برای اینکه مدلسازی و پیش‌بینی شاخص‌های خاک کاملاً عملیاتی باشد و تصمیم‌گیری را در هر سطح مکانی تسهیل کند، نیاز به اطلاعات مکانی دقیق ارجاع‌شده خاک به عنوان داده‌های ورودی وجود دارد. این مقاله بر روی نشان دادن ظرفیت تصویربرداری چندطیفی Sentinal-2A (S2A) برای پیش‌بینی ویژگی‌های خاک و ارائه تجزیه و تحلیل زمین آماری (کریجینگ معمولی) برای نقشه‌برداری شرایط حاصلخیزی خاک خشک (SOCs) تمرکز دارد. برای انتخاب مکان‌های نمونه‌گیری نماینده در منطقه مورد مطالعه، از نمونه‌گیری هایپرمکعب لاتین شرطی استفاده شد. برای دستیابی به اهداف این کار، 48 نمونه خاک سطحی از بخش غربی استان مطروح مصر و pH، مواد آلی خاک (SOM)، نیتروژن (N)، فسفر (P) و پتاسیم (K) جمع‌آوری شد. سطوح مورد تجزیه و تحلیل قرار گرفت. رگرسیون چند خطی (MLR) برای مدل‌سازی رابطه بین بازتاب تصویر و آنالیز آزمایشگاهی (pH، SOM، N، P، و K در خاک)، و به دنبال آن نقشه‌برداری خروجی‌های پیش‌بینی‌شده با استفاده از کریجینگ معمولی استفاده شد. برازش مدل با حذف متغیرها با توجه به سطح اطمینان (95 درصد) به دست آمد. حدود 30 درصد از نمونه ها به طور تصادفی برای تأیید اعتبار نتایج انتخاب شدند. نمونه های انتخاب شده به طور تصادفی به بیان تنوع ویژگی های خاک از منطقه مورد بررسی کمک کردند. مقادیر پیش‌بینی‌شده pH، SOM، N، P و K با R به خوبی عمل کردند حدود 30 درصد از نمونه ها به طور تصادفی برای تأیید صحت نتایج انتخاب شدند. نمونه های انتخاب شده به طور تصادفی به بیان تنوع ویژگی های خاک از منطقه مورد بررسی کمک کردند. مقادیر پیش‌بینی‌شده pH، SOM، N، P و K با R به خوبی عمل کردند حدود 30 درصد از نمونه ها به طور تصادفی برای تأیید صحت نتایج انتخاب شدند. نمونه های انتخاب شده به طور تصادفی به بیان تنوع ویژگی های خاک از منطقه مورد بررسی کمک کردند. مقادیر پیش‌بینی‌شده pH، SOM، N، P و K با R به خوبی عمل کردند2 مقدار 0.6، 0.7، 0.55، 0.6، و 0.92 به ترتیب برای pH، SOM، N، P و K به دست آمد. نتایج حاصل از سازنده مدل ArcGIS یک مرتبه باروری نزولی را در منطقه مورد مطالعه نشان داد: 70٪ باروری کم، 22٪ باروری متوسط، 3٪ باروری بسیار کم و 5٪ شرایط مرجع. این کار گواه آن چیزی است که می توان از تصاویر S2A پیش بینی کرد و مرجعی برای نظارت بر حاصلخیزی خاک در زمین های خشک ارائه می دهد. علاوه بر این، این مدل را می توان به راحتی در شرایط محیطی مشابه با منطقه مورد مطالعه اعمال کرد.

کلید واژه ها:

مدل سازی حاصلخیزی خاک ; GIS ; کریجینگ معمولی ؛ cLHS ; تصویر S2A ; زمین های خشک

1. مقدمه

خاک ها اکوسیستم های بسیار پیچیده ای هستند که توسط عوامل بیولوژیکی و غیر بیولوژیکی شکل می گیرند که به طور گسترده از محیطی به محیط دیگر در نوسان هستند. بکارگیری شیوه های مناسب مدیریت کشاورزی مستلزم توصیف، مدل سازی و نقشه برداری از ویژگی های خاک است [ 1 ، 2 ، 3 ، 4 ]. مدل‌های ویژگی‌ها و شاخص‌های خاک به استفاده از اطلاعات دقیق خاک به‌عنوان ورودی برای کمک به تسهیل تصمیم‌گیری در سطوح ملی و بین‌المللی نیاز دارند [ 5 ]. برآورد خصوصیات مختلف خاک با روش های سنتی مستلزم کار مزرعه ای و آزمایشگاهی فشرده است. این زمان‌بر، پرهزینه است و نتایج نیز ممکن است تحت‌تاثیر عدم قطعیت قابل‌توجه باشد [ 6 ]]. بنابراین، ترکیب داده‌های سنجش از دور و اندازه‌گیری‌های میدانی به‌عنوان راهی برای مدل‌سازی و نقشه‌برداری ویژگی‌های خاک پیشنهاد شده‌است [ 7 ، 8 ]. علاوه بر این، داده‌های با کیفیت بالا، از جمله مدل‌های رقومی ارتفاع (DEM) و تصاویر ماهواره‌ای، امکان ایجاد روش‌های جدیدی را برای انتخاب نمونه‌های توزیع‌شده در فضای ویژگی متغیرهای محیطی فراهم کرده‌اند. نمونه گیری لاتین هایپرمکعب شرطی (cLHS) یک مثال غیر معمول است [ 9 ]. در بسیاری از مطالعات نقشه برداری از نظر تضمین پوشش کامل یک فضای ویژگی چند متغیره اجرا شده است [ 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ., 17 , 18 , 19 , 20 , 21 , 22 , 23 ]. برخی از ویژگی‌های حیاتی خاک، مانند شوری، بافت، مواد معدنی و مواد آلی، با استفاده از نقشه‌بردار موضوعی تقویت‌شده پلاس (ETM+)، Landsat-7 و Landsat-8 (OLIs) برآورد و بررسی شده‌اند [ 24 ]. روش‌های فراطیفی مادون قرمز مرئی، مادون قرمز نزدیک و موج کوتاه برای تخمین ویژگی‌های خاک سطحی مانند کربن آلی خاک (SOC)، ظرفیت تبادل کاتیونی، بافت خاک و کربنات کلسیم استفاده شده است [ 25 ، 26 ، 27 ، 28 ، 29]. یکی از چالش‌های اصلی امروزه یافتن بهترین راه برای توسعه روش‌های کم‌هزینه برای مدل‌سازی و نقشه‌برداری خواص فیزیکی و شیمیایی خاک در مناطق وسیع است. سنجش از دور (RS) معمولاً، عمدتاً در مقیاس منطقه‌ای، برای نقشه‌برداری خاک به دلیل هزینه‌های پایین، جمع‌آوری سریع داده‌ها و در دسترس بودن کیفیت اطلاعات زمانی و مکانی بالا استفاده می‌شود [ 30 ]. ماهواره‌ها و سکوهای هوایی که برای گرفتن تصاویر خاک برهنه استفاده می‌شوند را می‌توان با روش‌های سنتی، مانند نسبت باند و آنالیز متمایز تجزیه و تحلیل کرد [ 30 ]]. پیش‌بینی کافی ویژگی‌های خاک با استفاده از داده‌های فراطیفی به دلیل پدیده بازتاب خاک آسان نیست. برای غلبه بر این مشکل، از تحلیل رگرسیون، از جمله تحلیل رگرسیون چندگانه (MLR)، رگرسیون مؤلفه اصلی (PCR) و رگرسیون حداقل مربعات جزئی (PLS) استفاده شده است که بین خواص خاک و داده های بازتاب یا شاخص های طیفی ارتباط برقرار می کند. [ 30 ، 31 ]. استفاده از تصاویر ابرطیفی VNIR/SWIR توسط یک مطالعه قبلی به عنوان یک ابزار بسیار مهم برای نقشه‌برداری ویژگی‌های خاک تایید شد، با این حال، به دلیل هزینه بالا و در دسترس بودن کم، نمی‌توان آن را برای مناطق بزرگ یا برای دوره‌های زمانی طولانی اجرا کرد [ 5 ]]. وضوح زمانی کم وضوح های چندطیفی، فضایی درشت و طیفی VNIR/SWIR در این حسگرها باعث نقص در عملکرد پیش بینی فضایی تحت سیستم محصول سالانه می شود، زیرا دوره زمانی در دسترس بودن خاک خالی بسیار کوتاه است [ 32 ، 33 ]. آژانس فضایی اروپا داده های ماهواره چندطیفی Sentinal-2A را در نوامبر گذشته (2015) با توسعه تصاویر منطقه ای بزرگ که انقلابی تلقی می شود، پرتاب کرد [ 5 ]. داده های Sentinal-2A (S2A) نوامبر گذشته (2015) منتشر شد. دارای وضوح زمانی، مکانی (10 تا 60 متر) و طیفی (20 تا 180 نانومتر) است [ 5 ، 33 ]]. امروزه برای شناسایی عناصری که در خاک دچار کمبود هستند، نیاز به تجزیه و تحلیل سریع با هزینه کم و دقت بالا وجود دارد. داده های تصویر ماهواره ای می توانند تجزیه و تحلیل درجا را تکمیل کنند [ 34 ، 35 ]. اندازه گیری های دقیق و روش های کارآمد باید برای بهبود کیفیت خاک و آب انجام شود [ 36 ]. اطلاعات قابل اندازه گیری برای ویژگی های خاک و گسترش فضایی آنها برای دستیابی به توسعه پایدار کشاورزی و کاهش اثرات منفی زیست محیطی بسیار مهم است [ 37 , 38 , 39]. این امر در زمین‌های خشک بسیار حیاتی است زیرا این مناطق دارای عوامل محدودکننده زیادی برای حاصلخیزی خاک هستند، مانند محتوای کم نیتروژن (N)، فسفر (P)، پتاسیم (K)، مواد آلی خاک (SOM%) و کمبود آب آبیاری نقشه برداری از این عوامل نشانگر خوبی از تخریب زمین است [ 40 , 41 , 42]. اخیراً، توسعه رویکردهای کم‌هزینه برای نقشه‌برداری از ویژگی‌های خاک در یک منطقه بزرگ مورد نیاز است. علاوه بر این، مهم است که در نظر بگیریم که مدیریت زمین های کشاورزی به روشی برای تجزیه و تحلیل سریع برای مشخص کردن عناصر کمبود در خاک و همچنین در محصولات نیاز دارد. بنابراین، این تحقیق با هدف ارزیابی پتانسیل تصویربرداری S2A و تحلیل زمین آماری (کریجینگ معمولی) برای پیش‌بینی ویژگی‌های خاک انتخاب‌شده و نشان دادن توزیع شرایط حاصلخیز منطقه مورد مطالعه بر اساس ویژگی‌های پیش‌بینی‌شده انجام می‌شود. مناطق مورد مطالعه بر بخش‌های غربی استان ماتروه (سواحل شمال غربی مصر) متمرکز هستند، که بخش‌هایی از آن قبلاً به عنوان مناطق آزمایشی برای نقشه‌برداری با استفاده از داده‌های طیف‌سنجی Vis-NIR استفاده می‌شد. رویکرد پیشنهادی ما را قادر می سازد تا روابط بین بازتاب طیفی را مدل کنیم،

