Permafrost in Mongolia is at the southern edge of the Siberian permafrost, which is most vulnerable to climate change. In this study, we used ERA5-Land data to determine the distribution of permafrost in Mongolia, and used MIROC5 data for future projection of the soil temperature. The future change of soil temperature obtained during 2020–2100 under Representative Concentration Pathways (RCP) scenarios was RCP 2.6 and RCP 8.5 respectively. This is a first attempt to identify the distribution of permafrost using ERA5-Land data in Mongolia. We examined the projection of permafrost distribution using RCP 2.6 and RCP 8.5 scenarios in Mongolia. The rapid increase of near-surface temperature was obtained in RCP8.5 scenario during 2020-2100. Soil temperature also has a high increasing trend similar to the near-surface temperature in the RCP 8.5 scenario. Future projection suggests that permafrost will completely thaw in Mongolia when area-averaged soil temperature in Mongolia exceeds 1.8°C in comparison with the current climate.

In Mongolia, greenhouse gas (GHG) and emission factors (EFs) from land-use categories including cropland, wetland, and peatland, have not been estimated. The main purpose of this study was to estimate GHG EF based on field measurement data for the wetland, peatland, and cropland using the IPPC guideline’s Volume-2 method. The determination of EFs for the land-use categories is crucial as it contributes to the national GHG inventory. Study sites were selected at the wetland, peatland, and cropland in (1) Khurkh river valley, and (2) near Ulaanbaatar city. Fieldwork was conducted during the spring and summer seasons of 2020-2021 and CO2 concentrations at study sites were measured using EGM-4 equipment with replicates (n=87). At the study sites, soil samples were collected from four different depths including 0-5 cm, 5-10 cm, 10-15 cm, and 15-30 cm. As the results, estimated EFs (± standard error) of the CO2 and CH4 were 357.2 g [CO2] m-2 yr-1 (±125.7) and 18.8 g [CH4] m-2 yr-1 (±6.6) in the peatland, 193.4 g [CO2] m-2 yr-1 (±53.8) and 10.2 g [CH4] m-2 yr-1 (±2.8) in the wetland, and 118.0 g [CO2] m-2 yr-1 (±29.4) and 6.2 g [CH4] m-2 yr-1 (±1.5) in the cropland. As these EFs measurements were determined by direct-field measurement method with seasonal and daily replicates within a year, they can be used as a “default value” for land-use categories in Mongolia. Чийг намаг, хүлэрт намаг болон тариалангийн талбайд хүлэмжийн хийн ялгарлын коэффициентыг тооцох нь ХУРААНГУЙ Монгол улсад газар ашиглалтын төрлүүд болох газар тариалан, чийг намаг, хүлэрт намагтай газраас ялгарч буй хүлэмжийн хий болон ялгарлын коэффициентыг тооцсон судалгаа одоог хүртэл хийгдээгүй байдаг. Энэхүү судалгаа нь IPCC-ын гарын авлагын Volume-2 арга зүйгээр газар ашиглалтийн төрлүүд дээрх хүлэмжийн ялгарлын коэффициентыг хээрийн шууд хэмжилтийн аргад суурилан тооцох зорилготой. Газар ашиглалтын төрлүүдэд ялгарлын коэффициентыг тодорхойлох нь үндэсний хэмжээний хүлэмжийн хийн тооллогод бодит хувь нэмэр оруулах ач холбогдолтой юм. Судалгаанд Хэнтий аймгийн (1) Хурхын голын хөндий, (2) Улаанбаатар хотын ойролцоох чийг намаг, хүлэрт намаг, тариалангийн талбайд судалгааны цэгүүдийг сонгосон. Судалгааг 2020-2021 оны хавар, зуны улиралд хийсэн бөгөөд СО2 ялгарлыг EGM-4 багаж ашиглан тодорхой давталттай (n=87) хэмжилт хийсэн. Сонгосон цэгүүдэд хөрсний дээжийг 0-5 см, 5-10 см, 10-15 см, 15-30 см гүнээс тус тус цуглуулсан. Судалгааны үр дүнгээр хүлэрт намгийн хүлэмжийн ялгарлын коэффициент нь нүүрстөрөгчийн давхар исэл, метан хийн хувьд 357.2 гр [CO2] м-2 жил-1 (±125.7), 18.8 гр [CH4] м-2 жил-1 (±6.6), чийг намгархаг газарт 193.4 гр [CO2] м-2 жил-1 (±53.8), 10.2 гр [CH4] м-2 жил-1 (±2.8), харин тариалангийн талбайд 118.0 гр [CO2] м-2 жил-1 (±29.4), 6.2 гр [CH4] м-2 жил-1 (±1.5) тус тус байсан. Энэхүү хэмжилтүүд нь улирлын болон цагийн давтамжтайгаар нэг жилийн хугацаанд шууд хэмжилтийн аргаар тодорхойлсон учир Монгол орны газар ашиглалтын төрлүүд дээр лавлах утга (default value) болон ашиглах бүрэн боломжтой юм. Түлхүүр үгс: Тариалангийн талбай, Хүлэмжийн хий, Хүлэрт намаг, Чийг намаг, Ялгарлын коэффициент

