Developing a spatial soil database with environmental variables: The Republic of Bashkortostan experience

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The aim of this work is to create and harmonize a spatial soil database with environmental variables (covariates) for the Republic of Bashkortostan (Russia). The database was compiled using data from field surveys, reports, published scientific works, and existing databases. The largest sample of soil parameters included pH KCl, Corg content and nutrients, the thickness of the humus-accumulative horizon. Among them, the most extensive data were obtained for pH KCl and Corg, comprising 32 144 and 29 491 measurements, respectively. For the republic, 82 spatial variables were selected and harmonized, reflecting the main soil-forming factors. This database is fully ready for “data-driven” research, including processing and modeling using artificial intelligence techniques. Among the main limitations is the insufficient amount of data from mountainous landscapes, highlighting the need for further soil data collection in these regions. The results presented for Bashkortostan can serve as a starting point for developing regional soil databases and collecting spatial environmental information.

About the authors

A. R. Suleymanov

Ufa State Petroleum Technological University; Ufa Institute of Biology of the Ufa Federal Research Centre of the Russian Academy of Sciences; Ufa University of Science and Technology

Author for correspondence.
Email: filpip@yandex.ru
Ufa, 450064 Russia; Ufa, 450054 Russia; Ufa, 450076 Russia

References

  1. Голозубов О.М., Чернова О.В. Динамическое формирование и обновление карты запасов органического углерода на территории России как задача интеллектуального анализа Больших данных // Интеллектуальные системы. Теория и приложения. 2022. Т. 26. № 1. С. 153–159.
  2. Гопп Н.В., Мешалкина Ю.Л., Нарыкова А.Н., Плотникова А.С., Чернова О.В. Картографирование содержания и запасов органического углерода почв на региональном и локальном уровнях: анализ современных методических подходов // Вопросы лесной науки. 2023. Т. 6. № 1. С. 120. https://doi.org/10.31509/2658-607x-202361-120
  3. Коноплина Л.Ю., Мешалкина Ю.Л., Самсонова В.П., Голозубов О.М. Картографирование содержания гумуса в пахотных почвах Брянской области методами машинного обучения по данным Агрохимслужбы // Вестник Моск. ун-та. Сер. 17, почвоведение. 2024. Т. 79. № 4. C. 130–140.
  4. Национальный атлас почв Российской Федерации. М.: Астрель. 2011. 632 C.
  5. Почвенная карта РСФСР. Под ред. В.М. Фридланда, Масштаб 1 : 2 500 000. М.: ГУГУК, 1988
  6. Савин И.Ю., Жоголев А.В, Прудникова Е.Ю. Современные тренды и проблемы почвенной картографии // Почвоведение. 2019. № 5. С. 517–528.
  7. Хазиев Ф.Х., Мукатанов А.Х., Хабиров И.К., Кольцова Г.А., Габбасова И.М., Рамазанов Р.Я. Почвы Башкортостана. Эколого-генетическая и агропроизводственная характеристика. Уфа: Гилем, 1995. Т. 1. 384 с.
  8. Чернова О.В., Голозубов О.М., Алябина И.О., Щепащенко Д.Г. Комплексный подход к картографической оценке запасов органического углерода в почвах России // Почвоведение. 2021. № 3. C. 273–286.
  9. Шоба С.А., Алябина И.О., Голозубов О.М., Чекмарёв П.А., Лукин С.В., Чернова О.В., Колесникова В.М. Опыт создания информационной системы в целях рационального использования почвенных ресурсов // Вестник Моск. ун-та. Сер. 17, почвоведение. 2023. № 4. С. 1–28. https://doi.org/10.55959/MSU0137-0944-17-2023-78-4-14-28
  10. Adhikari K., Hartemink A.E., Minasny B., Bou Kheir R.M., Greve B., Greve M.H. Digital mapping of soil organic carbon contents and stocks in Denmark // PloS One. 2014. V. 9(8). P. e105519. https://doi.org/10.1371/journal.pone.0105519
