Степаненко Виктор Михайлович

Почвы являются крупнейшим наземным резервуаром органического углерода, поэтому даже небольшое изменение запасов углерода в почвах может значительно повлиять на атмосферу и климат. Для выбора эффективных стратегий, направленных на смягчение последствий изменения климата, необходимы прогнозы реакции почв на будущие изменения климата и землепользования. Получение обоснованных прогнозов требует глубокого понимания очень сложной открытой многокомпонентной системы органического вещества почв. Одним из наиболее эффективных методов прогнозирования динамики органического вещества почв является математическое моделирование. Процесс-ориентированные, то есть физически обоснованные модели позволяют представить основные концепции о механизмах, определяющих поведение этой системы, в математически формализованном виде и провести количественный анализ. Неопределенность прогнозов зависит от уровня развития теории, объясняющей динамику органического вещества почв, представляющих ее моделей и их экспериментального обеспечения. В этом обзоре рассмотрены достижения последнего десятилетия в представлении в моделях роли микроорганизмов в стабилизации органического вещества почв, концепции насыщения почв органическим углеродом, температурного контроля, а также развитии моделей реактивного транспорта, описывающих динамику органического углерода в профиле почв, и представлении динамики органического вещества почв в глобальных климатических моделях. Обсуждаются нерешенные проблемы, связанные с высокой вариативностью структуры моделей динамики органического вещества почв нового поколения.

В целях смягчения последствий климатических изменений, сохранения и увеличения плодородия почв большое внимание уделяется развитию методов эффективного управления земельными ресурсами. Для выбора оптимальной стратегии управления необходимы надежные прогнозы реакции почв на будущие изменения климата и антропогенное воздействие. Одним из ведущих методов анализа и прогнозирования пространственно-временнóй изменчивости запасов органического углерода почв является математическое моделирование. В настоящее время оно развивается в двух основных направлениях. Первое использует эмпирические модели, полученные методами цифровой почвенной картографии. Второе направление представляют процесс-ориентированные модели биогеохимического цикла углерода. Каждое из них имеет сильные и слабые стороны. Модели цифровой почвенной картографии эмпирические, основанные только на анализе данных о свойствах почв и характеристиках окружающей среды, поэтому они ограничены в объяснении изменчивости запасов почвенного углерода. Неопределенность прогнозов на основе этих моделей зависит от объема и качества данных для обучения. Они демонстрируют превосходство прогнозирования запасов органического углерода в почве над процесс-ориентированными моделями в тех случаях, когда использовались большие наборы качественных данных. Преимущество биогеохимических моделей состоит в том, что они основаны на накопленных в почвоведении знаниях о процессах круговорота углерода, поэтому эффективны при изучении механизмов динамики запасов углерода в почве. Однако прогнозирование с использованием этих моделей особенно регионального и глобального масштабов характеризуется высокой неопределенностью. В настоящее время для уменьшения неопределенности прогнозов предлагается использовать ансамблевое моделирование (интеграция различных алгоритмов искусственного интеллекта, используемых в цифровой почвенной картографии, с процесс-ориентированными моделями). Для эффективного развития этой стратегии необходимо глубокое понимание роли основных биогеохимических процессов в динамике запасов органического углерода в почве для улучшения концептуальной основы моделей и увеличения доверия к прогнозам. В статье обсуждаются источники неопределенности биогеохимических моделей и возможность использования минимальных моделей в целях обоснованного выбора необходимого набора основных процессов и математических формализмов для их явного описания в моделях разного пространственно-временнóго масштаба, что может уменьшить структурную неопределенность нелинейных биогеохимических моделей.