Выбор стратегии отбора почвенных образцов начинается на этапе формулировки научной гипотезы или научного вопроса. Это позволяет заранее определиться: 1) с целевыми переменными, которые характеризуют интересующие почвенные процессы или свойства; 2) возможными предикторами; 3) условиями, относительно которых будет сделан вывод. Стратегии отбора почвенных образцов включают подходы, основанные на дизайне (design-based) и модели (model-based) (Lawrence et al., 2019). “Design-based” подход считается классическим, в этом случае выбор локаций отбора почвенных образцов осуществляется случайным образом, в результате исследователь получает вероятностную выборку. В “model-based” подходе точки исследования выбирают с учетом статистической модели пространственной изменчивости возможных предикторов целевой переменной. Данный подход является частным случаем невероятностной выборки. В “design-based” подходе различают: простую (simple random sampling), стратифицированную (stratified simple random sampling), двухэтапную (two-stage random sampling), кластерную (сluster random sampling) и систематическую (systematic random sampling) случайную выборку. В качестве алгоритма, основанного на модели, применяют сonditioned latin hypercube sampling (CLHS) и maxvol (Minasny, McBratney, 2006; Petrovskaia et al., 2021). Данные алгоритмы целесообразно использовать при наличии большого количества дополнительной информации о предикторах и их вариации в пространстве изучаемой территории. В качестве практических примеров приведены стратегии к отбору почвенных образцов в городских (стратифицированная случайна выборка), горных (сочетание стратифицированной и кластерной случайной выборки) и агрогенных (CLHS алгоритм) экосистемах. Идеальной (универсальной) стратегии отбора почвенных образцов не существует, но она может быть хорошо продуманной и обоснованной. Так, на предварительном этапе исследования может быть проведена экспертная выборка, в результате которой устанавливаются критерии с учетом факторов почвообразования и генезиса почв, формируется понимание источников вариации целевой переменной. На втором этапе, в условиях выбранных критериев, может быть применен алгоритм для отбора почвенных образцов, основанный на модели, либо классический “design-based”, основанный на вероятностной выборке.

1. Lawrence P.G., Roper W., Morris T.F., Guillard K. Guiding soil sampling strategies using classical and spatial statistics: A review // Agronomy Journal. 2020. V. 112. P. 493–510. https://doi.org/10.1002/agj2.20048
2. Minasny B., McBratney A.B. A conditioned Latin hypercube method for sampling in the presence of ancillary information // Computers & Geosciences. 2006. V. 32. P. 1378-1388. https://doi.org/10.1016/j.cageo.2005.12.009
3. Petrovskaia A., Ryzhakov G., Oseledets I. Optimal soil sampling design based on the maxvol algorithm // Geoderma. 2021.V. 402. P. 115362. https://doi.org/10.1016/j.geoderma.2021.115362