2. مواد و روشها

روش پیشنهادی در این کار در شکل 1 نمایش داده شده است .

2.1. منطقه مطالعه

منطقه آزمایشی در بخش غربی استان مطروح مصر، بین طول‌های جغرافیایی 26 درجه و 49 دقیقه و 06 دقیقه و 26 درجه و 58 دقیقه و 07 دقیقه و 31 درجه و 13 دقیقه و 31 درجه و 26 دقیقه و 36 سانتی‌متر شمالی قرار دارد. مساحت کل 213.7 کیلومتر مربع ( شکل 2 ). منطقه مورد مطالعه دارای تنوع گسترده ای از شرایط محیطی است [ 43 ، 44 ] و با آب و هوای دریای مدیترانه مشخص می شود، با بارش باران بین 105 تا 200 میلی متر در روز و میانگین دمای 8.1 تا 18 درجه سانتی گراد و 20 تا 29.2 درجه سانتی گراد در نوسان است. به ترتیب در فصول زمستان و تابستان [ 6]. این منطقه در طول تابستان از پوشش گیاهی کم تراکم رنج می برد و پوشش گیاهی در زمستان و بهار به دلیل بارندگی شروع به افزایش می کند. ارتفاع زمین بین 11 و 212 متر بالاتر از سطح دریا (اسل) متفاوت است، همانطور که در شکل 3 مشاهده می شود ، با کمترین مناطق نزدیک به دریای مدیترانه و بالاترین مناطق در منطقه جنوبی ظاهر می شوند ( شکل 3 ) [ 6 ] . نهشته های میوسن و کواترنر واحدهای اصلی زمین شناسی هستند [ 44 ، 45 ]. واحدهای ژئومورفولوژیکی اصلی در منطقه مورد مطالعه عبارتند از دشت (3453.68 هکتار)، وادی (733 هکتار)، تراس (7149.65 هکتار)، حوضه (399.27 هکتار)، دشت روسازی و واحد مرجع (11064.76 هکتار) بر اساس [ 46 ]. .شکل 4 سه طبقه کاربری و پوشش زمین (LULC) را نشان می دهد که در منطقه مورد بررسی مشخص شده است: کشاورزی، شهری و خاک های لخت. این طبقات به ترتیب 1064.26 (5%)، 273.36 (1.3) و 20210.76 (93.7%) هکتار (هکتار) از سطح منطقه مورد مطالعه را پوشش می دهند. خاک های منطقه مورد مطالعه به دو راسته یعنی Entisols و Aridisols طبقه بندی می شوند که به پنج زیر گروه تقسیم می شوند: Typic TorriPsamments، Typic Calcigypsids، TypicHaplogypsids، Typic Haplocalcids و Lithic Torriorthents [ 44 ، 47 ].

2.2. نمونه برداری خاک و آنالیز آزمایشگاهی

نمونه‌برداری ابرمکعبی شرطی لاتین (cLHS) برای تحقق بهترین توزیع‌های محل نمونه‌برداری بر اساس ویژگی‌های چشم‌انداز استفاده شد [ 9 ، 48 ]. تعداد نقاط نمونه 400 و تعداد تکرار 50000 در شکل 1 و شکل 5 تعیین شد . انتخاب نمونه ها (400 نقطه) بر اساس پارامترهای هیدرولوژیکی و مورفومتریک، یعنی مدل رقومی ارتفاع (DEM) بود شیب، انحنا، انحنای پروفیل، انحنای پلان، شاخص توان جریان، طول شیب و طبقه‌بندی داده‌های ISO تصاویر S2A ( مواد تکمیلی: شکل‌های S1 و S2 ) [ 49] و مناطق شهری مستثنی شدند. تمام مکان های نمونه خاک در مزرعه بررسی شد. چهل و هشت مکان برای نشان دادن اشکال مختلف زمین های منطقه مورد مطالعه بر اساس [ 46 ] انتخاب شدند ( شکل 6 ). نمونه‌های خاک از منطقه مورد مطالعه جمع‌آوری و به آزمایشگاه‌های خاک، آب و گیاه مربوطه در دانشکده کشاورزی دانشگاه تانتا مطابق با الزامات ISO/IEC 17,025:2017 برای تجزیه و تحلیل منتقل شدند. نمونه ها در دمای معمولی در هوا خشک شدند و سپس از الک 2 میلی متری عبور داده شدند. نسبت ماده آلی خاک (SOM%) طبق روش Walkley and Black و واکنش خاک (pH) با استفاده از pH متر (V HANNA) [ 44 ] آنالیز شد.]. سطوح نیتروژن (N)، فسفر (P) و پتاسیم (K) در دسترس توسط اسپکتروفتومتری Kjeldahl (طول موج 880) و فتومتری شعله [ 50 ] تعیین شد.

