Расскажу о наших работах в области оценок запасов углерода и их изменений под влиянием изменений условий землепользования. Оценка запасов углерода большой сложности не представляет, но нам необходимы количественные проверяемые и подтверждаемые измерения. Если мы заявляем о том, что мы увеличили углерод на какое-то количество, мы должны быть готовы к тому, что эти данные могут быть проверены, в том числе, при помощи аудита. Необходимо измерить всего лишь несколько параметров — глубина почвы, плотность почвы, содержание органического углерода и процент каменистости, который нужно учитывать в каменистых условиях.
Расчет достаточно прямолинейный. Мы можем объединить эти три параметра. И скорректировать их на плотность сложения почвы. К сожалению, все эти измерения имеют некоторую неточность, и мы должны понять, что каждое из них добавляет к общей ошибке нашей оценки. Соответственно, все эти ошибки необходимо учесть. Их можно учесть в процессе расчетов или в процессе сравнения окончательных величин.
Как нам разобраться с этой проблемой, учитывая то, что на площади, которую мы обследуем, может быть достаточно большое варьирование и содержание гумуса в почве, и глубины почвы, ну и, конечно же, плотности сложения?
Глубина, на которую мы собираемся депонировать углерод, может тоже варьироваться, и для этого нам нужно знать вертикальное распределение углерода, а также других величин. Чтобы минимизировать ошибки, необходимо использовать одни и те же лаборатории для сравнения «до» и «после». Можно проводить блокировку отдельных районов, а можно понять, насколько сильно отличается наше измерение от единичной линии. Кроме того, есть параметр, который мало используется в почвоведении, но часто — в медицинских исследованиях: это статистическая мощность. Статистическая мощность позволяет нам определить количество образцов, которые нам хотелось бы проанализировать и минимизировать, для того чтобы получить достаточно достоверный результат.
В принципе, статистический Student T-test при выбранном уровне альфа достаточен для того, чтобы с уверенностью сказать, смогли ли мы достаточно четко подтвердить наши наблюдения о том, что содержание органического углерода и его запасы в действительности изменились.
Первый пример. Мы проводили работы в провинции КваЗулу-Натал Южной Африки. И здесь мы имеем дело с водосбором величиной около 300 квадратных километров, расположенном на высоте более 1000 метров над уровнем моря. Почва сформирована на породах группы Кару, и почвообразующие материалы — это всевозможные сланцы, песчаники, время от времени попадаются долериты, диориты. Осадки около 900 мм в год. И температура летом около 28, зимой около 12 градусов Цельсия. Земле-пользование варьируется значительно. В первую очередь, нас интересовали естественные луга, которые используются под пастбища, обрабатываемые земли и лесные территории.
Нам удалось показать, что, в принципе, распределение гумуса в вертикальном направлении достаточно предсказуемо. Мы это сделали, отобрав образцы буквально с каждых 5-10 см в верхней части профиля, и с большим интервалом по мере увеличения глубин. Мы обследовали 69 почвенных профилей, отобрав объемный вес в трехкратной повторности. Мы видим, что содержание глин варьируется значительно — от 3% до 50%, фактически от песка до глины, рН от чуть более 3 до почти нейтрального. Почвы тоже довольно разные. Преимущественно всевозможные красноземы и буроватые. Масса всяких вариаций. Тем не менее, мы предполагаем, что вертикальное распределение гумуса в почве будет достаточно предсказуемым. И на основании этих предположений мы отобрали еще около 300 поверхностных образцов с глубины 0,5 см. Объединив наши почвы по типу растительности, мы поняли, что под луговой растительностью мы имеем практически экспоненциальное снижение содержания гумуса, которое мы нормализовали к единице и получили некие системы распределения, которые позволяют нам определить содержание гумуса, то есть проинтегрировать всю кривую по глубине до 1 метра и получить оценку запасов, используя только поверхностный образец по всей остальной территории. Совершенно очевидно, что вот такой способ проведения оценки в большей мере подвержен влиянию типа землепользования и типа обработки, чем чего-либо еще. Мы видим, что при полной обработке почвы мы имеем практически равномерное распределение гумуса в слое до глубины обработки, где потом опять мы видим экспоненциальное снижение. В то время как при минимальной обработке или же в системе No-till без обработки видим практически повторение распределения по вертикали того, что мы видим под луговой растительностью. В общем-то все эти типы распределений мы можем смоделировать и сделать это с довольно большой точностью. Во многих случаях мы видим, что то, что мы смоделировали, показывает нам распределение почти один к одному