. 235-247.
703. Saponaro S., Sezenna E., Bonomo L. Remediation actions by a risk assessment
approach: a case study of mercury contamination // Water, Air, Soil Pollut. 2005.
Vol. 168. P. 187-212.
704. Sarangi A., Madramootoo С A., Enright P., Chandrasekharan H. Prediction
of spatial variability of phosphorous over the St-Esprit watershed // Ibid.
P. 267-288.
705. Sepaskhah A.R., Ahmadi S.H., Nikbakht Shahbazi AM. Geostatistical analysis of
sorptivity for a soil under tilled and no-tilled conditions // Soil Till. Res. 2005.
Vol. 83. P. 237-245.
706. Scull P., Okin G., Chadwick О A., Franklin J. A comparison of methods to predict
soil surface texture in an alluvial basin // Profess. Geogr. 2005. Vol. 57. P. 423-437.
707. Tarr A., Moore K.y Bullock D. et al. Improving map accuracy of soil variables using
soil electrical conductivity as a covariate // Precision Agriculture. 2005. Vol. 6.
P. 255-270.
708. Triantafilis J., Lesch S.M. Mapping clay content variation using electromagnetic
induction techniques // Comput. Electron. Agric. 2005. Vol. 46. P. 203-237.
709. Tugel AJ., Herrick J.E., Brown J.R. et al. Soil change, soil survey, and natural
resources decision making: a blueprint for action // Soil Sci. Soc. Amer. J. 2005,
Vol. 69. P. 738-747.
710. Van Meirvenne M., Vernaillen L., Douaik A. et al. Geostatistical procedures for
characterizing soil processes // R. Munoz Carpena. Soil-water-solute process
characterization: An integrated approach / Ed. J. Alvarez Benedi, Boca Raton: CRC
Press, 2005. P. 585-615.
711. Yemefack M., Rossiter D.G., Njomgang R. Multi-scale characterization of soil
variability within an agricultural landscape mosaic system in Southern Cameroon //
Geoderma. 2005. Vol. 125. P. 117-143.
712. Zeleke T.B., Si B.Ch. Scaling relationships between saturated hydraulic
conductivity and soil physical properties // Soil Sci. Soc. Amer. J. 2005. Vol. 69.
P. 1691-1702.
2006
713. Aubert M., Margerie P., Ernoult A. et al. Variability and heterogeneity of humus
forms at stand level: Comparison between pure beech and mixed beech-hornbeam
forest // Ann. Forest. Sci. 2006. Vol. 63. P. 177-188.
714. Bekele A., Hudnall W. Spatial variability of soil chemical properties of a
prairie-forest transition in Louisiana // Plant and Soil. 2006. Vol. 280. P. 7-21.
715. Bishop T.FA., Minasny В., McBratney A.B. Uncertainty analysis for soil-terrain
models // Intern. J. Geog. Inform. Sci. 2006. Vol. 20. P. 117-134.
716. Burgos P., Madejon E., Perez-de-Mora A., Cabrera F. Spatial variability of the
chemical characteristics of a trace-element-contaminated soil before and after
remediation // Geoderma. 2006. Vol. 130. P. 157-175.
717. Emery X. Ordinary multigaussian kriging for mapping conditional probabilities of
soil properties // Ibid. Vol. 132. P. 75-88.
171
718. Gallardo A., Pагата R., Covelo F. Differences between soil ammonium and nitrate
spatial pattern in six plant communities. Simulated effect on plant populations //
Plant and Soil. 2006. Vol. 279. P. 333-346.
719. Gay J.R., Korre A. A spatially-evaluated methodology for assessing risk
to a population from contaminated land // Environ. Pollut. 2006. Vol. 142.
P. 227-234.
720. Grunwald S., Corstanje R., Weinrich B.E., Reddy КЯ. Spatial patterns of labile
forms of phosphorus in a subtropical wetland // J. Environ. Qual. 2006. Vol. 35.
P. 378-389.
721. Grunwald S., Goovaerts P., Bliss CM. et al. Incorporation of auxiliary information
in the geostatistical simulation of soil nitrate nitrogen // Vadose Zone J. 2006.