2.3. پردازش تصویر دیجیتال

تصویر Sentinal-2A در سپتامبر 2021 به دست آمد و داده‌های ابری با چگالی کم از سازمان زمین‌شناسی ایالات متحده (USGS) دانلود شد. تصویر چند طیفی S2A دارای 13 باند طیفی است. چهار مورد از آنها دارای وضوح 10 متر و شش تا از باندها دارای وضوح 20 متر هستند ( جدول 1 ). تصویر با استفاده از مدل انتقال تابشی ATCOR2 مطابق با [ 51 ] از نظر جوی تصحیح شد. مختصات Universal Transverse Mercator (UTM) برای تصحیح جغرافیایی تصویر استفاده شد. سپس تمامی تحلیل ها و فرآیندهای تصاویر ماهواره ای با استفاده از تولیدکنندگان استاندارد ارائه شده توسط نرم افزار اسنپ [ 52 ] انجام شد. تمام باندهای طیفی توسط تابع نمونه برداری مجدد S2A در نرم افزار SNAP به 10 متر نمونه برداری شدند ( شکل 7).

2.4. مراحل مدلسازی

رگرسیون خطی چندگانه (MLR) برای پیش‌بینی پاسخ متغیر وابسته، از بین بسیاری از متغیرهای مستقل، به عنوان یک تابع همبستگی بین آنها استفاده شد. الگوریتم MLR با استفاده از SPSS V22، با تجزیه و تحلیل گام به گام (به عقب) پیاده‌سازی شد و مدل را از طریق حذف متغیرها با توجه به سطح اطمینان (95%) برازش داد. حدود 70 درصد نمونه ها برای کالیبراسیون و 30 درصد برای اعتبارسنجی استفاده شدند. میانگین بازتاب طیفی از تصویر S2A برای تعیین پارامترهای حاصلخیزی خاک، یعنی pH، SOM، N، P و K استفاده شد. نقشه‌های خروجی با محاسبه ضریب همبستگی ( R2 ) و ریشه میانگین مربع اعتبارسنجی شدند. خطا (RMSE) (معادلات (1) و (2)). علاوه بر این، R 2همچنین برای توصیف اعتبار مدل مورد استفاده قرار گرفت، جایی که x مقدار پارامتر خاک i را بیان می کند ، که در آزمایشگاه آنالیز شد و به عنوان مقدار پس زمینه برای فرآیند کالیبراسیون استفاده شد. y مقدار پیش‌بینی‌شده را نشان می‌دهد و n تعداد نمونه‌های خاک مورد استفاده برای کالیبراسیون است [ 53 ، 54 ].

آر2=1-∑من=1n(yمن-yمن^)2∑من=1n(yمن-yمن¯)2

که در آن n = تعداد نمونه ها، y i = مقدار اندازه گیری شده. yمن^= مقدار پیش بینی شده، و yمن ¯= میانگین همه مقادیر.

RMSE=1ن∑من=1ن[ز1(ایکسمن)-ز2(ایکسمن)]2

که در آن Z 1 ( x i ) = مقادیر اندازه گیری شده و Z 2 ( x i ) = مقادیر پیش بینی شده است.

2.5. تهیه نقشه خواص خاک

پیش‌بینی ارزش ویژگی‌های خاک با استفاده از کریجینگ معمولی (OK) انجام شد. OK یک مدل زمین آماری است که ویژگی های خاک انتخاب شده را در مکان نمونه برداری شده پیش بینی می کند [ 55 ، 56 ]. ابزار هیستوگرام و نمودارهای QQ نرمال برای بررسی توزیع نرمال داده ها برای هر پارامتر استفاده شد. در این کار، مدل‌های نیمه واریوگرام (گاوسی، کروی، و پایدار) را برای هر پارامتر [ 55 ، 56 ] طبق معادلات (3) و (4) پیاده‌سازی کردیم. انتخاب بهترین مدل بر اساس محاسبه RMSE، میانگین خطای استاندارد شده (MSE) و ریشه میانگین مربع خطای استاندارد شده (RMSEE) مطابق معادلات (5) و (6) انجام شد.

تابع گاوسی به صورت زیر تعریف شد:

(ساعت)={سی0+سی(1-هایکسپ(-ساعت2آ2))،ساعت>00،ساعت=0

تابع کروی به صورت زیر تعریف شد:

(ساعت)={سی0+سی(3ساعت2آ-12-(ساعتآ)3)،0<ساعت≤آسی0+سی،ساعت>آ0،ساعت=0

که در آن a = محدوده واقعی برای کروی و دایره، h = تاخیر فضایی، C 0 = قطعه، و C = آستانه جزئی است.

MSE=1ن∑من=1ن[ز1(ایکس1)-ز2(ایکس2)]
RMSSE=1ن∑من=1ن[ز1(ایکسمن)-ز2(ایکسمن)]2

2.6. مدلسازی SFC در منطقه مورد مطالعه

شرایط حاصلخیزی خاک (SFC) محتوای مواد مغذی خاک، یعنی N، P، K، SOM و pH موجود را مشخص می کند ( شکل 8 )، که با استفاده از مدل MLR توسعه یافته است. عواملی که در این مطالعه برای محاسبه وضعیت باروری انتخاب شدند بر اساس معیارهای مورد نیاز رشد محصول بر اساس [ 37 ] بود. SFC به عنوان شاخصی برای درجه مناسب بودن محصول برای استفاده های دقیق استفاده می شود [ 6 ]. مدل سازی فضایی GIS برای ارزیابی SFCها بر اساس رابطه زیر (7) استفاده شد.

SFC = S * [N * P * K * SOM * pH] 1/5

که در آن S = امتیاز هر پارامتر.

تابع سازنده مدل در Arc GIS 10.7 برای ایجاد مدل فضایی SFCها استفاده شد. تجزیه و تحلیل فضایی انتخاب شده پارامترها در یک زنجیره نمودار [ 57 ] نمایش داده می شود ( شکل 8 ). خروجی هر فرآیند به عنوان ورودی برای فرآیند بعدی در نظر گرفته می شود [ 58 ]. مراحل بعدی در این تحقیق برای به دست آوردن نقشه نهایی SFC منطقه مورد بررسی به کار گرفته شد: الف) درون یابی خصوصیات خاک به لایه شطرنجی که نتایج حاصل از این مرحله (ب) مجدداً در پنج کلاس (خیلی کم، کم، متوسط) طبقه بندی شدند. ، بالا و بسیار زیاد)، سپس (ج) به هر پارامتر SFC بر اساس جدول 2 امتیاز دهید، (د) معادله تغذیه (7) با استفاده از ابزار محاسبه گر شطرنجی و در نهایت (f) خروجی های (d) وزن و روی هم قرار گرفتند تا نقشه SFC نهایی به دست آید و نمایش داده شود.