In this study, we examined changes in the surface area of the lakes in the permafrost region of the Mongolian Altai Mountain range between 1970 and 2021. We aimed to (1) determine the dynamic changes in the surface areas of the lakes, and (2) compare and analyze them using long-term climate data. We used a topo map (1970), Landsat 5 TM, and ETM+ (2000, 2006, 2011, 2015, and 2020-2021) satellite imagery, and delineated the surface areas of the lakes using normalized difference water index (NDWI). The long-term historical data and satellite imagery were used to determine changes in the number and the surface areas of the lakes (>1 ha). We classified the surface areas of the lakes into five categories (1 - 5 ha, 5 - 10 ha, 10 - 50 ha, 50 - 100 ha, and >100 ha) and compared them over the years. During the study period, the number and the total surface areas of the lakes decreased by –24.3% (or 406 to 307) and –18.6% (or 13093 to 10646 ha), respectively. Among the five categories, the number of small lakes with an area of 1-5 ha was significantly decreased. In contrast, we found that 17 lakes with a total area of 70 ha were newly formed during the past 50 years. The air temperature has increased significantly in the permafrost region of the Mongolian Altai Mountain since 1940. Hence, we conclude that the dynamics of the lakes in the region are attributed to the microclimate regimes, permafrost extent, and glaciers. Монгол Алтайн нурууны цэвдэгтэй бүсийн нууруудын өөрчлөлт (1970-2021) ХУРААНГУЙ: Энэхүү судалгаагаар бид 1970-2021 оны хооронд Монгол Алтайн нурууны цэвдэгтэй бүсийн нууруудын өөрчлөлтийг судалсан. Бид (1) Монгол Алтайн нурууны цэвдэгтэй бүс нутагт тархсан нууруудын гадаргын усны динамик өөрчлөлтийг тодорхойлох; (2) цаг уурын урт хугацааны мэдээтэй нууруудын өөрчлөлтийг харьцуулан шинжлэхийг зорьсон. Уг судалгаанд байрзүйн зураг (1970), Landsat 5 TM болон ETM+ (2000, 2006, 2011, 2015, 2020-2021) хиймэл дагуулын зургуудыг ашиглаж, нууруудын гадаргын усны талбайн хэмжээг нормчлогдсон усны индекс (NDWI) ашиглан зурсан. Нууруудын тоо болон гадаргын усны талбайн (>1 га) өөрчлөлтийг тодорхойлохын тулд урт хугацааны мэдээ, хиймэл дагуулын мэдээ ашигласан. Бид нуурын гадаргын усны талбайг хэмжээгээр нь тав ангилж (1 - 5 га, 5 - 10 га, 10 - 50 га, 50 - 100 га, >100 га) хугацаагаар нь харьцуулсан. Судалгааны хугацаанд нуурын нийт тоо болон гадаргын усны талбайн хэмжээ –24.3%-иар (406-аас 307),–18.6%-иар (13093 га-10646 га) тус тус буурсан. Дээрх таван ангиллаас 1 - 5 га талбайтай жижиг нууруудын тоо эрс буурсан. Харин эсрэгээрээ сүүлийн 50 жилийн хугацаанд нийт 70 га талбай бүхий 17 нуур шинээр үүссэн. Монгол Алтайн нурууны цэвдэгтэй бүсэд 1940 оноос хойш жилийн дундаж агаарын температур эрс нэмэгдээд байгаа. Эндээс бид бүс нутгийн нууруудын динамик өөрчлөлт нь бичил уур амьсгалын горим, цэвдгийн тархалт, мөстлөгтэй холбоотой гэж дүгнэж байна. Түлхүүр үгс: Нуурын өөрчлөлт, Монгол Алтайн нуруу, Цэвдэг, Уур амьсгалын өөрчлөлт