Vol. 5. P. 391-404.
722. Herbst M., Diekkruger В., Vereecken H. Geostatistical co-regionalization of soil
hydraulic properties in a micro-scale catchment using terrain attributes // Geoderma.
2006. Vol. 132. P. 206-221.
723. Hooker PJ., Nathanail C.P. Risk-based characterisation of lead in urban soils //
Chem. Geol. 2006. Vol. 226. P. 340-351.
724. Lamhamedi M.S., Labbe L.f Margolis HA. et al. Spatial variability of substrate
water content and growth of white spruce seedlings // Soil Sci. Soc. Amer. J. 2006.
Vol. 70. P. 108-120.
725. Leopold U., Heuvelink GBM., TiktakA. et al. Accounting for change of support in
spatial accuracy assessment of modelled soil mineral phosphorous concentration //
Geoderma. 2006. Vol. 130. P. 368-386.
726. Liu L., Wang Z., Zhang B. et al. Spatial distribution of soil organic carbon and
analysis of related factors in croplands of the black soil region, Northeast China //
Agriculture, Ecosystems, Environment. 2006. Vol. 113. P. 73-81.
727. Liu X., Wu J., Xu J. Characterizing the risk assessment of heavy metals and
sampling uncertainty analysis in paddy field by geostatistics and GIS // Environ. Pollut.
2006. Vol. 141. P. 257-264.
728. Lyon S.W., Lembo A J., Walter M.T., Steenhuis T.S. Defining probability of
saturation with indicator kriging on hard and soft data // Adv. Water Resour. 2006.
Vol. 29. P. 181-193.
729. Menezes de Souza Z., Marques Junior /., Tadeu Pereira G., Mazza Barbieri D.
Small relief shape variations influence spatial variability of soil chemical attributes //
Sci. agr. 2006. Vol. 63. P. 161-168.
730. Miao Y., Mulla D., Robert P. Spatial variability of soil properties, corn quality and
yield in two Dlinois, USA fields: Implications for precision corn management //
Precision Agriculture. 2006. Vol. 7. P. 5-20.
731. Omonode RA., Vyn TJ. Spatial dependence and relationships of electrical
conductivity to soil organic matter, phosphorus, and potassium // Soil Sci. 2006, Vol. 171.
P. 223-238.
732. Panagopoulos Т., Jesus J., Antunes MD£.y Beltrao J. Analysis of spatial
interpolation for optimising management of a salinized field cultivated with lettuce //
Europ. J. Agronomy. 2006. Vol. 24. P. 1-10.
733. Perie C, Munson AJ)., Caron J. Use of spectral analysis to detect changes in
spatial variability of forest floor properties // Soil Sci. Soc. Amer. J. 2006. Vol. 70.
P. 439-447.
734. Robinson TJ*., Metternicht G. Testing the performance of spatial interpolation
techniques for mapping soil properties // Comput. Electron. Agr. 2006. Vol. 50.
P. 97-108.
735. Sauer Th., Cambardella C.t Meek D. Spatial variation of soil properties relating to
vegetation changes // Plant and Soil. 2006. Vol. 280. P. 1-5.
172
736. Sk0ien J.О., Bloschl G. Scale effects in estimating the variogram and implications
for soil hydrology // Vadose Zone J. 2006. Vol. 5. P. 153-167.
737. Vanderlinden K.y Orddnez R., Polo MJ., Girdldez J.V. Mapping residual pyrite
after a mine spill using non co-located spatiotemporal observations // J. Environ.
Qual. 2006. Vol. 35. P. 21-36.
738. Veronese Junior V., Carvalho M.P., Dafonte J. et al. Spatial variability of soil water
content and mechanical resistance of Brazilian Ferralsol // Soil Till. Res. 2006.
Vol. 85. P. 166-177.