3. نتایج و بحث

3.1. خواص خاک

نتایج نشان می دهد که مقادیر pH از 7.10 تا 8.98 در منطقه مورد مطالعه با میانگین pH 7.92 متغیر است. مقدار بالای pH به دلیل وجود ماده اصلی سنگ آهک است [ 6 ]. این خاک های آهکی مناطق وسیعی از صحرای غربی مصر و شمال آفریقا را اشغال می کنند [ 59 ]. این مقادیر pH شباهت بالایی را در منطقه مورد مطالعه نشان می دهد (STD = 0.47) [ 60 ]. در دسترس بودن مواد مغذی خاک و فعالیت آنزیم ها و ارگانیسم های خاک در انواع مختلف خاک هر دو تحت تأثیر مقادیر pH قرار دارند. بنابراین، pH یکی از مهم‌ترین عوامل خاک در نظر گرفته می‌شود [ 61]. منطقه مورد مطالعه حاوی مقدار کمی ماده آلی خاک (SOM) است که از 0.03 تا 0.83 درصد متغیر است. مقادیر پایین SOM برای مناطق خشک منطقی است زیرا دمای بالا تجزیه مواد آلی را تشویق می کند [ 60 ]. برای توزیع فضایی SOM درصد، بیشترین مقادیر در واحد منطقه وادی به دلیل وجود محصولات فصلی قرار داشت [ 46 ].]؛ با این حال، تنوع کمی از محتوای SOM با STD ≅ 0.5 وجود دارد. به طور کلی، خاک های مصر از کمبود عناصر درشت مغذی رنج می برند، یعنی N، P و K به ترتیب دارای محدوده 3.32 تا 87.11، 0.8 تا 7.34 و 20.13 تا 200.40 ppm هستند. در مورد SD، تغییرات N و K بسیار گسترده است (به ترتیب STD = 13.04 و 32.27)، با مقدار STD 1.77 برای P. منطقه مورد مطالعه دارای شرایط اقلیمی و توپوگرافی ساحل شمالی است که با مشخصه های آن مشخص می شود. مقادیر کم ازت، فسفر و پتاسیم به جز برخی از مناطقی که محصولات فصلی کشت می کنند. این نتایج با نتایج [ 62 ] مطابقت دارد ( جدول 3 و شکل 9 ).

3.2. تولید پارامتر SFC با استفاده از تصویر S2A

داده‌های S2A ممکن است به توصیف یک گرادیان خاک معین کمک کند، حتی اگر فقط چند نمونه خاک در طول عملیات کشت متمایز (در فرآیند یک کشاورزی دقیق) استفاده شود [ 30 ]. پنج معادله زیر (8) – (12)، برای به دست آوردن مقادیر pH، SOM، N، P و K از بازتاب تصویر ماهواره ای استفاده شد. سپس از OK برای توزیع فضایی این پارامترهای انتخاب شده استفاده شد. ارزیابی دقت با محاسبه NRMSE ( جدول 4 ) انجام شد.

pH = (باند 2 * 3.66) + (باند 3 * 9.744) + (b4 * – 0.016) + 4.52
SOM % = (باند 6 * – 0.5567) + (باند 7 * 36.58) + (باند 11 * 0.2359) – 13.43
N = (باند 4 * – 78.98) + (باند 5 * 2272.91) – 740.16
P = (باند 6 * – 5.76) + (باند 10 * 1089.051) – 1.18
K = (باند 1 * 12930.48) + (باند 2*- 64.75) + (باند 10 * – 1107.29) – 468.28
تمام پارامترهای مورد مطالعه نتایج قابل قبولی را به دلیل مقادیر R 2 0.31 ± 0.75، 0.11 ± 0.82، 8.70 ± 0.74، 1.53 ± 0.50 و 7.89 ± 0.97 برای pH، SOM، K، N، P و به ترتیب نشان دادند. مقادیر NRMSE به ترتیب 0.16، 0.14، 0.1، 0.01 و 0.04 بود ( جدول 3 و شکل 4 ). خروجی‌های نتایج ما نشان می‌دهد که MLR برای پیش‌بینی ویژگی‌های خاک مؤثر است، با این خروجی‌ها مطابق با [ 6 ، 63 ، 64 ]. مقادیر دقت ( کالیبراسیون R2 ) برای pH، SOM، N، P و K به ترتیب 0.6، 0.7، 0.55، 0.6 و 0.92 بود. به طور کلی، بازتاب های طیفی تحت تأثیر انواع خواص خاک و غلظت آنها قرار می گیرند.65 ، 66 ]. اگرچه تعیین بخش های پاسخ دهنده یک طول موج به تغییرات دینامیکی در غلظت عنصر بسیار پیچیده است، تجزیه و تحلیل آماری می تواند این مسئله را حل کند [ 6 ]. تجزیه و تحلیل کیفی (مقایسه بصری) و آمار کمی باید برای ارزیابی عملکرد مدل [ 67 ] مورد استفاده قرار گیرد و نتایج این تحقیق با نتایج سایر مطالعات [ 6 ، 46 ] مطابقت دارد. عملکرد مدل برای همه عناصر انتخاب شده با استفاده از تعیین (adj R) ارزیابی شد. همه مدل‌ها برازش خوبی با adj R در محدوده 0.55 (N) تا 0.92 (K) نشان دادند.

3.3. توزیع فضایی پارامترهای SOC پیش بینی شده بر اساس OK

نگاشت پارامتر SOC بر مقادیری متکی بود که با استفاده از مدل های فوق (معادلات (8) – (12)) از تصویر ماهواره ای برای هر مشخصه پیش بینی شده بودند. OK برای نگاشت پارامترهای SOC استفاده شد و کارایی و توانایی با محاسبه RMSE، MSE و RMSSE اندازه‌گیری شد، همانطور که در جدول 4 نشان داده شده است. توزیع فضایی pH و SOM در رابطه با N، P و K در شکل 9 نشان داده شده است . مقادیر pH پیش‌بینی‌شده از 7.28 تا 8.54 در بخش‌های مرکزی و شمالی منطقه مورد مطالعه قرار داشت، در حالی که منطقه مورد مطالعه با محتوای پایین SOM با بالاترین مقادیر در مناطق وادی به دلیل فعالیت‌های کشاورزی مشخص شد. مقادیر پیش بینی شده N، P و K به ترتیب از 20.31-66.15، 2.01-6.84، و 24.13-174.59 متغیر بودند ( جدول 5). از این نتایج می توان نتیجه گرفت که ویژگی های خاک انتخاب شده به عنوان شاخص های قابل قبولی برای وضعیت حاصلخیزی خاک منطقه مورد مطالعه عمل می کنند، که این یافته ها با نتایج [ 6 ] همخوانی دارد. خروجی ها نشان داد که مدل گاوسی برای SOM، N و P مناسب است، در حالی که مدل های کروی و پایدار برای pH و K مناسب هستند. از جدول 6 می توان نتیجه گرفت که OK توانایی نگاشت پارامترهای SOC انتخابی را با دقت بالا دارد. به عنوان مقادیر RMSEE نزدیک به 1.00، به عنوان مثال، 1.01، 0.98، 0.94، 0.95، و 1.00 برای pH، SOM، N، P، و K، به ترتیب. این نتایج با [ 46 ، 68 ] سازگار است. این یافته‌ها تایید می‌کنند که OK برای پیش‌بینی توزیع مکانی پارامترهای انتخابی مناسب و قابل اعتماد است.شکل 10 ).

3.4. تجزیه و تحلیل آماری چند متغیره (MSA)

برای اندازه گیری رابطه بین متغیرها و قدرت آنها از ضریب همبستگی استفاده شد [ 69 ، 70 ]. این نقش بسیار مهمی در کاهش ابعاد داده‌های نمونه و تخمین‌های مقادیر گمشده دارد [ 71 ]. تجزیه و تحلیل همبستگی پیرسون همبستگی بین پارامترهای خاک اندازه‌گیری شده و پیش‌بینی‌شده (پیش‌بینی‌شده) را نشان داد. بین pH و pred همبستگی مثبت و معناداری وجود دارد. pH، که در آن r = 0.75. علاوه بر این، بین SOM و pred همبستگی مثبت و معناداری وجود دارد. SOM (r = 0.8). همچنین بین N و pred همبستگی مثبت و معناداری وجود دارد. N (r = 0.7)، P و pred P (0.5)، و K و pred. K (r = 0.92)، همانطور که در جدول 7 و شکل 11 مشاهده می شود.