The Bayanzurkh soum of Khuvsgul province is located in the continuous and discontinuous permafrost zones. We investigated the soil organic carbon content in the Dood Toom, Dund Toom, Altarga and Beltes rivers valleys in Bayanzurkh Soum. In the study area, we collected 720 soil samples at 181 sites between 2022 and 2023. We determined soil organic carbon content (SOC, %), soil organic carbon density (SOCD, kg m-2), bulk density (g/cm3), stone content (%), and moisture content (%). The cryic umbrisols, cryic histosols, umbrisols, calcic histosols, sceletic regosols, and mollic cambisols soils were distributed across the study area. The result showed that the SOC content ranged between 1.7 and 93.8%, and cryic histosols was a higher values in SOC content. Whereas, SOC density ranges between 4.7 and 72.7 kg m-2, and cryic histosols was higher values in SOC density. According to our results, SOC density of cryic umbrisols and cryic histosols were a higher value than previous study. But, the SOC density of our study was lower than in permafrost regions of the Northern Hemisphere (Arctic). In addition, the SOC content had a high positive correlation with moisture content (r2 = 0.63), and highly negatively correlated with bulk density (r2 = -0.87) and stone content (r2 = -0.52). Цэвдэгт бүс нутгийн хөрсний органик нүүрстөрөгчийн судалгаа Хөвсгөл аймгийн Баянзүрх сум нь цэвдгийн үргэлжилсэн ба тасалданги тархалттай бүсэд оршдог. Бид энэхүү судалгаагаар Баянзүрх сумын Доод Тоом, Дунд Тоом, Алтарга, Бэлтэс голуудын хөндийн хөрсний органик нүүрстөрөгчийн агууламжийг судалсан. Судалгааны талбайд 2022-2023 оны хооронд нийт 181 хөрсний зүсэлт хийж, 720 орчим дээж цуглуулан хөрсний органик нүүрстөрөгчийн хэмжээ (ХОН, %), хөрсний органик нүүрстөрөгчийн агууламж (ХОН-ийн агууламж, кг м-2), эзлэхүүн жин (г/см3), чулууны агууламж (%), чийгийн хэмжээ (%) зэрэг үзүүлэлтүүдийг тодорхойлов. Судалгааны талбайд тайгын цэвдэгт, хүлэрлэг цэвдэгт, тайгын ширэгт, карбонаттай хүлэрлэг, чулуурхаг ялзмагт, уулын бараан хөрс тус тус тархсан байна. Судалгааны талбайн ХОН-ийн хэмжээ 1.7-93.8 % хооронд хэлбэлзэж хүлэрлэг цэвдэгт хөрсөнд хамгийн өндөр байсан. Харин ХОН-ийн агууламж 4.7-72.7 кг м-2-ийн хооронд хэлбэлзэж тайгын цэвдэгт хөрсөнд өндөр байсан. Судалгааны үр дүнг Монгол орны тайгын болон хүлэрлэг цэвдэгт ХОН-ийн агууламжийн өмнөх судалгаатай харьцуулахад бидний судалгааны үзүүлэлт өндөр байсан бол дэлхийн бөмбөрцгийн хойд хагасын (Арктикийн) цэвдэгт бүс нутгийн ХОН-ийн агууламжаас бага байсан. Судалгааны цэгүүд дээрх ХОН - ийн хэмжээг чулуу болон чийгийн хэмжээ, эзлэхүүн жинтэй харьцуулахад чулууны агууламж (r2 = -0.52) болон эзлэхүүн жин (r2 = -0.87) - ээс хүчтэй урвуу хамааралтай байсан бол чийгийн хэмжээ (r2 = 0.63) - ээс хүчтэй эерэг хамааралтай байна. Түлхүүр үгс: Цэвдэг, Хөрсний органик нүүрстөрөгч, Хөрсний органик нүүрстөрөгчийн агууламж, Баянзүрх сум

Soil organic carbon (SOC) is the largest carbon reservoir in the terrestrial ecosystem and plays an important role in the global carbon cycle. Consequently, even a slight change in SOC content due to land use, soil management, or rates of soil erosion can considerably increase atmospheric CO2 concentrations. The main purpose of this study is to predict and map SOC content in small area by applying machine learning (ML) algorithms using field measurements and remote sensing data. We used to three different algorithms such as Random Forest (RF), Extreme Gradient Boosting (eXGB), and Gradient Boosted Regression (GBR) of ML. According to field work, 123 soil samples (0–30 cm) were collected from Bayanzurkh soum in Khuvsgul, and 26 variables were used to predict SOC content. As shown the prediction results, the GBR algorithm demonstrated the highest performance, explaining 78% of the variation in soil SOC content, with an RMSE of 42.9 g/kg and an MAE of 33.1 g/kg. The ranking of model performance in terms of prediction accuracy was GBR > eXGB > RF. Therefore, we found a strong relationship (R² = 0.94) between the predicted and measured values based on linear regression analysis. The most influential predictor variables were SILT (13.6%), CLAY (7.8%), NDVI (7.3%), and SOLAR RADIATION (6.3%). These results demonstrate that SOC content can be effectively predicted using machine learning algorithms. However, it is advisable to compare the performance of multiple algorithms and select the most suitable approach for the small area.