  11. Batjes N.H., Calisto L., de Sousa L.M. Providing quality-assessed and standardised soil data to support global mapping and modelling (WoSIS snapshot 2023) // Earth System Science Data. 2024. V. 16. P. 4735–4765. https://doi.org/10.5194/essd-16-4735-2024
  12. Bishop T.F.A., McBratney A.B., Laslett G.M. Modelling soil attribute depth functions with equal-area quadratic smoothing splines // Geoderma. 1999. V. 91. P. 27–45. https://doi.org/10.1016/S0016-7061(99)00003-8
  13. Bontemps S., Radoux J., Defourny P., Eric V., Lamarche C., Frédéric A., Mayaux P. et al. Consistent global land cover maps for climate modelling communities: current achievements of the esa’ land cover cci. consistent global land cover maps for climate modelling communities // Proceedings of the ESA Living Planet Symposium, Edinburgh, Scotland. 2013. P. 9–13.
  14. Chen S., Arrouays D., Leatitia Mulder V., Poggio L., Minasny B., Roudier P., Libohova Z. et al. Digital mapping of GlobalSoilMap soil properties at a broad scale: A review // Geoderma. 2022. V. 409. P. 115567. https://doi.org/10.1016/j.geoderma.2021.115567
  15. Chen S., Chen Z., Zhang X., Luo Z., Schillaci C., Arrouays D., Richer-de-Forges A., Shi Z. European topsoil bulk density and organic carbon stock database (0–20 cm) using machine-learning-based pedotransfer functions // Earth System Sci. Data. 2024. V. 16. P. 2367–2383. https://doi.org/10.5194/essd-16-2367-2024
  16. Chinilin A., Savin I.Yu. Combining machine learning and environmental covariates for mapping of organic carbon in soils of Russia // Egypt. J. Remote Sensing Space Sci. 2023. V. 26. P. 666–675. https://doi.org/10.1016/j.ejrs.2023.07.007
  17. Dinerstein E., Olson D., Joshi A., Vynne C., Burgess N.D., Wikramanayake E., Hahn N., et al. An Ecoregion-Based Approach to Protecting Half the Terrestrial Realm // BioScience. 2017. V. 67. P. 534–545. https://doi.org/10.1093/biosci/bix014
  18. Fan Y., Li H., Miguez-Macho G. Global Patterns of Groundwater Table Depth // Science. 2013. V. 339. P. 940–943. https://doi.org/10.1126/science.1229881
  19. Fick S.E., Hijmans R.J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas // Int. J. Climatol. 2017. V. 37. P. 4302–4315. https://doi.org/10.1002/joc.5086
  20. Gomes L.C., Faria R.M., de Souza E., Veloso G.V., Schaefer C.E.G.R., Filho E.I.F. Modelling and mapping soil organic carbon stocks in Brazil // Geoderma. 2019. V. 340. P. 337–350. https://doi.org/10.1016/j.geoderma.2019.01.007
  21. Guyon I., Weston J., Barnhill S., Vapnik V. Gene selection for cancer classification using support vector machines // Machine Learning. 2002. V. 46. P. 389–422. https://doi.org/10.1023/A:1012487302797
  22. Han S.Y., Filippi P., Singh K., Whelan B., Bishop T. Assessment of global, national, and regional-level digital soil mapping products at different spatial supports // Eur. J. Soil Sci. 2022. V. 73. P. e13300. https://doi.org/10.1111/ejss.13300
  23. Hansen M.C., Potapov P.V., Moore R., Hancher M., Turubanova S.A., Tyukavina A., Thau D. et al. High-Resolution global maps of 21st-century forest cover change // Science. 2013. V. 342(6160). P. 850–853. https://doi.org/10.1126/science.1244693
  24. Hartmann J., Moosdorf N. The new global lithological map database GLiM: A representation of rock properties at the Earth surface // Geochemistry, Geophysics, Geosystems. 2012. V. 13. P. 2012GC004370. https://doi.org/10.1029/2012GC004370