3.5. SFC منطقه مطالعاتی

نقشه برداری حاصلخیزی خاک نقش مهمی در تحقق بسیاری از کاربردها در زمینه های تحقیقاتی مربوطه ایفا می کند، از مدیریت خاک برای پایداری تا مفاهیم کشاورزی دقیق [ 6 ]. توزیع فضایی SFCها در منطقه مورد مطالعه بر اساس پارامترهای pH، SOM، N، P و K انتخاب شده تولید شد. منطقه مورد مطالعه بر اساس سه طبقه متوسط، کم و بسیار کم به ترتیب با مساحت های 90/4607، 21/14900 و 73/705 هکتار طبقه بندی شد. اصطلاحات مراجع مساحتی به وسعت 1155.91 هکتار را پوشش می دهند ( جدول 8 و جدول S1 و شکل 12). مقادیر پایین SFCها در منطقه مورد مطالعه به دلیل سوء مدیریت فعالیت های کشاورزی و قرار گرفتن منطقه مورد مطالعه در یک منطقه خشک است. مقادیر متوسطی در مناطقی مشاهده شد که دارای فعالیت‌های کشاورزی و پروفایل‌های عمیق با سطح صاف یا تقریباً صاف هستند [ 71 ، 72 ]. این نتایج نشان می دهد که مناطق بیابانی مصر در مقایسه با دلتای نیل از فقر حاصلخیزی خاک رنج می برند [ 63 ، 65 ، 73 ، 74 ] و نیاز به مدیریت مناسب برای انتخاب بهترین محصولات با توجه به کیفیت خاک، در دسترس بودن آب و آب و هوای یک منطقه

4. نتیجه گیری

تجزیه و تحلیل بازتاب از تصاویر S2A یک روش بسیار موثر برای پیش‌بینی pH، SOM، و حضور عناصر ماکرو (N، P و K) در زمین‌های خشک است. هدف کار فعلی یافتن رابطه ای بین بازتاب از تصاویر S2A و غلظت پارامتر SFC است. MLR به عنوان نماینده یک منطقه خشک برای پیش‌بینی پارامترهای حاصلخیزی خاک، با نقشه‌برداری از آن پارامترها، با استفاده از تحلیل زمین آماری کریجینگ معمولی استفاده شد و سپس انجام شد. نتایج نشان داد که بازتاب در تصاویر S2A می‌تواند غلظت‌های مختلف عنصر را پیش‌بینی کند، که با مقادیر R2 0.31 ± 0.75، 0.11 ± 0.82، 8.70 ± 0.74، 1.53 ± 0.50، و 0.97 ± 0.97، S، 7.89 ± N، p و K، به ترتیب، و مقادیر NRMSE 0.16، 0.14، 0.1، 0.01، و 0.04 نیز به ترتیب به این. منطقه مورد مطالعه به چهار کلاس شرایط باروری، یعنی باروری کم (70%)، باروری متوسط ​​(22%)، باروری بسیار کم (3%) و اصطلاحات مرجع (5%) تقسیم شد. این روش در اینجا ابزار دقیق و کم‌هزینه‌ای برای اجرای گسترده در کمک به امنیت غذایی با نظارت بر وضعیت حاصلخیزی خاک در زمین‌های خشک و بهبود حفاظت از خاک فراهم می‌کند. غلبه بر مسایل اکولوژیکی و فقر زمین های خشک یکی از مهم ترین اهداف برنامه جهانی 2030 برای توسعه پایدار (SDGs) تلقی می شود.

