Mô hình hóa không gian của chỉ số độ màu mỡ của đất sử dụng quang phổ và thuộc tính địa hình

Soil Science Society of America Journal - Tập 74 Số 4 - Trang 1293-1300 - 2010
Raphael A. Viscarra Rossel1, Rodnei Rizzo1,2, José Alexandre Melo Demattê2, Thorsten Behrens3
1CSIRO Land and Water, Bruce E. Butler Lab., GPO Box 1666, Canberra, ACT, 2601 Australia
2Soil Science Dep. Univ. de São Paulo Piracicaba S.P. Brazil
3Institute of Geography, Physical Geography, Univ. of Tübingen Rümelinstraße 19‐23 D‐72074 Tübingen Germany

Tóm tắt

Mục tiêu của chúng tôi là phát triển một phương pháp dự đoán độ màu mỡ của đất sử dụng quang phổ phản xạ tán xạ trong vùng nhìn thấy và gần hồng ngoại (vis–NIR) cùng với các thuộc tính địa hình có nguồn gốc từ mô hình độ cao số (DEM). Cụ thể, chúng tôi hướng đến: (i) tập hợp một bộ dữ liệu tối thiểu để phát triển một chỉ số độ màu mỡ của đất cho cây mía (Saccharum officinarum L.) (SFI‐SC) phục vụ sản xuất nhiên liệu sinh học tại các vùng đất nhiệt đới; (ii) xây dựng một mô hình dự đoán SFI‐SC sử dụng quang phổ vis–NIR của đất và các thuộc tính địa hình; và (iii) sản xuất một bản đồ độ màu mỡ của đất cho khu vực nghiên cứu của chúng tôi và đánh giá nó bằng cách so sánh với một chỉ số thực vật xanh (GVI). Khu vực nghiên cứu rộng 185 ha nằm ở bang São Paulo, Brazil. Tổng cộng, 184 mẫu đất đã được thu thập và phân tích để xác định một loạt các thuộc tính hóa học và vật lý của đất. Quang phổ vis–NIR của chúng được thu thập trong khoảng từ 400 đến 2500 nm. Mô hình DEM của khu vực với độ phân giải 3-giây (90-m) từ nhiệm vụ radar độ cao Space Shuttle đã được sử dụng để suy diễn 17 thuộc tính địa hình. Một bộ dữ liệu tối thiểu về các thuộc tính đất đã được chọn để phát triển SFI‐SC. SFI‐SC bao gồm ba lớp: Lớp 1, đất có độ màu mỡ cao; Lớp 2, đất có độ màu mỡ vừa; và Lớp 3, đất có độ màu mỡ thấp nhất. Nó được suy ra một cách heuristic với các điều kiện và sử dụng kiến thức chuyên gia. Chỉ số này được mô hình hóa với các dữ liệu quang phổ và địa hình bằng cách sử dụng cây quyết định có xác nhận chéo. Sự xác nhận chéo của mô hình đã dự đoán đúng Lớp 1 trong 75% trường hợp, Lớp 2 trong 61% và Lớp 3 trong 65%. Một bản đồ độ màu mỡ đã được tạo ra cho khu vực nghiên cứu và so sánh với bản đồ GVI. Phương pháp của chúng tôi cung cấp một phương pháp luận kết hợp kiến thức chuyên gia để suy diễn SFI‐SC và sử dụng một phương pháp quang phổ - không gian linh hoạt có thể được thực hiện để xác định nhanh chóng và chính xác độ màu mỡ của đất và cải thiện việc khám phá các khu vực thích hợp cho sản xuất.

Từ khóa


Tài liệu tham khảo

Awiti A.O., 2007, Soil condition classification using infrared spectroscopy: A proposition for assessment of soil condition along a tropical forest–cropland chronosequence, Geoderma, 143, 73, 10.1016/j.geoderma.2007.08.021

Behrens T., 2009, Multi‐scale digital terrain analysis and feature selection for digital soil mapping, Geoderma, 55, 175

10.1016/j.geoderma.2005.04.025

Catani R.A., 1955, Avaliação da exigência em calcário dos solos do Estado de São Paulo mediante correlação entre pH e a porcentagem de saturação em bases, Rev. Agric. Piracicaba, 30, 49

Cesar M.A.A., 1987, Capacidade de fosfatos naturais e artificiais em elevar o teor de fósforo no caldo de cana‐de‐açucar visando o processo industrial, STAB: Acúcar, Álcool Subptodutos, 6, 32

10.2136/sssaj2001.652480x

Ciotta M.N., 2003, Soil organic matter and cation exchange capacity increases in a low activity clay soil under no‐tillage system. (In Portuguese, with English abstract.), Cienc. Rural, 33, 1161

De Camargo A.O., 1986, Chemical, physical and mineralogical analyses methods of the IAC soils

10.1016/j.geoderma.2003.09.012

10.1080/02693799508902047

Girgin B.N., 2005, Landscape position and surface curvature effects on soils developed in the Palouse area, Washington, Proc. SPIE, 2818, 61, 10.1117/12.256077

10.1007/978-0-387-21606-5

Jarvis A., 2008, SRTM 90m digital elevation data, version 4

10.1097/00010694-194111000-00009

Lespch I.F., 1987, Ecofisiologia da produção, 83

Letey J., 2003, Deficiencies in the soil quality concept and its application, J. Soil Water Conserv., 58, 180

Malet P., 1996, Classifying the geometry of canopies from time variations of red and near infrared reflectance, Remote Sens. Environ., 56, 164, 10.1016/0034-4257(95)00223-5

10.1590/S0103-90162001000200012

10.1016/S0016-7061(03)00223-4

10.2136/sssaj1996.03615995006000060038x

10.1002/hyp.3360050103

10.1016/j.geoderma.2004.09.013

10.1016/j.compag.2006.12.011

10.2136/sssaj2001.1787

Prado H., 2005, Brazilian soils: Genesis, morphology, classification, mapping and management

Prado H., 1998, World Congr. of Soil Sci., 232

Quinlan J.R., 1993, C4.5: Programs for machine learning

10.1016/j.geoderma.2006.03.021

Soil Survey Staff, 1999, Agric. Handbk. 436

10.1016/j.ecolind.2007.05.005

Vagen T., 2005, Sensing landscape level change in soil fertility following deforestation and conversion in the highlands of Madagascar using vis‐NIR spectroscopy, Geoderma, 133, 281, 10.1016/j.geoderma.2005.07.014

Raij B., 1991, Fertilidade do solo e adubação

Raij B., 1983, Bol. Téc. 81

10.1016/j.chemolab.2007.06.006

10.1016/j.geoderma.2009.01.025

10.1016/S0016-7061(98)00023-8

10.1016/j.geoderma.2006.07.004

10.1016/j.geoderma.2005.03.007

Webster R., 2001, Geostatistics for environmental scientists