ОГЛАВЛЕНИЕ
Предисловие 5
Глава 1
Почвоведение и геостатистика (Вебстер Р.) 8
Глава 2
Использование геостатистических методов для
картографирования почвенных горизонтов (Сидорова В А., Красильников П.В.) 19
Глава 3
Пространственная вариабельность почвенных
гидрофизических свойств: исследование ситуации в Херцегаломе, Венгрия
(Форкаш Ч., Рожкай К., Кертеж М., ван Мейрвенне М.) 43
Глава 4
Геостатистический анализ пространственной структуры кислотности и
содержания органического углерода зональных почв Русской
равнины (Красильников П.В., Сидорова В.А.) 67
Глава 5
Пространственная вариабельность лесных подстилок ельников
черничных Восточной Фенноскандии (Соломатова Е.А.,
Сидорова В А.) 81
Глава б
Влияние бобров на вариабельность свойств почв Южной Карелии
(Сидорова В А., Федоров Ф.В.) 92
Глава 7
Дилемма континуума в педометрии и почвоведении (Ибанъес Х.Х., Сал-
даньяА.) 109
Заключение 121
Литература 125
Библиография 1939-2006 гг 134
CONTENTS
Preface 5
Chapter I
Soil science and geostatistics {Webster R.) 8
Chapter 2
The use of geostatistical methods for mapping soil horizons (Sido-
rovaVA., Krasilnikov P.V.) 19
Chapter 3
Spatial variability of soil hydrophysical properties: The Herceghalom
case study (Farkas Cs., Rajkai K.t Kertesz M„ van Meirvenne M.) 43
Chapter 4
Geostatistical analysis of spatial structure of acidity and organic carbon
content in zonal soil of the Russian Plain {Krasilnikov P.V., Sido-
rova V. A.) 67
Chapter 5
Spatial variability of forest litter in blueberry spruce forests
of Eastern Fennoscandia {Solomatova E.A., Sidorova VA.) 81
Chapter 6
The effect of beavers activity on the variation of soil properties
in Southern Karelia {Sidorova VA., Fedorov F.V.) 92
Chapter 7
The continuum dilemma in pedometrics and pedology {Ibdnez J. J.,
SaldanaA.) 109
Conclusion 121
Literature 125
Bibliography 1939-2006 134
Geostatistics and soil geography / [Ed. by P.V. Krasilnikov] ;
Institute of Biology, Karelian Scientific Center of RAS. - Moscow : Nauka,
2007. - 175 p. : ill. - ISBN 978-5-02-035748-8 (bound).
The monograph deals with epistemological and methodological problems of the use of
geostatistics, the methods for searching latent structures of soil properties distribution, the
interpretation of soil heterogeneity in the frame of the classic soil geographical paradigm, the effect of
anthropogenic and zoogenic activity on spatial variation of soils, and the methods of interpolation of point-
based models of moisture transport in soil. Extensive geography of the monograph allows presenting
a wide spectrum of methods and geographical settings, illustrating the use of geostatistics for
various particular tasks in soil science. The authors hope that the monograph would also serve as a
didactic material, a kind of a handbook. The present collective monograph is the first extensive
publication in Russian, which presents soil geographical studies with the use of geostatistical methods.
For the specialists using geostatistics in soil research.
Научное издание
ГЕОСТАТИСТИКА
И ГЕОГРАФИЯ ПОЧВ
Утверждено к печати Ученым советом
Института биологии Карельского НЦ
Российской академии наук
Зав. редакцией НА. Степанова. Редактор Е.С. Степанова
Художник Ю.И. Духовская. Художественный редактор В.Ю. Яковлев
Технический редактор ВВ. Лебедева. Корректор Н.П. Барабаш
Подписано к печати 03.05.2007. Формат 60 х 90 Vi6- Гарнитура Тайме
Печать офсетная. Усл.неч.л. 11,0. Усл.кр.-отт. 11,0. Уч.-изд.л. 13,0
Тип. зак. 4184
Издательство «Наука». 117997, Москва, Профсоюзная ул., 90
E-mail: secret@naukaran.ru www.naukaran.ru
Отпечатано с готовых диапозитивов в ГУП Типография «Наука»
199034, Санкт-Петербург, 9 линия, 12