منابع

  1. محمد، ES; ابوهاشم، م. بلال، شاخص های پایدار AAA در منطقه خشک: مطالعه موردی-مصر. In Sustainability of Agricultural Environment in Egypt Soil-water-Food Nexus, The Handbook of Environmental Chemistry ; Springer Science and Business Media LLC: برلین/هایدلبرگ، آلمان، 2018؛ صص 273-293. [ Google Scholar ]
  2. عبدالرحمن، م. شلابی، ع. محمد، ES مقایسه دو شاخص کیفیت خاک با استفاده از دو روش مبتنی بر سیستم اطلاعات جغرافیایی. مصر J. Remote Sens. Space Sci. 2019 ، 22 ، 127-136. [ Google Scholar ] [ CrossRef ]
  3. ابوهاشم، م. السید، م. Belal، AE اثر تغییرات کاربری زمین و متغیرهای سایت بر استخر کربن آلی سطحی خاک در منطقه مدیترانه. جی افر. علوم زمین 2016 ، 114 ، 78-84. [ Google Scholar ] [ CrossRef ]
  4. هنداوی، ای. بلال، AA; محمد، ES; الفادالی، ع. مورگانته، بی. آلدوسری، ع.ا. Lasaponara، R. پیش‌بینی و ارزیابی اثرات آب‌بندی خاک بر زمین‌های کشاورزی در دلتای نیل شمالی (مصر) با استفاده از داده‌های ماهواره‌ای و مدل‌سازی GIS. پایداری 2019 ، 11 ، 4662. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  5. وودور، ای. گومز، YC; ظرفیت های تصویر فواد، پی لاگاچری، Sentinel-2 برای پیش بینی ویژگی های رایج خاک سطحی اکوسیستم های کشاورزی معتدل و مدیترانه ای. سنسور از راه دور محیط. 2019 ، 223 ، 21–33، ISSN 0034-4257. [ Google Scholar ] [ CrossRef ]
  6. محمد، ES; بارودی، AAE; البشبیشی، ت. امام، م. بلال، AA; الفادالی، ع. آلدوسری، ع.ا. علی، ع.م. لاساپونارا، طیف‌سنجی R. Vis-NIR و داده‌های ماهواره Landsat-8 OLI برای نقشه‌برداری مواد مغذی خاک در شرایط خشک: مطالعه موردی ساحل شمال غربی مصر. Remote Sens. 2020 , 12 , 3716. [ Google Scholar ] [ CrossRef ]
  7. هورتا، ا. مالون، بی. استاکمن، یو. میناسنی، بی. اسقف، TFA; مک براتنی، AB; پالاسر، آر. پوزا، L. پتانسیل طیف‌سنجی میدانی یکپارچه و تجزیه و تحلیل فضایی برای ارزیابی افزایش یافته آلودگی خاک: یک بررسی آینده‌نگر. Geoderma 2015 ، 241 ، 180-209. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. آنجلوپولو، تی. تزیولاس، ن. بالافوتیس، ع. زالیدیس، جی. Bochtis، D. تکنیک‌های سنجش از دور برای تخمین کربن آلی خاک: مروری. Remote Sens. 2019 , 11 , 676. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. میناسنی، بی. مک براتنی، AB یک روش هایپرمکعب شرطی لاتین برای نمونه برداری در حضور اطلاعات کمکی. محاسبه کنید. Geosci. 2006 ، 32 ، 1378-1388. [ Google Scholar ] [ CrossRef ]
  10. Brungard، CW; Boettinger, JL Conditioned Hypercube Sampling: اندازه نمونه بهینه برای نقشه برداری دیجیتالی خاک مراتع خشک در یوتا، ایالات متحده. در نقشه برداری خاک دیجیتال ; Boettinger, JL, Howell, DW, Moore, AC, Hartemink, AE, Kienast-Brown, S., Eds. پیشرفت در علم خاک؛ Springer: Dordrecht، هلند، 2010. [ Google Scholar ]
  11. Brungard، CW; بوتینگر، جی ال. Duniway, MC; ویلز، SA; ادواردز، TC، جونیور یادگیری ماشینی برای پیش‌بینی طبقات خاک در سه منظره نیمه خشک. Geoderma 2015 ، 239-240 ، 68-83. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ورشم، ال. مارکویتز، دی. Nibbelink، NP; West, LT مقایسه سه روش نمونه برداری میدانی برای تخمین محتوای کربن خاک. Forest Sci. 2012 ، 58 ، 513-522. [ Google Scholar ] [ CrossRef ]
  13. تقی زاده مهرجردی، ر. نبی اللهی، ک. میناسنی، بی. تریانتافلیس، ج. مقایسه طبقه‌بندی‌کننده‌های داده کاوی برای پیش‌بینی توزیع فضایی گروه‌های خاک خانواده USDA در منطقه بانه، ایران. Geoderma 2015 ، 253-254 ، 67-77 . [ Google Scholar ] [ CrossRef ]
  14. لوی، ام آر. Rasmussen, C. انتخاب متغیر با تجزیه و تحلیل مؤلفه اصلی تکراری برای پیش‌بینی خواص فیزیکی خاک. ژئودرما 2014 ، 219 ، 46-57. [ Google Scholar ] [ CrossRef ]
  15. تقی زاده مهرجردی، ر. میناسنی، بی. سرمدیان، ف. Malone، BP نقشه برداری دیجیتالی شوری خاک در منطقه اردکان، ایران مرکزی. ژئودرما 2014 ، 213 ، 15-28. [ Google Scholar ] [ CrossRef ]
  16. لاکوست، دی. گاسپارد، ص. روابط نوسانات ایزومتریک برای حالت های تعادلی با تقارن شکسته. فیزیک کشیش لِت 2014 ، 113 ، 24. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. اسکارپونه، سی. اشمیت، ام جی; Bulmer، CE; Knudby، A. مدلسازی ضخامت خاک در منطقه بحرانی برای جنوب بریتیش کلمبیا. Geoderma 2016 ، 282 ، 59-69. [ Google Scholar ] [ CrossRef ]
  18. Waruru، BK; شپرد، KD; ندگوا، جنرال موتورز؛ Sila، AM برآورد تجمع مرطوب: شاخص هایی با استفاده از خواص خاک و بازتاب منتشر نزدیک طیف سنجی مادون قرمز، کاربرد طبقه بندی و تجزیه و تحلیل درخت رگرسیون. Biosyst. مهندس 2016 ، 152 ، 148-164. [ Google Scholar ] [ CrossRef ]
  19. ادیکاری، ک. هارتمینک، AE کربن آلی خاک تحت کشاورزی فشرده در سنترال سندز، ویسکانسین، ایالات متحده افزایش می یابد. ژئودرما Reg. 2017 ، 10 ، 115-125. [ Google Scholar ] [ CrossRef ]
  20. دومنک، مگابایت؛ کاسترو-فرانکو، م. کاستا، جی ال. بهینه‌سازی طرح نمونه‌برداری آمیوتی، NM برای نقشه‌برداری از عمق خاک تا افق پتروکلسیک در مقیاس مزرعه. ژئودرما 2017 ، 290 ، 75-82. [ Google Scholar ] [ CrossRef ]
  21. جئونگ، جی. اووردیک، اچ. پارک، اس جی. هووه، بی. Ließ، M. پیش بینی فضایی مواد مغذی خاک با استفاده از سه روش یادگیری نظارت شده برای ارزیابی پتانسیل های زمین در زمین های پیچیده. Catena 2017 ، 154 ، 73-84. [ Google Scholar ] [ CrossRef ]
  22. بابایی، ف. ذوالفقاری، ع.ا. یزدانی، محمدرضا; صادقی پور، ع. تحلیل فضایی نفوذ در اراضی کشاورزی مناطق خشک ایران. CATENA 2018 ، 170 ، 25–35. [ Google Scholar ] [ CrossRef ]
  23. ناور، س. بودنباوم، اچ. هیل، جی. Kozak, J. مدل‌سازی و نقشه‌برداری شوری خاک با طیف‌سنجی بازتابی و داده‌های Landsat با استفاده از دو روش کمی (PLSR و MARS). Remote Sens. 2014 , 6 , 10813–10834. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. سلیگه، تی. بونر، جی. Schmidhalter، U. نقشه برداری خاک سطحی با وضوح بالا با استفاده از تصویر فوق طیفی و داده های میدانی در روش های مدل سازی رگرسیون چند متغیره. Geoderma 2006 ، 136 ، 235-244. [ Google Scholar ] [ CrossRef ]
  25. استیونز، ای. اودلهوون، تی. دنیس، ا. تایچون، بی. لیوی، آر. هافمن، ال. Van Wesmael, B. اندازه گیری کربن آلی خاک در زمین های زراعی در مقیاس منطقه ای با استفاده از طیف سنجی تصویربرداری هوابرد. ژئودرما 2010 ، 158 ، 32-45. [ Google Scholar ] [ CrossRef ]
  26. گومیس، سی. کولوما، جی. Lagacherie، P. پیش بینی های منطقه ای هشت ویژگی مشترک خاک و ساختارهای فضایی آنها از داده های Vis-NIR ابرطیفی. Geoderma 2012 ، 189-190 ، 176-185 . [ Google Scholar ]
