ПРИСОЕДИНИТЬСЯ
21.06.2021

Путь разработки классификации - какой он?

Существующие классификации почв по гранулометрическому составу были разработаны на основе данных, полученных с помощью методов, основанных на явлении седиментации. В статье, опубликованной в журнале Почвоведение (№11, 2020), мы подробно рассмотрели использование данных лазерной дифракции для наиболее используемой классификаций в России – классификации Н.А. Качинского (1958), и в мире – классификации Министерства сельского хозяйства США (сокращенно - классификация USDA; Soil Survey Staff, 2014).

Для этого мы сравнили данные гранулометрического анализа почв, полученного двумя методами – с помощью лазерной дифрактометрии и классическим пипет-методом. Мы показали, что прямое применение классификаций Качинского и USDA с данными метода лазерной дифракции приводит к ошибкам в определении текстурного класса в 43 и 65% случаев, соответственно. Усложнение моделей пересчета, введение новых переменных и учет влияния межлабораторной ошибки позволяют правильно определить текстурный класс по классификациям Качинского и USDA не более чем в 70 и 72% образцов почв соответственно. А наиболее простым подходом решения проблемы классификации для метода лазерной дифракции является калибровка существующих классификаций непосредственно на основе измерения образцов почв, для которых определен текстурный класс полевым методом.

Тут мы публикуем наиболее интересные моменты статьи, повествующие о выборе пути для разработки классификации,

а полный текст публикации вы можете найти по ссылке.

Прямое использование данных лазерной дифрактометрии с классификациями Качинского и USDA приводит к ошибкам в текстурном классе почв ~ в половине случаев.

Существует 4 подхода к решению проблемы применения классификации почв по гранулометрическому составу к данным лазерной дифрактометрии (Рисунок 1). Первый путь предполагает пересчет данных лазерной дифрактометрии (ЛД) в данные пипет-метода и использование существующих классификаций, и на текущий момент дает неудовлетворительный результат. Прямое применение имеющихся классификаций почв по гранулометрическому составу (классификации Качинского и USDA) для данных ЛД метода приводит в 43.0 и 65.3%, соответственно, к ошибкам при определении текстурного класса. Использование математических моделей для пересчета данных ЛД снижает ошибку до 29.7 и 32.4%. Несмотря на сложность моделей, включающих дополнительные факторы (нелинейность взаимосвязей, содержание общего углерода почв, учет межлабораторной ошибки), точность определения правильного текстурного класса является крайне низкой. Аналогичные результаты были получены другими работами (например, Makó et al., 2017 ; Vandecasteele et al., 2019). Качественное улучшение подхода трудоемко и требует применения более массивного математического аппарата для анализа данных. Можно сделать предположение, что такой подход является тупиковым.
Рисунок 1. Проблема разработки классификации почв по гранулометрическому составу для метода лазерной дифракции: стрелками и цифрами показаны пути разработки имеющихся классификаций (А) и решения проблемы (1–4); мелким шрифтомданы пояснения к ним; А – путь разработки существующих классификаций (классификаций Качинского, USDA и др.), 1 и 2 – пути через данные пипет-метода, 3 – разработка собственной классификации под метод ЛД, 4 – наиболее короткий и прямой путь адаптации существующих классификаций.
Универсальных взаимосвязей между методом ЛД и методами, основанными на явлении седиментации не существует.

Второй путь предполагает адаптацию имеющихся классификаций с учетом взаимосвязей между результатами метода ЛД и пипет-метода. Результаты многочисленных работ по сравнению методов, основанных на явлении седиментации, и метода ЛД показывают, что универсальных взаимосвязей между двумя методами не существует. Поскольку измерение гранулометрического состава методом ЛД максимально стандартизировано, а сама методика измерений предполагает минимальное влияние оператора на конечный результат, низкая точность пересчета, вероятно, обоснована влиянием большого числа неучтенных факторов при измерении пипет-методом, например, пробоподготовка образцов, измерение и учет плотности твердой фазы почвы, различное влияние формы частиц, опыт оператора и т. д. Кроме того, методы пробоподготовки, лежащие в основе разработки старой классификации и применяемые сейчас различаются. Нами также было показано в статье, что в области гранулометрического состава для почв подзолистого типа почвообразования – от супеси до суглинка тяжелого и для почв степного типа – от суглинка среднего до глины средней границы между классами почв пересекаются, если при анализе результатов метода ЛД опираться на границы текстурных классов почв согласно пипет-методу (Рисунок 2). Как итог, подобный путь имеет такие же проблемы, как и первый подход, но при этом добавляются сложности с интерпретацией результатов.



Рисунок 2. Применение данных ЛД при оценке почв по классификации Качинского. По оси Х и прямоугольниками показаны текстурные классы в зависимости от типа почвообразования – подзолистый и степной, красноземы и желтоземы по классификации Качинского (цветовая легенда расположена в верхней части рисунка). Образцы почв объединены в классы согласно данным пипет-метода. Коробочка с усиками показывает среднее ± ошибка среднего (%) согласно методу ЛД для образцов почв, сгруппированных по классам согласно данным пипет-метода. Буквами обозначена наименьшая существенная разница между классами (при α = 0.05).
Для активного внедрения новой классификации в практику, она должна согласовываться с другими существующими подходами. Так как гранулометрический состав - базовой свойство почв, используемое во многих нормативах.

Третий подход предлагает разработку новой классификации непосредственно под метод ЛД. Вероятно, это требует: 1 – параметризации непрерывной кривой распределения первичных частиц, получаемой в методе ЛД; 2 – нахождения взаимосвязей между параметрами и свойствами, отвечающих за физико-механическое и гидрофизическое поведение почв и, как следствие, 3 – определения базиса новой классификации и, собственно, 4 – категоризации почв на классы по гранулометрическому составу. Такой путь требует вложения больших средств и усилий. Однако гранулометрический состав – базовое свойство, которое фигурирует в широком ряде нормативов и стандартов. Таким образом, разработка совершенно новой классификации с нуля поможет полностью закрыть вопросы, связанные с применением текущих классификаций. Однако такой подход, вероятно, будет являться не самым эффективным способом решения проблемы, так как потребует изменения всех стандартных практик, что сильно затруднит внедрение новой классификации. Данный путь потребует взаимодействия между всеми государственными и частными структурами, связанными с использованием земель, и в идеальном случае, должен использоваться в случае установления конкретных механизмов регулирования и управления почвенными ресурсами.


Четвертый подход подразумевает калибровку существующих классификаций (Качинского, USDA, WRB и др.) непосредственно на основе определения гранулометрического состава методом ЛД образцов почв, для которых определен текстурный класс полевым методом. Что позволит при успешном разделении выборки почв на кластеры по гранулометрическому составу получить те же текстурные классы, которые используются в существующих классификациях почв (классификация почв России, СССР, WRB, Keys to Soil Taxonomy и др.) и в сельско-хозяственной, экологической и других практиках. Данный подход позволит решить проблемы использования методов без изменения традиционных представлений о гранулометрическом составе почв и не требует существенных финансовых вложений. По нашему мнению, данный путь является самым простым и эффективным. Поэтому мы взяли его за основу.
Статья подготовлена на основе текста статьи “Пути создания классификации почв по гранулометрическому составу на основе метода лазерной дифракции” Юдиной А.В. и др. (Почвоведение, №11, 2020; doi: 10.31857/S0032180X20110143)