и, соответственно, без особого смещения. Хотя, конечно, коэффициент корреляции от 0,7 до 0,85 не достаточно высок, чтобы применять это для целей аудита. Хотя, здесь все зависит от того, насколько терпимы аудиторы к уровню ошибки. А уровень ошибки может быть довольно большим. С этим подходом мы рассмотрели изменения содержания углерода в почве в различных системах землепользования при помощи сельхозопытов. У нас были делянки, на которых проводились многолетние эксперименты с различными типами ведения хозяйства и севооборотами. Естественно, мы хотели посмотреть, насколько это влияет на урожайность. Урожайность мы закартировали также. И здесь тоже мы видим некоторое разнообразие почв. Почвы в основном каменистые камбисоли. Нас особенно насторожило, что в системе одного, довольно небольшого, но вытянутого поля, мы видим бимодальное распределение многих параметров, в том числе и урожая. Явно, что один из участков выпадает, и мы видим, что на трех полях урожай около двух тонн на гектар пшеницы яровой, а на четвертом поле всего лишь около одной тонны на гектар. В принципе, это значит, что если мы будем делать статистическую обработку по трем полям, то шансы увидеть какие-то изменения у нас будут несколько больше, чем если мы включим все четыре поля. Вот здесь как раз нужно проводить блокировку и изолировать участки, которые ведут себя немножко по-другому. Здесь это было вызвано засолением почв. Соответственно, в этом опыте мы заложили все повторности 1, 2, 3 на трех полях, которые представляют собой довольно однородное пространство, с урожаем около двух тонн на гектар. А все четвертые повторности, как это принято в сельхозэскпериментах, мы сместили на поле, которое дает нам более низкий результат. И мы видим, что по урожайности есть довольно значительный пространственный тренд, который может нам помешать увидеть изменения, которые происходят под воздействием всех тех мер, которые применяем. Но этот тренд, в принципе, можно включить в наши модели, и это тогда позволит нам более точно определить эти изменения. И здесь значительную роль играет анализ статистической мощности, но он требует довольно большого количества образцов. Мы проанализировали около 120 образцов на относительно небольшом поле, для того чтобы понять, сколько же нам реально нужно для того, чтобы «поймать» изменения, которые происходят в относительно короткое время. Эти образцы мы организовали либо по трем системам земледелия, либо по 30 участкам. И увидели очень похожие результаты, т.е. нам достаточно небольшого количества образцов для того, чтобы увидеть значительные изменения. Часто 80% статистической мощности достаточно для того, чтобы проследить изменения, в которых величина изменения близка к дисперсной. Здесь хорошо видно, что если мы включаем четвертое поле с низкой урожайностью, то у нас стандартное отклонение, среднее по всем полям, значительно выше относительно опытов, которые проводились всего лишь на трех полях. Опять-таки история с блокировкой полей, которые ведут себя по-другому. Здесь мы видим изменения, которые произошли в объемном весе плотности сложения почвы. За время опытов, с 2015 по 2019 годы, мы обратили внимание, что вес изменился значительно. Серьезного статистического анализа даже не нужно, чтобы понять, что дисперсия между двумя наблюдениями намного меньше, чем разница между этими наблюдениями. Но в то же время мы обнаружили и снижение концентрации или содержания углерода, которая составила 0,1-0,2%. Мы видим, что при сорока наблюдениях, при сорока «повторностях», мы имеем более близкие результаты, чем те, которые мы видим при тридцати. Дальнейшее увеличение числа «повторностей» не приводит к тому, что мы сможем поймать более мелкие изменения.
В заключение хотелось бы сказать, что если есть цель депонировать углерод, то надо предусмотреть минимизацию ошибок с самого начала наблюдений и максимизировать вероятность того, что вы эти изменения сможете количественно наблюдать. Для этого вначале хорошо бы провести анализ статистической мощности для понимания того, как углерод распределен в пространстве, и провести блокировку полей, объединив блоки таким образом, чтобы минимизировать дисперсию внутри этих объединений. А далее ANOVA или T-test покажут вам изменения и их значения. Но значимость этих измерений в значительной мере зависит от того, насколько ваш клиент терпим к этим ошибкам. Соответственно, изменяя уровень значимости альфа от 0,05 до 0,1, вы можете показать, что на 90% вы оказались правы, а не на 95, как хотелось бы, т.е. это уже предмет договоренности и взаимопонимания между теми, кто платит за депонирование углерода, и теми, кто его производит. Это взаимопонимание есть, потому что мы осознаем, что содержание углерода в полях может варьировать значительно, особенно в присутствии каменистости. Здесь надо проявлять некоторую толерантность.