  27. گومیس، سی. لاگاچری، پ. باچا، اس. استفاده از یک تصویر فراطیفی VNIR/SWIR برای نقشه‌برداری از ویژگی‌های خاک سطحی بر روی سطوح خالی خاک در منطقه Cap Bon (تونس). در ارزیابی دیجیتال خاک و فراتر از آن ؛ Minsny، B.، Malone، BP، McBratney، AB، Eds. Springer: برلین/هایدلبرگ، آلمان، 2012; صص 387-392. [ Google Scholar ]
  28. وودور، ای. Gilliot، JM; بل، ال. لوفور، جی. چهدی، ک. پیش‌بینی منطقه‌ای محتوای کربن آلی خاک بر روی زمین‌های زراعی دمایی با استفاده از تصاویر فراطیفی هوابرد نزدیک به مادون قرمز و طیف‌های میدان همزمان. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 49 ، 24-38. [ Google Scholar ]
  29. بارودی، AAE; علی، ع.م. محمد، ES; مغانم، ف.اس. شکر، ام اس; ساوین، آی. پادوبسکی، آ. دینگ، ز. خیر، AMS; آلدوسری، ع.ا. و همکاران مدل‌سازی تناسب زمین برای محصول برنج با استفاده از سنجش از دور و شاخص‌های کیفیت خاک: مطالعه موردی دلتای نیل. پایداری 2020 ، 12 ، 9653. [ Google Scholar ] [ CrossRef ]
  30. سانتاگا، FS؛ آنیلی، آ. Leccese، A.; Vizzari، M. استفاده از Sentinel-2 برای ساده سازی نمونه برداری و نقشه برداری خاک: دو مطالعه موردی در Umbria، ایتالیا. Remote Sens. 2021 , 13 , 3379. [ Google Scholar ] [ CrossRef ]
  31. بن دور، ای. Banin، A. Near-Infrared Analysis به عنوان یک روش سریع برای ارزیابی همزمان چند ویژگی خاک 94. Soil Sci. Soc. صبح. J. 1995 ، 59 ، 364-372. [ Google Scholar ] [ CrossRef ]
  32. آدلین، ک. گومز، سی. گورتا، ن. توانایی پیش‌بینی راجر، JM ویژگی‌های خاک برای تخریب طیفی از داده‌های طیف‌سنجی Vis-NIR آزمایشگاهی. Geoderma 2017 ، 288 ، 143-153. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. گومز، سی. آدلین، ک. باچا، س. دریسن، بی. گورتا، ن. لاگاچری، پ. راجر، جی.ام. Briottet، X. حساسیت پیش‌بینی محتوای خاک رس به پیکربندی طیفی داده‌های تصویربرداری VNIR/SWIR. Geoderma 2015 ، 288 ، 143-153. [ Google Scholar ]
  34. راسل، RV; مک براتنی، AB ارزیابی آزمایشگاهی یک روش سنجش پروگزیمال برای اندازه‌گیری همزمان خاک رس و محتوای آب. ژئودرما 1998 ، 85 ، 19-39. [ Google Scholar ] [ CrossRef ]
  35. عبد المبد، SK; مونوز روخاس، ام. جردن، آ. آنایا رومرو، م. فیلیپس، جی دی. جونز، ال. ژانگ، ز. پریرا، پ. فلسکنز، ال. Van Der Ploeg, M. اثرات تغییر آب و هوا بر تناسب کشاورزی و کاهش عملکرد در یک منطقه مدیترانه. Geoderma 2020 , 374 , 114453. [ Google Scholar ] [ CrossRef ]
  36. شکر، ام اس; ال بارودی، AAE; فولن، MA; البشبیشی، TR; علی، ر.آ. الحلیم، ع. Guerra, AJT; Jorge, MCO نقشه برداری از آلودگی فلزات سنگین در خاک های آبرفتی دلتای نیل میانی مصر. جی. محیط زیست. مهندس Landsc. مدیریت 2016 ، 24 ، 218-231. [ Google Scholar ] [ CrossRef ]
  37. ال بارودی، AA نقشه برداری و ارزیابی تناسب زمین با استفاده از یک مدل مبتنی بر GIS. Catena 2016 ، 140 ، 96-104. [ Google Scholar ] [ CrossRef ]
  38. باربوسا، آ. مارینیو، تی. مارتین، ن. Hovakimyan، N. چند جریان CNN برای تخصیص منابع فضایی: یک برنامه مدیریت محصول. در مجموعه مقالات کنفرانس IEEE/CVF در کارگاه های آموزشی بینایی رایانه و تشخیص الگو، سیاتل، WA، ایالات متحده آمریکا، 14 تا 19 ژوئن 2020؛ ص 58-59. [ Google Scholar ]
  39. پرستون، دبلیو. Araújo do Nascimento، CW; آگرا بیزرا دا سیلوا، YJ; سیلوا، دی جی; Alves Ferreira, H. تغییرات حاصلخیزی خاک در تاکستان های یک منطقه نیمه خشک در برزیل. J. Soil Sci. گیاه Nutr. 2017 ، 17 ، 672-685. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. شریواستاوا، پ. Kumar, R. شوری خاک. یک مسئله جدی زیست محیطی و باکتری های محرک رشد گیاه به عنوان یکی از ابزارهای کاهش آن. عربستانی جی بیول. علمی 2015 ، 22 ، 123-131. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  41. شوتز، ال. گاتینگر، آ. مایر، ام. مولر، آ. بولر، تی. مادر، پ. Mathimaran، N. بهبود عملکرد محصول و کارایی استفاده از مواد مغذی از طریق کودهای زیستی – یک متاآنالیز جهانی. جلو. علوم گیاهی 2018 ، 8 ، 2204. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  42. خدری، گ. گاد، AA; El-Zeiny، AM خصوصیات طیفی پوشش گیاهی در استان الفیوم، مصر. مصر J. خاک علمی. 2020 ، 60 ، 397-408. [ Google Scholar ] [ CrossRef ]
  43. عبد المبد، SK; جردن، آ. فلسکنز، ال. فیلیپس، جی دی. مونوز روخاس، ام. ون در پلوگ، م. آنایا- رومرو، م. دلا روزا، دی. مدلسازی تناسب کشاورزی در امتداد ترانسکتهای خاک تحت شرایط فعلی و سناریوی بهبود یافته عوامل خاک. در نقشه برداری خاک و مدل سازی فرآیند برای مدیریت کاربری پایدار زمین ; الزویر: آمستردام، هلند، 2017; صص 193-219. ISBN 9780128052006. [ Google Scholar ]
  44. خلیفه، من; بشای، طبقه بندی خاک NF و ارزیابی پتانسیل برای برخی از مناطق دیم در غرب ماتروح، ساحل شمال غربی مصر. الکس. علمی اکسچ J. Int. QJ Sci. کشاورزی محیط زیست 2015 ، 36 ، 325-341. [ Google Scholar ]
  45. وزارت صنعت و منابع معدنی (MIMR). سازمان زمین شناسی و معادن مصر مقیاس 1:2:000.000 ; وزارت صنعت و منابع معدنی: ریاض، عربستان سعودی، 1981.
  46. عبداللاتیف، م. ال بارودی، AA; ارشد، م. محمود، EK; صالح، ع.م. مغانم، ف.اس. شلتوت، خ. عید، EM; شکر، MS یک رویکرد مبتنی بر GIS برای ارزیابی کمی کیفیت خاک و کشاورزی پایدار. Sustainability 2021 , 13 , 13438. [ Google Scholar ] [ CrossRef ]
  47. کارکنان بررسی خاک (USDA). کارکنان بررسی خاک (USDA). راهنمای روش های آزمایشگاهی و میدانی خاک سنجی. در گزارش بررسی های پیمایش خاک شماره 51 ; نسخه 2.0; وزارت کشاورزی، خدمات حفاظت از منابع طبیعی: واشنگتن، دی سی، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  48. Roudier, P. Clhs: بسته AR برای نمونه برداری از Hypercube لاتین مشروط. 2011. در دسترس آنلاین: https://cran.rproject.org/web/packages/clhs/index.html (در 14 اکتبر 2021 قابل دسترسی است).
  49. Fidalgo، ECC; پدریرا، BCCG؛ Abreu، MB; مورا، آی بی; Godoy، MDP Uso e Cobertura da Terra naBaciaHidrográfica do Rio Guapi-Macacu ; (اسناد 105)؛ Embrapa Solos: ریودوژانیرو، برزیل، 2008. [ Google Scholar ]
  50. Rukun, L. روشهای تجزیه و تحلیل خاک کشاورزی شیمی ; انتشارات علوم و فناوری کشاورزی: ​​پکن، چین، 1999. [ Google Scholar ]
  51. یانگ، ی. ژو، جی. تانگ، ایکس. وانگ، دی. ویژگی‌های الگوی فضایی عناصر غذایی خاک در مقیاس مزرعه. In Proceedings of the Computer and Computing Technologies in Agriculture II, Volume 1. CCTA 2008. IFIP Advances in Information and Communication Technology ; Li, D., Zhao, C., Eds. Springer: Boston, MA, USA, 2009; جلد 293. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. Bui، Q.-T. جامت، سی. وانترپوت، وی. مریوکس، ایکس. کاوین، ا. Mograne، MA ارزیابی الگوریتم‌های تصحیح جوی Sentinel-2/MSI بر روی دو آب ساحلی فرانسه متضاد. Remote Sens. 2022 , 14 , 1099. [ Google Scholar ] [ CrossRef ]