  25. Helfenstein A., Mulder V.L., Hack-ten Broeke, M.J.D., van Doorn M., Teuling K., Walvoort D.J.J., Heuvelink G.B.M. BIS-4D: mapping soil properties and their uncertainties at 25 m resolution in the Netherlands // Earth System Science Data. 2024. V. 16. P. 2941–2970. https://doi.org/10.5194/essd-16-2941-2024
  26. Hengl T., Jesus J.M. de, Heuvelink G.B.M., Gonzalez M.R., Kilibarda M., Blagotić A., Shangguan W. et al. SoilGrids250m: Global gridded soil information based on machine learning // PLOS ONE. 2017. V. 12. P. e0169748. https://doi.org/10.1371/journal.pone.0169748
  27. Hijmans R. Terra: Spatial Data Analysis. R package version 1.8-45. 2025. https://github.com/rspatial/terra
  28. Karger D.N., Conrad O., Böhner J., Kawohl T., Kreft H., Soria-Auza R.W., Zimmermann N.E., Linder H.P., Kessler M. Climatologies at high resolution for the earth’s land surface areas // Scientific Data. 2017. V. 4. P. 170122. https://doi.org/10.1038/sdata.2017.122
  29. Krasilnikov P. Soil priorities in Russia // Geoderma Regional. 2022. V. 29. P. e00538. https://doi.org/10.1016/j.geodrs.2022.e00538
  30. Lamichhane S., Kumar L., Wilson B. Digital soil mapping algorithms and covariates for soil organic carbon mapping and their implications: A review // Geoderma. 2019. V. 352. P. 395–413. https://doi.org/10.1016/j.geoderma.2019.05.031
  31. Liu F., Wu H., Zhao Y., Li D., Yang J.-L., Song X., Shi Z., Zhu A.-X., Zhang G.-L. Mapping high resolution National Soil Information Grids of China // Sci. Bull. 2022. V. 67. P. 328–340. https://doi.org/10.1016/j.scib.2021.10.013
  32. Ma Y., Minasny B., McBratney A., Poggio L., Fajardo M. Predicting soil properties in 3D: Should depth be a covariate? // Geoderma. 2021. V. 383. P. 114794. https://doi.org/10.1016/j.geoderma.2020.114794
  33. McBratney A.B., Mendonça Santos M.L., Minasny B. On digital soil mapping // Geoderma. 2003. V. 117. P. 3–52. https://doi.org/10.1016/S0016-7061(03)00223-4
  34. Michéli E., Csorba Á., Láng V., Szegi T., Székács A., Várszegi G., Fuchs M., Pásztor L., Dobos E. Soil priorities for Hungary // Geoderma Regional. 2022. V. 29. P. e00521. https://doi.org/10.1016/j.geodrs.2022.e00521
  35. Mulder V.L., Lacoste M., Richer-de-Forges A.C., Arrouays D. GlobalSoilMap France: High-resolution spatial modelling the soils of France up to two meter depth // Sci. Total Environ. 2016. V. 573. P. 1352–1369. https://doi.org/10.1016/j.scitotenv.2016.07.066
  36. Orgiazzi A., Ballabio C., Panagos P., Jones A., Fernández-Ugalde O. LUCAS Soil, the largest expandable soil dataset for Europe: a review // Eur. J. Soil Sci. 2018. V. 69. P. 140–153. https://doi.org/10.1111/ejss.12499
  37. Pekel J.-F., Cottam A., Gorelick N., Belward A.S. High-resolution mapping of global surface water and its long-term changes // Nature. 2016. V. 540(7633). P. 418–422. https://doi.org/10.1038/nature20584
  38. Pelletier J.D., Broxton P.D., Hazenberg P., Zeng X., Troch P.A., Niu G., Williams Z.C., Brunke M.A., Gochis D. Global 1-km Gridded Thickness of Soil, Regolith, and Sedimentary Deposit Layers // ORNL DAAC. 2016. https://doi.org/10.3334/ORNLDAAC/1304
  39. Pfeiffer M., Padarian J., Osorio R., Bustamante N., Olmedo G.F., Zagal E., et al. CHLSOC: the Chilean Soil Organic Carbon database, a multi-institutional collaborative effort // Earth System Sci. Data. 2020. V. 12. P. 457–468. https://doi.org/10.5194/essd-12-457-2020
  40. Poggio L., de Sousa L.M., Batjes N.H., Heuvelink G.B.M., Kempen B., Ribeiro E., Rossiter D. SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty // Soil. 2021. V. 7. P. 217–240. https://doi.org/10.5194/soil-7-217-2021
  41. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2021. https://www.R-project.org/
  42. Rasmussen C., Asefaw-Berhe A., Turco R. Soil science research priorities in the United States // Geoderma Regional. 2022. V. 29. P. e00526. https://doi.org/10.1016/j.geodrs.2022.e00526
  43. Robinson N., Regetz J., Guralnick R.P. EarthEnv-DEM90: A nearly-global, void-free, multi-scale smoothed, 90m digital elevation model from fused ASTER and SRTM data // ISPRS J. Photogramm. Remote Sensing. 2014. V. 87. EarthEnv-DEM90. P. 57–67. https://doi.org/10.1016/j.isprsjprs.2013.11.002
  44. Savtchenko A., Ouzounov D., Ahmad S., Acker J., Leptoukh G., Koziana J., Nickless D. Terra and Aqua MODIS products available from NASA GES DAAC: Trace Constituents in the Troposphere and Lower Stratosphere // Adv. Space Res. 2004. V. 34. P. 710–714. https://doi.org/10.1016/j.asr.2004.03.012
  45. Sayre R., Dangermond J., Frye C., Vaughan R., Aniello P., Breyer S., Cribbs D. et al. A New Map of Global Ecological Land Units – An Ecophysiographic Stratification Approach. 2014. https://doi.org/10.13140/2.1.2167.8887
  46. Shi G., Sun W., Shangguan W., Wei Z., Yuan H., Li L., Sun X., Zhang Y., Liang H., Li D., Huang F., Li Q., Dai Y. A China dataset of soil properties for land surface modelling (version 2, CSDLv2) // Earth System Sci. Data. 2025. V. 17. P. 517–543. https://doi.org/10.5194/essd-17-517-2025
  47. Strobl C., Boulesteix A.-L., Zeileis A., Hothorn T. Bias in random forest variable importance measures: Illustrations, sources and a solution // BMC Bioinformatics. 2007. V. 8. P. 25. https://doi.org/10.1186/1471-2105-8-25
  48. Suleymanov A., Abakumov E., Alekseev I., Nizamutdinov T. Digital Mapping of Soil Properties in the High Latitudes of Russia Using Sparse Data // Geoderma Regional. 2024. V. 36. P. e00776. https://doi.org/10.1016/j.geodrs.2024.e00776.
  49. Suleymanov A., Arrouays D., Savin I. Digital soil mapping in the Russian Federation: A review // Geoderma Regional. 2024. V. 36. P. e00763. https://doi.org/10.1016/j.geodrs.2024.e00763
  50. Suleymanov A., Richer-de-Forges A.C., Saby N.P.A., Arrouays D., Martin M.P., Bispo A. National-scale digital soil mapping performances are related to covariates and sampling density: Lessons from France // Geoderma Regional. 2024. V. 37. P. e00801. https://doi.org/10.1016/j.geodrs.2024.e00801
  51. Szatmári G., Laborczi A., Mészáros J., Takács K., Benő A., Koós S., Bakacsi Z., Pásztor L. Gridded, temporally referenced spatial information on soil organic carbon for Hungary // Scientific Data. 2024. V. 11. P. 1312. https://doi.org/10.1038/s41597-024-04158-3
  52. Terribile F., Basile A., Bonifacio E., Corti G., Ferraro G., Mileti F.A., Munafò M. The sustainable use of soils: A journey from wicked problems to wicked solutions for soil policy // Soil Security. 2024. V. 17. P. 100174. https://doi.org/10.1016/j.soisec.2024.100174
  53. Tuanmu M.-N., Jetz W. A global, remote sensing-based characterization of terrestrial habitat heterogeneity for biodiversity and ecosystem modelling // Global Ecology and Biogeography. 2015. V. 24. P. 1329–1339. https://doi.org/10.1111/geb.12365
  54. Wilson A.M., Jetz W. Remotely sensed high-resolution global cloud dynamics for predicting ecosystem and biodiversity distributions // PLOS Biol. 2016. V. 14. P. e1002415. https://doi.org/10.1371/journal.pbio.1002415
  55. Žížala D., Minařík R., Skála J., Beitlerová H., Juřicová A., Reyes Rojas J., Penížek V., Zádorová T. High-resolution agriculture soil property maps from digital soil mapping methods, Czech Republic // Catena. 2022. V. 212. P. 106024. https://doi.org/10.1016/j.catena.2022.106024

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».