  53. Dangal، SR; ساندرمن، جی. ویلز، اس. رامیرز-لوپز، ال. پیش‌بینی دقیق و دقیق ویژگی‌های خاک از یک کتابخانه بزرگ طیفی مادون قرمز میانی. سیستم خاک 2019 ، 3 ، 11. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  54. محمد، ای. بلال، AA; علی، ر.آ. صالح، ع. هنداوی، EA تخریب زمین. در خاک مصر ; Springer Cham: بازل، سوئیس، 2019؛ صص 159-174. [ Google Scholar ]
  55. اتو، SA; کادین، م. کازینی، ام. تورس، MA; Blenckner, T. چارچوب کمی برای انتخاب و اعتبار سنجی شاخص های وب غذایی. Ecol. اندیک. 2018 ، 84 ، 619-631. [ Google Scholar ] [ CrossRef ]
  56. بیسواس، ع. میانگین‌گیری مدل Si، BC برای پارامترهای مدل نیم‌واریوگرام. Adv. آگروفیز. Res. 2013 ، 4 ، 81-96. [ Google Scholar ]
  57. شکر، ام اس; عبداللاتیف، م. ال بارودی، AA; النشر، ع. علی، EF; بلال، AA; آتیا، دبلیو. احمد، م. آلدوسری، ع.ا. Szantoi، Z. و همکاران توسعه یک مدل فضایی برای ارزیابی کیفیت خاک در شرایط خشک و نیمه خشک. پایداری 2021 ، 13 ، 2893. [ Google Scholar ] [ CrossRef ]
  58. ال بهایری، RA; ال بارودی، AA; ابراهیم، ​​م.م. خیر، ع.م. شکر، مدلسازی MS و ارزیابی شاخص کیفیت آب آبیاری با استفاده از GIS در منطقه نیمه خشک برای کشاورزی پایدار. آلودگی خاک هوای آب 2021 ، 232 ، 352. [ Google Scholar ] [ CrossRef ]
  59. العزیز، SHA ارزیابی تناسب زمین برای محصولات اصلی آبیاری در منطقه شمال غربی لیبی. Eurasian J. Soil Sci. 2018 ، 7 ، 73-86. [ Google Scholar ] [ CrossRef ]
  60. علی، ر.آ. مغانم، FS تغییرات خصوصیات خاک بر روی شکل زمین اطراف دریاچه ایدکو، مصر. مصر J. Remote Sens. Space Sci. 2013 ، 16 ، 91-101. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. استواری، ی. قربانی دشتکی، س. بهرامی، ح. عباسی، م. دمات، جم؛ آرتور، ای. پاناگوس، ص. به سوی پیش‌بینی فرسایش‌پذیری خاک، SOM و CaCO 3 با استفاده از طیف‌های آزمایشگاهی Vis-NIR: مطالعه موردی در منطقه‌ای نیمه‌خشک ایران. Geoderma 2018 ، 314 ، 102-112. [ Google Scholar ] [ CrossRef ]
  62. بلال، AA; محمد، ES; ابوهاشم، ارزیابی اراضی MSD بر اساس ارزیابی چند معیاره فضایی GIS (SMCE) برای توسعه کشاورزی در وادی خشک، بیابان شرقی. بین المللی مصر J. Soil Sci. 2015 ، 10 ، 100-116. [ Google Scholar ] [ CrossRef ]
  63. محمد، ES ارزیابی فضایی بیابان زایی در شمال سینا با استفاده از مدل اصلاح شده MEDLAUS. عرب جی. ژئوشی. 2013 ، 6 ، 4647-4659. [ Google Scholar ] [ CrossRef ]
  64. محمد، ES; علی، ع. الشیربنی، م. ابوطالب، ک. شداد، اس ام نقشه برداری رطوبت خاک و همبستگی آن با الگوی زراعی با استفاده از داده های سنجش از دور در منطقه خشک. مصر. J. Remote Sens. Space Sci. 2019 ، 23 ، 347-353. [ Google Scholar ] [ CrossRef ]
  65. محمد، ای. عبداللطیف، م. عبد المبد، SK; خلیل، م. برآورد رواناب سطحی با استفاده از عدد منحنی NRCS در برخی مناطق در سواحل شمال غربی مصر. در مجموعه مقالات وب کنفرانس های E3S، بارسلون، اسپانیا، 10 تا 12 فوریه 2020؛ EDP ​​Sciences: Les Ulis، فرانسه; جلد 167، ص. 2002. [ Google Scholar ]
  66. ژانگ، ز. یو، دی. شی، ایکس. وارنر، ای. رن، اچ. سان، دبلیو. تان، م. Wang, H. کاربرد اطلاعات طبقه بندی شده در پیش بینی فضایی کربن آلی خاک در منطقه خاک قرمز چین. علم خاک 2010 ، 56 ، 307-318. [ Google Scholar ] [ CrossRef ]
  67. موریاسی، دی. آرنولد، جی جی؛ ون لیو، مگاوات؛ Bingner, RL; هارمل، RD; دستورالعمل های ارزیابی مدل Veith، TL برای کمی سازی سیستماتیک دقت در شبیه سازی حوزه آبخیز. ASABE 2007 ، 50 ، 885-900. [ Google Scholar ] [ CrossRef ]
  68. الداباء، ع. یوسف، رویکرد زمین آماری IAH برای ارزیابی تناسب اراضی برخی از خاک‌های بیابانی. مصر. J. Soil Sci. 2020 ، 60 ، 195-205. [ Google Scholar ] [ CrossRef ]
  69. گائو، ال. زو، ایکس. هان، ز. وانگ، ال. ژائو، جی. جیانگ، Y. تخمین ماده آلی خاک مبتنی بر طیف سنجی در مناطق خاک جنگل قهوه ای شبه جزیره شاندونگ، چین. Pedosphere 2019 ، 29 ، 810-818. [ Google Scholar ] [ CrossRef ]
  70. فو، سی. تیان، ا. زو، دی. ژائو، جی. Xiong, H. برآورد محتوای شوری در مناطق مختلف شور-قلیایی بر اساس مدل یادگیری ماشینی با استفاده از روش پیش تصفیه FOD. Remote Sens. 2021 , 13 , 5140. [ Google Scholar ] [ CrossRef ]
  71. عبدالقادر، نقشه برداری دیجیتالی خاک FH در سایت های آزمایشی در ساحل شمال غربی مصر: یک رویکرد رگرسیون لجستیک چند جمله ای. مصر J. Remote Sens. Space Sci. 2011 ، 14 ، 29-40. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. گفت: وزارت امور خارجه؛ علی، ع.م. بورین، م. عبد المبد، SK; آلدوسری، ع.ا. خلیل، MMN; عبدالفتاح، MK در مورد استفاده از تجزیه و تحلیل چند متغیره و ارزیابی زمین برای توسعه کشاورزی بالقوه ساحل شمال غربی مصر. Agronomy 2020 , 10 , 1318. [ Google Scholar ] [ CrossRef ]
  73. بارسیم، ام اس; ال سید، AN; یوسف، AM تأثیر تنظیمات زمین‌شناسی بر وقوع آب‌های زیرزمینی وادی السناب، هاشم و خرگا با استفاده از روش‌های ژئوالکتریکی ساحل شمال غربی. مصر عرب J. Geosci. 2014 ، 7 ، 5127-5139. [ Google Scholar ] [ CrossRef ]
  74. عبدالفتاح، م.ک. عبد المبد، SK; آلدوسری، ع.ا. الریس، ع. محمد، تحلیل چند متغیره ES برای ارزیابی کیفیت آب آبیاری. مطالعه موردی کانال باهر مویز، دلتای نیل شرقی. Water 2020 , 12 , 2537. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00353 g001 550
شکل 1. نمودار شماتیک روش کار فعلی. توجه: MLR = رگرسیون چند خطی.
Ijgi 11 00353 g002 550
شکل 2. موقعیت منطقه مورد بررسی.
Ijgi 11 00353 g003 550
شکل 3. مدل رقومی ارتفاع (DEM) منطقه مورد بررسی.
Ijgi 11 00353 g004 550
شکل 4. کاربری اراضی (LU) و پوشش زمین (LC) منطقه مورد مطالعه.
Ijgi 11 00353 g005 550
شکل 5. تکرار پارامترهای انتخاب شده برای CLHs.
Ijgi 11 00353 g006 550
شکل 6. توزیع نمونه های خاک سطحی در منطقه مورد مطالعه.
Ijgi 11 00353 g007 550
شکل 7. وضوح تصویر در منطقه مورد مطالعه: ( الف ) 60 متر و ( ب ) تصویر نمونه برداری مجدد با وضوح 10 متر.
Ijgi 11 00353 g008 550
شکل 8. نمودار جریان که در این مطالعه برای مدل سازی SFC طراحی شده است.
Ijgi 11 00353 g009a 550 Ijgi 11 00353 g009b 550
شکل 9. توزیع مکانی پارامترهای SOC اندازه گیری شده: ( الف ) pH، ( ب ) درصد ماده آلی خاک، ( ج ) محتوای نیتروژن (ppm)، ( d ) محتوای فسفر (ppm)، و ( e ) محتوای پتاسیم (ppm) .
Ijgi 11 00353 g010a 550 Ijgi 11 00353 g010b 550
شکل 10. توزیع مکانی پارامترهای SOC پیش بینی شده: ( الف ) pH، ( ب ) ماده آلی خاک، ( ج ) محتوای نیتروژن (ppm)، ( d ) محتوای فسفر (ppm)، و ( e ) محتوای پتاسیم (ppm) .
Ijgi 11 00353 g011a 550 Ijgi 11 00353 g011b 550
شکل 11. همبستگی خطی بین پارامترهای اندازه گیری شده و پیش بینی شده.
Ijgi 11 00353 g012 550
شکل 12. مناطق SFC منطقه مورد مطالعه.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید