چکیده

خاک سیاه حاصلخیز، سرشار از مواد آلی (OM) است و برای کشاورزی استثنایی است. منطقه خاک سیاه در شمال شرقی چین سومین منطقه بزرگ خاک سیاه در جهان است و یک چهارم غلات کالایی چین را تولید می کند. با این حال، ماده آلی خاک (SOM) در این منطقه در حال کاهش است و کیفیت زمین های زیر کشت به دلیل بهره برداری بیش از حد و شیوه های مدیریت ناپایدار به سرعت در حال سقوط است. برای کمک به توسعه یک استراتژی حفاظتی یکپارچه برای خاک سیاه، این مطالعه با هدف شناسایی عوامل اولیه موثر در تخریب SOM انجام شد. آشکارساز جغرافیایی، که می تواند روابط خطی و غیرخطی و برهمکنش های مبتنی بر الگوهای ناهمگن فضایی را تشخیص دهد، برای تجزیه و تحلیل کمی عوامل طبیعی و انسانی مؤثر بر غلظت SOM در شمال شرقی چین استفاده شد. به ترتیب نزولی، نه عامل موثر بر SOM عبارتند از دما، تولید ناخالص داخلی (GDP)، ارتفاع، جمعیت، نوع خاک، بارش، فرسایش خاک، کاربری زمین و ژئومورفولوژی. تأثیر همه عوامل قابل توجه است و تأثیر متقابل هر دو عامل تأثیر آنها را افزایش می دهد. غلظت SOM با افزایش دما، جمعیت، فرسایش خاک، ارتفاع و موج‌ریزی زمین کاهش می‌یابد. SOM با افزایش بارندگی افزایش می یابد، در ابتدا با افزایش تولید ناخالص داخلی کاهش می یابد اما سپس افزایش می یابد و بر اساس نوع خاک و کاربری زمین متفاوت است. نتیجه گیری در مورد اثرات دقیق در این مقاله ارائه شده است. به عنوان مثال، فرسایش بادی نسبت به فرسایش آبی اثر قابل توجهی دارد و زمین های آبی دارای محتوای SOM کمتری نسبت به زمین های خشک است. بر اساس نتایج مطالعه، اقدامات حفاظتی از جمله خاکورزی حفاظتی، کمربندهای سرپناهی زمین های کشاورزی، پشته های متقاطع، تراس ها و کشاورزی دیم توصیه می شود. تبدیل زمین های کشاورزی با کیفیت به کاربری های غیر کشاورزی باید ممنوع شود.

کلید واژه ها: 

خاک سیاه ؛ آشکارساز جغرافیایی ; مواد آلی خاک ; عوامل موثر

1. مقدمه

خاک سیاه یکی از با ارزش ترین منابع موجود برای انسان است زیرا سرشار از OM است و برای کشاورزی برتر است [ 1 ]. منطقه خاک سیاه در شمال شرقی چین سومین منطقه بزرگ خاک سیاه در جهان است و به عنوان انبار چین عمل می کند [ 2 ]]. این کشور سالانه یک چهارم غلات کالایی چین را تولید می کند و نقش مهمی در تضمین امنیت غذایی جمعیت 1.4 میلیاردی چین ایفا می کند. با این حال، ماده آلی خاک (SOM) در این منطقه رو به کاهش است و کیفیت به دلیل بهره برداری بیش از حد و شیوه های کشاورزی ناپایدار رو به کاهش است. کاهش SOM در لایه خاکورزی یکی از دلایل اصلی تخریب خاک سیاه است. نرخ از دست دادن SOM شدید است. تخمین زده می شود که چین سالانه حدود یک سانتی متر خاک سیاه را از دست می دهد. این تلفات به 200 تا 400 سال برای بازیابی خاک نیاز دارد [ 3 ].
در پاسخ به این بحران، چین طرحی را برای حفاظت از خاک سیاه در منطقه شمال شرق از سال 2017 تا 2030 به منظور ارتقای پایداری استفاده از منابع، محیط زیست محیطی و ظرفیت تولیدی خاک سیاه اجرا کرد. SOM مهمترین شاخص حاصلخیزی خاک سیاه است. این محصول برای افزایش بهره وری، تنوع میکروبی خاک و حفظ سلامت خاک، مواد مغذی مختلف را برای محصولات فراهم می کند. علاوه بر این، یک مخزن ضروری برای چرخه کربن در اکوسیستم زمینی است. بنابراین، غنی سازی OM در خاک سیاه باید یک اولویت ثابت باشد.
محتوای SOM خاک سیاه تحت تأثیر بسیاری از عوامل طبیعی و انسانی است. آنها شامل نوع خاک [ 4 ، 5 ، 6 ]، توپوگرافی [ 7 ، 8 ]، آب و هوا [ 9 ، 10 ، 11 ]، پوشش گیاهی [ 12 ، 13 ، 14 ، 15 ]، کاربری اراضی [ 16 ، 17 ، 18 ] هستند.] و غیره. انواع مختلف خاک منجر به تلفات مختلف مواد مغذی خاک می شود که منجر به تجمع متفاوت SOM می شود. توپوگرافی عمدتاً با تأثیر بر دما بر محتوای SOM تأثیر می گذارد. عوامل اقلیمی عمدتاً شامل دما و بارندگی است. دما با تأثیر بر تخریب OM توسط میکروارگانیسم ها بر محتوای SOM تأثیر می گذارد و بارش با تأثیر بر تجمع OM بر محتوای SOM تأثیر می گذارد. پوشش گیاهی با کاهش فرسایش بادی خاک سطحی، تجمع SOM را افزایش می دهد. تفاوت کاربری زمین بر کمیت و کیفیت SOM تأثیر می گذارد، که بیشتر بر روند تجزیه SOM تأثیر می گذارد [ 19 ].
شناخت نقش عوامل تأثیرگذار اولیه برای یک استراتژی حفاظتی یکپارچه ضروری است. بسیاری از مطالعات عوامل موثر بر SOM و توزیع فضایی آن را تحلیل می‌کنند. علاوه بر این، تحلیل همبستگی [ 20 ]، رگرسیون وزن‌دار جغرافیایی [ 21 ، 22 ] و کریجینگ [ 23 ]] متداول ترین روش ها هستند. از یک طرف، عوامل اولیه SOM در مناطق مختلف به دلیل محیط های مختلف و فعالیت های انسانی متفاوت است. علاوه بر این، کل منطقه خاک سیاه شمال شرقی به طور جامع مورد مطالعه قرار نگرفته است. از سوی دیگر، رابطه خطی بین SOM و عوامل تأثیرگذار در آن روش‌ها فرض می‌شود و تأثیر تعاملی را نمی‌توان به‌طور دقیق تخمین زد. بنابراین، عوامل مؤثر بر SOM در منطقه خاک سیاه شمال شرق چین باید با استفاده از روش‌های مناسب و مؤثر به طور دقیق شناسایی شوند.
مدل آشکارساز جغرافیایی (GDM) پیشنهاد شده توسط وانگ [ 24 ] می تواند تأثیر خطی، غیرخطی و تعاملی متغیرهای توضیحی را بر روی متغیر هدف بر اساس انسجام الگوی توزیع فضایی آنها تخمین بزند. GDM به طور گسترده در علوم خاک [ 25 ، 26 ، 27 ، 28 ]، اکولوژی [ 29 ، 30 ، 31 ، 32 ]، هواشناسی [ 33 ، 34 ، 35 ]، بهداشت عمومی [ 36 ، 37 ، 39،38 ، استفاده شده است. 40] و زمینه های دیگر. در این مطالعه، از GDM برای شناسایی عوامل اولیه موثر بر SOM در منطقه خاک سیاه شمال شرقی چین استفاده شد.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه منطقه خاک سیاه چین (119.42°-135.08°’ شرقی و 40.61°-52.89° شمالی) است که 228 شهرستان در استان های Heilongjiang، Jilin، و Liaoning و منطقه خودمختار مغولستان داخلی را پوشش می دهد. مکان منطقه مورد مطالعه و غلظت SOM در شکل 1 نشان داده شده است. منطقه مورد مطالعه متعلق به منطقه معتدل سرد با آب و هوای موسمی سرزمین اصلی است. این منطقه در تابستان گرم و بارانی و در زمستان سرد و خشک است. بارندگی سالانه این منطقه حدود 500-700 میلی متر است که 70٪-90٪ آن عمدتاً در طول فصل رشد از آوریل تا سپتامبر متمرکز است. این منطقه یکی از بزرگترین مناطق خاک سیاه در سطح جهان است و بحرانی ترین منطقه تولید غلات چین است. 18.54 میلیون هکتار زمین زیر کشت در این منطقه وجود دارد که محصولات اولیه آن ذرت، سویا و برنج است. در سال های اخیر، تخریب شدید خاک سیاه توجه ملی را به خود جلب کرده است و سرمایه و فناوری قابل توجهی در سال های آینده در این منطقه سرمایه گذاری خواهد شد.

2.2. منابع اطلاعات

2.2.1. داده های SOM

داده های SOM برای سال 2017 توسط وزارت منابع طبیعی چین ارائه شده است. به هر قطعه زمین کشاورزی مقدار خاک سطحی SOM (0-30 سانتی متر) اختصاص داده شد. محتوای SOM از نقشه‌های خاک در سطح شهرستان که توسط دومین بررسی ملی خاک چین در دهه 1980 تهیه شد و با بررسی‌های تکمیلی تنظیم شد، استخراج شد. کنترل کیفیت داده های SOM از استاندارد ملی چین “مقررات درجه بندی کیفیت زمین کشاورزی” پیروی می کند. برای سازگاری با مقیاس فضایی عوامل مؤثر، نمایش فضایی محتوای SOM در خاک سطحی از چند ضلعی به پیکسل 1 کیلومتر × 1 کیلومتر تغییر یافت. همانطور که در فرمول (1) نشان داده شده است، محتوای SOM هر پیکسل به عنوان میانگین وزنی سطح SOM برای تمام نمودارهای واقع در پیکسل محاسبه شد.

yg=∑ساعت=1کYساعتاسساعت∑ساعت=1کاسساعت

جایی که ygمحتوای SOM پیکسل g است، k تعداد نمودارهایی است که در داخل پیکسل قرار گرفته یا با آن قطع شده اند، Yساعتمحتوای SOM نمودار h است، اسساعتمساحت نمودار h در پیکسل است (اگر نمودار کاملاً در داخل پیکسل باشد، از مساحت آن استفاده می شود؛ اما اگر نمودار با پیکسل قطع شد، فقط سطح تقاطع شمارش می شود)، همانطور که در شکل 2 نشان داده شده است. منطقه مورد مطالعه در مجموع 145702 پیکسل داشت. پیکسل های بدون زمین کشاورزی حذف شدند. محاسبه در یک پلت فرم Hadoop انجام شد و از همان سیستم پیکسلی برای عوامل تأثیرگذار استفاده شد.

2.2.2. عوامل موثر
هنگام مطالعه تغییر در SOM در یک منطقه در مقیاس بزرگ، ویژگی‌های میکروسکوپی خاک نباید به عنوان عوامل تأثیرگذار در نظر گرفته شود، و عوامل غالب‌تر مطابق با مقیاس مربوطه باید در نظر گرفته شوند، مانند آب و هوا، محیط و عوامل انسانی [ 41 ]. نه عامل تأثیرگذار در مقیاس منطقه‌ای در نظر گرفته شد، از جمله انواع ژئومورفیک (GT)، مدل ارتفاعی دیجیتال (DEM)، نوع خاک (ST)، میانگین دمای سالانه (MAT)، میانگین بارندگی سالانه (MAP)، داده‌های فرسایش خاک (SE) ، نقشه تولید ناخالص داخلی پیکسلی (GDP)، نقشه جمعیت پیکسلی (POP) و نوع کاربری زمین (LUT). داده‌های 9 عامل از پلتفرم ابر داده‌های منابع و محیط، آکادمی علوم چین ( https://www.resdc.cn ) دانلود شد.(دسترسی در 10 اکتبر 2019))، همانطور که در شکل 3 نشان داده شده است. وضوح تمام داده ها 1 کیلومتر بود. از آنجایی که GDM برای تقسیم متغیرهای توضیحی به طبقات نیاز داشت، متغیرهای پیوسته مانند تولید ناخالص داخلی، POP، MAT، MAP و DEM به هشت کلاس با استفاده از روش شکست های طبیعی تقسیم شدند، که به طور گسترده در مواردی که داده ها مطابقت ندارند، استفاده می شود. GDM [ 42]. هر طبقه به عنوان یک قشر در نظر گرفته شد. انواع طبقه بندی شده به عنوان اقشار برای متغیرهای دسته GT، SE، ST و LUT پذیرفته شد. از آنجایی که این مطالعه فقط بر روی SOM در زمین زیر کشت متمرکز بود، برای LUT، تنها سه نوع شامل شالیزار، زمین خشک و زمین آبی وجود داشت. ST با توجه به معیارهای طبقه بندی پیدایش خاک طبقه بندی شد. تنها هشت نوع خاک در 145702 پیکسل حاوی زمین زیر کشت شناسایی شد. طبق استانداردهای صنعت چین، “طبقه بندی فرسایش خاک و استانداردهای طبقه بندی”، SE به 10 کلاس تقسیم می شود. طبق استاندارد ملی چین “مشخصات طبقه بندی و کدگذاری انواع ژئومورفولوژیکی” GT به 4 کلاس تقسیم می شود. جزئیات طبقه بندی برای عوامل نه گانه در جدول 1 فهرست شده است.

2.3. روش

GDM مجموعه ای از روش های آماری برای تشخیص ناهمگنی طبقه بندی شده فضایی و آشکارسازی نیروی محرکه پشت آن است. این روش فرض می کند که اگر یک متغیر توضیحی تأثیر مهمی بر متغیر هدف داشته باشد، الگوی توزیع فضایی مشابهی خواهد داشت [ 43 ]. با تجزیه و تحلیل واریانس در طبقات تقسیم بر متغیرهای توضیحی و کل واریانس، توزیع احتمال و فرضیات رابطه خطی ندارد. در این مطالعه، آشکارساز عامل و آشکارساز برهمکنش برای شناسایی اینکه کدام عوامل بر SOM و نحوه تعامل عوامل مختلف تأثیر می‌گذارند استفاده شد [ 44 ]. نرم افزار GDM از وب سایت https://www.geodetector.cn/ دانلود شده است (در 15 اکتبر 2019 قابل دسترسی است).

2.3.1. فاکتور یاب

آشکارسازهای فاکتور می توانند اهمیت نسبی عوامل تأثیرگذار را به صورت کمی اندازه گیری کنند. قدرت توضیحی هر عامل با مقدار q محاسبه شده در فرمول (2) اندازه گیری شد.

q=1–∑س=1اسnسδس2نδ2

که در آن S تعداد اقشار جدا شده در یک عامل تأثیرگذار است، nستعداد پیکسل های فضایی در لایه s است، δس2واریانس محتوای SOM در لایه ها است، نتعداد کل پیکسل های فضایی در منطقه مورد مطالعه است و δ2واریانس محتوای SOM تمام پیکسل های کل منطقه مورد مطالعه است. هر چه مقدار q بزرگتر باشد ، قدرت توضیحی ضریب نفوذ برای SOM قوی تر است و بالعکس. همانطور که در فرمول (3) نشان داده شده است، می توان اهمیت q -value را با آزمون F غیر مرکزی آزمایش کرد.

F ~ F ( S – 1، n – S ؛ λ )

که در آن F () تابع توزیع غیر مرکزی F است، S تعداد لایه ها، n اندازه نمونه و λ غیر مرکزیت است.

2.3.2. آشکارساز تعامل
آشکارساز برهمکنش می تواند برهمکنش های بین عوامل موثر مختلف را شناسایی کند. این بر اساس آشکارساز عوامل فردی و ترکیب آنها است. برای دو عامل X1 و X2، با نشان دادن مقادیر q منحصر به فرد آنها به عنوان q (X1) و (X2) و q -value با ترکیب آنها به عنوان q (X1∩X2)، تبانی تعاملی زیر را می توان با توجه به روابط آنها ایجاد کرد. :
  • اگر q (X1∩X2) <min (q (X1)، q (X2))، تأثیر دو عامل بر روی SOM یکدیگر را به طور غیرخطی تضعیف می کند.
  • اگر min (q (X1)، q (X2)) < q (X1∩X2) <max (q (X1)، q (X2))، تأثیر یک عامل بر SOM ضعیف می‌شود.
  • اگر q (X1∩X2) > max (q (X1)، q (X2))، تأثیر دو عامل بر SOM متقابلاً افزایش می‌یابد.
  • اگر q (X1∩X2) = q (X1) + q (X2) دو عامل مستقل از یکدیگر هستند.
  • اگر q (X1∩X2) > q (X1) + q (X2)، تأثیر دو عامل بر SOM به طور غیرخطی افزایش می یابد.
2.3.3. آنالیز تاثیرات
GDM می تواند قدرت توضیحی عوامل تأثیرگذار را اندازه گیری کند، اما نمی تواند تعیین کند که آیا تأثیر مثبت یا منفی است. میانگین محتوای SOM در هر لایه را می توان در نمودار رادار با لایه ها به عنوان محورهایی برای تجزیه و تحلیل تأثیر دقیق هر عامل ترسیم کرد. طبقات با مقادیر متناظر برای متغیر پیوسته مرتب می شوند تا روند تغییرات میانگین محتوای SOM را با افزایش عوامل تأثیرگذار نشان دهند. برای متغیر دسته، طبقات بر اساس روش طبقه بندی انواع رتبه بندی می شوند. ارتفاع و مواج طبقات GT را مرتب کرد. طبقات SE ابتدا بر اساس نوع فرسایش و سپس بر اساس شدت فرسایش مرتب شدند. شرایط آبیاری طبقات LUT و طبقات ST مطابق با اصل پیدایش خاک مرتب شدند.

3. نتایج

3.1. نتایج آشکارساز فاکتور

نتایج آشکارساز عامل عوامل طبیعی و عوامل انسانی در جدول 2 آمده است. همه عوامل تأثیر معنی داری ( 01/ 0p <) بر محتوای SOM دارند. Q – value MAT در بین عوامل طبیعی بالاترین و از عوامل انسانی نیز بزرگتر است. q – value 35.6 درصد از ناهمگونی فضایی SOM را توضیح می دهد. به دنبال MAT، DEM، ST، و MAP سه عامل طبیعی اصلی مؤثر بر محتوای SOM با قدرت توضیحی 14.4، 12.6 و 12.5 درصد هستند. مقادیر q SE و GT کوچکتر از 0.1 هستند اما هنوز از نظر آماری معنی دار هستند . تولید ناخالص داخلی بالاترین q را دارد-ارزش در بین عوامل انسانی و در بین همه عوامل دارای رتبه دوم است. POP همچنین دارای مقدار q بالایی است و می تواند 13.2٪ از ناهمگونی فضایی محتوای SOM را توضیح دهد. Q-value LUT نسبتاً کوچک است و به 7.5٪ می رسد. یافته‌های ما نشان داد که عوامل اصلی مؤثر بر SOM عوامل طبیعی هستند و عوامل انسانی نیز تأثیر خاصی بر آن دارند.

3.2. تعامل نتایج آشکارساز

در مجموع 36 جفت عامل موثر بر محتوای SOM خاک سیاه کشت شده به دست آمد. همانطور که در جدول 3 ذکر شده است، هر جفت بزرگتر از یک عامل واحد بود . این ویژگی به این معنی است که همه عوامل تأثیرگذار بر SOM از جنبه های مختلف می توانند یکدیگر را تقویت کنند. ترکیب MAT و MAP بالاترین مقدار q را دارد. آنها با هم 42.7 درصد از توزیع محتوای SOM منطقه مورد مطالعه را توضیح می دهند. این یافته با این نتیجه که توزیع محتوای SOM در شمال شرقی چین تا حد زیادی تحت تأثیر عوامل آب و هوایی قرار دارد، همزمان است [ 45 ]. q _-مقدار نتایج آشکارساز برهمکنش برای MAT با سایر فاکتورها همگی بزرگتر از 0.36 بوده و از اندرکنش سایر عوامل بیشتر است. این یافته اهمیت MAT را برای SOM تایید می کند. ترکیب MAT و DEM دارای دومین مقدار q – value است. نتایج نشان می دهد که ترکیب MAT و DEM نیز می تواند تأثیر خوبی داشته باشد. اگرچه با افزایش ارتفاع، دما کاهش می یابد، اما دما نه تنها تحت تأثیر ارتفاع قرار می گیرد، بلکه عوامل دیگری مانند عرض جغرافیایی نیز تحت تأثیر قرار می گیرند. ارتفاع نه تنها در دما، بلکه در عوامل توپوگرافی مانند شیب نیز منعکس می شود. بنابراین، تعامل بین DEM و MAT می تواند وضعیت واقعی را به طور جامع تری منعکس کند. GT یک عامل منحصر به فرد است. اگرچه q– ارزش آشکارساز عامل آن کم است، آشکارساز تعامل با سایر عوامل به طور غیرخطی افزایش یافته است. این تأثیر اساسی GT را نشان می دهد که می تواند تأثیر عوامل دیگر را افزایش دهد.
سه نوع تعامل وجود دارد: (1) عوامل انسانی با عوامل انسانی، (2) عوامل طبیعی با عوامل طبیعی و (3) عوامل طبیعی با عوامل انسانی. نتایج آشکارساز در شکل 4 مقایسه شده است. اثر متقابل بین عوامل انسانی کمتر از دو نوع دیگر بود. ترکیب عوامل طبیعی با عوامل انسانی قدرت توضیحی بر محتوای SOM را افزایش داد. تعاملات POP با MAP و SE همه به صورت غیرخطی افزایش یافته است. این به این معنی است که جمعیت می تواند تأثیر عوامل طبیعی را افزایش دهد. تعامل بین عوامل طبیعی نیز قابل توجه است، اما بزرگنمایی کمتر از عوامل طبیعی با عوامل انسانی است. بر اساس نتایج آشکارساز تعامل، ما به این نتیجه رسیدیم که برای محافظت از SOM، باید فعالیت‌های کاربری زمین را با توجه به شرایط طبیعی تنظیم کنیم و در صورت امکان سعی کنیم شرایط طبیعی را تغییر دهیم.

3.3. نتایج تحلیل تاثیر

بر اساس آشکارسازهای عامل و تعاملی که قدرت توضیحی عوامل را بر محتوای SOM نشان می‌دهند، تأثیرات دقیق هر عامل با مقایسه محتوای SOM اقشار مختلف مورد تجزیه و تحلیل قرار گرفت. میانگین محتوای SOM در اقشار مختلف همه عوامل در شکل 5 ارائه شده است. ما دریافتیم که با افزایش MAT، محتوای SOM کاهش یافت. دلیل ممکن است این باشد که دمای بالا باعث افزایش فعالیت میکروارگانیسم های خاک و تسریع تجزیه SOM می شود. با این حال، برای MAP، هر چه بارش بیشتر باشد، محتوای SOM بالاتر است. از آنجایی که منطقه خاک سیاه شمال شرقی بارندگی کمتری دارد، آب یکی از عوامل محدود کننده رشد سبزیجات است. منطقه فرعی با MAP پایین مواد آلی کمتری نسبت به مصرف تولید می‌کند، بنابراین SOM را کاهش می‌دهد. برای DEM، هر چه ارتفاع کمتر باشد، محتوای SOM بالاتر است. این با این نتیجه که دما با افزایش ارتفاع کاهش می‌یابد که منجر به افزایش محتوای SOM می‌شود ناسازگار است [ 46 ].]. دلیل این امر ممکن است این باشد که برای ارتفاع منطقه مورد مطالعه ما حداکثر 800 متر است. تاثیر دما قابل توجه نیست، که نشان می دهد عامل اصلی در ارتفاع کم ممکن است از دست دادن عناصر غذایی خاک ناشی از شیب باشد. طبق طبقه‌بندی GT، زمین‌های موج‌دار از کم تا مرتفع به شکل دشت، سکو، تپه و کوه متغیر است. محتوای SOM نیز با افزایش موج‌بندی زمین کاهش می‌یابد. این نتیجه با درک ما مطابقت دارد که خاک سطحی غنی در ارتفاعات بالاتر به دلیل گرانش، بارندگی و فرسایش به ارتفاعات پایین‌تر منتقل می‌شود. اثر طولانی مدت این است که SOM در ارتفاعات بالاتر کاهش می یابد، در حالی که SOM در ارتفاعات پایین تر افزایش می یابد.
هر دو فرسایش باد و آب با محتوای SOM رابطه معکوس دارند. هرچه شدت فرسایش بیشتر باشد، محتوای SOM کمتر است. در منطقه مورد مطالعه، محتوای SOM در مناطق در معرض فرسایش بادی کمتر از فرسایش آبی است. نتیجه این است که تأثیر فرسایش بادی بر محتوای SOM بیشتر از فرسایش آبی است. از آنجا که بیشترین بارندگی در این منطقه در فصل تابستان است که محصولات در حال رشد هستند، تأثیر فرسایش آبی ناچیز است. با این حال، در بهار و زمستان که بیشتر زمین خالی است باد می‌وزد. بنابراین، خاک سطحی می تواند به راحتی توسط باد و طوفان های شن رایج در این منطقه فرسایش یابد.
محتوای OM در انواع مختلف خاک با پیروی از اصل پیدایش خاک متفاوت است. خاک ها به ترتیب کاهش محتوای OM عبارتند از: خاک هیدرومورف (خاک مرداب)، خاک شسته شده، خاک نیمه شسته، خاک مصنوعی، خاک آهکی، خاک شور – قلیایی و خاک اولیه. خاک هیدرومورفیک دارای OM بسیار بالاتری نسبت به سایر انواع خاک است زیرا اشباع آب می تواند رشد سبزیجات را افزایش دهد اما به دلیل کمبود اکسیژن تجزیه OM را کند می کند. در مقابل، خاک شور- قلیایی و خاک اولیه به دلیل کمبود نهاده از پوشش گیاهی، کمترین OM را دارند.
در میان عوامل انسانی، POP رابطه معکوس با SOM دارد. جمعیت متراکم تر به معنای اکتشاف طولانی تر و شدیدتر است، بنابراین SOM را کاهش می دهد. رابطه بین محتوای SOM و تولید ناخالص داخلی یکنواخت نیست. در ابتدا، محتوای SOM با افزایش تولید ناخالص داخلی کاهش می یابد، اما زمانی که تولید ناخالص داخلی از 1137 فراتر رفت، SOM افزایش می یابد. این ممکن است به دلیل ساختار صنعتی باشد. وقتی تولید ناخالص داخلی پایین است، کشاورزی صنعت پیشرو است. هرچه بازده بیشتری تولید شود، خاک بیشتر مصرف می شود. وقتی تولید ناخالص داخلی بالا باشد، تولید و خدمات صنایع پیشرو هستند. هر چه تولید ناخالص داخلی بیشتر باشد، تعداد صنایع غیرکشاورزی بیشتر می شود. بر این اساس، فشار کمتری بر مواد مغذی خاک سیاه، اما فشار بیشتری بر محیط خاک وجود دارد.
در LUT های مختلف، شالیزارها به دلیل بهره وری بالا و سرعت تجزیه پایین ناشی از اشباع آب و کمبود اکسیژن، دارای بالاترین محتوای SOM هستند. زمین های آبی دارای کمترین میزان SOM هستند، کمتر از زمین های خشک. این مورد انتظار است زیرا شدت استفاده از زمین های آبی بسیار بیشتر از زمین های دیم است که هر دو کاه برگشتی ندارند. بنابراین، بازگشت کاه را باید تشویق کرد و تبدیل اراضی دیم به آبی را باید با احتیاط مورد توجه قرار داد. کشاورزی دیم نیز باید تشویق شود زیرا در این منطقه گرما و باران همزمان هستند.

4. بحث

با استفاده از GDM برای شناسایی روابط و تعاملات خطی و غیرخطی، تأثیر عوامل طبیعی و انسانی بر SOM منطقه خاک سیاه در شمال شرقی چین به صورت کمی مورد تجزیه و تحلیل قرار گرفت. یافته ها با مطالعات قبلی سازگار است و درک کمی و سیستماتیک از عوامل تأثیرگذار را ارائه می دهد [ 47 ]. بر اساس نتایج مطالعه، توصیه هایی برای حفاظت از خاک سیاه ارائه شده است.
این مطالعه به این نتیجه رسید که دما، ارتفاع، نوع خاک و کاربری زمین بر SOM [ 48 ] تأثیر می گذارد]. در میان آنها، MAT بیشترین تأثیر را دارد. اگرچه نمی‌توانیم بر دما تأثیر بگذاریم، اما می‌توانیم پیش‌بینی کنیم که کاهش محتوای SOM با گرم شدن کره زمین تسریع می‌شود. تولید ناخالص داخلی و POP دومین و چهارمین تأثیر بزرگ را بر SOM در میان این عوامل دارند. فعالیت های انسانی، مانند بهره برداری بیش از حد و شیوه های مدیریت ناپایدار، نقش مهمی در تخریب خاک سیاه بازی می کند. ویژگی های DEM و ژئومورفیک نیز از عوامل تاثیرگذار مهم هستند. بنابراین، در مناطق کوهستانی، پشته ها و تراس های متقاطع برای حفظ مواد مغذی خاک توصیه می شود. SOM بسته به نوع خاک به طور قابل توجهی متفاوت است. بنابراین، برای جلوگیری از تبدیل زمین‌های زراعی با انواع خاک حاصلخیز به مصارف غیرکشاورزی، حفاظت‌های سختگیرانه باید اعمال شود. به علاوه،
اگرچه فرسایش بادی تأثیر قابل توجهی نسبت به فرسایش آبی دارد، هر دو تهدید مهمی برای بهره وری خاک هستند. خاک ورزی حفاظتی می تواند با پوشاندن زمین با کلش و افزایش پایداری مکانیکی خاک، فرسایش بادی را به طور موثر کنترل کند. دولت چین در حال ترویج خاک ورزی حفاظتی در منطقه خاک سیاه است. تا سال 2020، خاک ورزی حفاظتی در 2.77 میلیون هکتار انجام می شد. برنامه ریزی شده است که این منطقه در سال 2025 به 9.33 میلیون هکتار و در سال 2030 به 10 میلیون هکتار افزایش یابد [ 49 ]. کمربند حفاظتی زمین های کشاورزی یکی دیگر از اقدامات پیشنهادی برای جلوگیری از فرسایش بادی است.
MAP ارتباط مثبتی با محتوای SOM دارد. تحت شرایط بارندگی فراوان، برای انباشت SOM برای افزایش پوشش گیاهی برای جلوگیری از فرسایش بادی مفید است. میزان بارندگی در منطقه مورد مطالعه نسبتاً کم بوده و بیشتر زمین های زیر کشت نیاز به آبیاری دارند. با این حال، زمین آبی دارای کمترین میزان SOM در بین سه نوع زمین زیر کشت است. تحت شیوه های کشاورزی سنتی و شدید، آبیاری حاصلخیزی خاک را تهدید می کند. کاه برگشتی برای خاکورزی حفاظتی می تواند SOM را افزایش دهد و در عین حال نفوذپذیری خاک و حفظ آب را افزایش دهد [ 50 ]. از این رو، خاک ورزی حفاظتی می تواند کشاورزی دیم را همراهی کند و بر اساس بارش محلی به طور مناسب اصلاح شود.
GT کمترین مقدار q را در تشخیص عامل داشت. با این حال، می تواند به طور غیرخطی تأثیر عوامل دیگر را افزایش دهد و بنابراین به حفاظت از خاک سیاه کمک می کند. در پاسخ به ویژگی‌های ژئومورفیک، باید اقدامات مختلفی مانند برآمدگی‌ها و تراس‌های متقاطع انجام شود.
LUT متفاوت منجر به تغییرات متفاوتی در SOM می شود. ما باید به LUT توجه بیشتری داشته باشیم، به خصوص در شرایط گرمایش جهانی که یک عامل طبیعی است که ما هیچ کنترل مستقیمی بر آن نداریم. برای شالیزارها، باید راهبردهای زیر را اتخاذ کنیم: تراشکاری هارو، ساخت مزارع نواری، مخلوط کردن ماسه و افزایش مصرف فسفر و پتاسیم. اتخاذ اقدامات فوق می تواند بلوغ خاک را تسریع کند، نفوذپذیری خاک را بهبود بخشد، ظرفیت نگهداری آب را کاهش دهد، فعالیت میکروبی را تقویت کند، خواص شیمیایی خاک را تنظیم کند و کیفیت و کمیت SOM را بهبود بخشد. برای زمین دیم نمی توان کورکورانه آن را به زمین آبی تبدیل کرد. کشاورزی دیم باید در منطقه مورد مطالعه تشویق شود.
علاوه بر عوامل تأثیرگذار انتخاب شده در این مقاله، تأثیر انواع مختلف عملکرد مدیریت کشاورزی بر SOM نیز بسیار زیاد است که عامل اصلی برای روش‌های کشت در منطقه مورد مطالعه است. کلش، تناوب زراعی و برگشت کاه از اقدامات رایج خاکورزی در منطقه مورد مطالعه است [ 51]. کلش گیاهی سطح را می پوشاند، تماس بین میکروارگانیسم ها و مواد آلی در خاک را کاهش می دهد، محتوای SOM را تثبیت می کند، به طور موثری از تهویه بیش از حد خاک جلوگیری می کند و از فرسایش خاک جلوگیری می کند. کشت تناوب سویا و لوبیا قرمز تأثیر آشکاری بر کنترل فرسایش خاک در سطح شیب شمال شرقی منطقه خاک سیاه لایه نازک دارد. بازگشت کاه به مزرعه تأثیر خوبی در کاهش فرسایش خاک دارد و می تواند چرخه غذایی خاک را کامل کند، تنوع میکروبی خاک را افزایش دهد و مهمتر از آن ترسیب کربن را از طریق ورودی استخر کربن خاک محقق کند. این یک اقدام پایدار برای ترسیب کربن کشاورزی است. روش‌های کشت فوق همراه با کود شیمیایی همچنین می‌تواند ساختار خاک را بهبود بخشد، عملکرد محصول را افزایش داده و شکست خاک را کاهش دهد.52 ]. انتخاب معقول روش های کشت مناسب مشکل اصلی در عمل خواهد بود. به طور خلاصه، حفاظت از خاک سیاه نیازمند روش های حفاظتی پیشرفته، همکاری کشاورزان و حمایت سیاست گذاران است [ 53 ].

5. نتیجه گیری ها

با استفاده از GDM، این مطالعه به طور کمی عوامل موثر بر محتوای SOM خاک سطحی را در منطقه خاک سیاه شمال شرقی چین تجزیه و تحلیل کرد. نتایج زیر حاصل شد:
  • نه عامل مورد تجزیه و تحلیل با محتوای SOM رابطه معناداری دارند. به ترتیب نزولی شدت، این عوامل شامل دما، تولید ناخالص داخلی، ارتفاع، جمعیت، نوع خاک، بارندگی، فرسایش خاک، نوع کاربری اراضی و نوع ژئومورفیک است.
  • تعامل هر دو عامل تأثیر آنها را بر محتوای SOM افزایش داد. تاثیرگذارترین ترکیب ها شامل MAT + MAP (q = 0.43)، DEM + MAT (q = 0.41)، MAT + GT (q = 0.40)، MAT + ST (q = 0.40) و MAT + LUT (q = 0.39) .
  • با افزایش در MAT، POP، SE، DEM، و موج‌ریزی زمین، محتوای SOM کاهش می‌یابد. در عین حال، محتوای SOM به طور مثبت تحت تأثیر MAP قرار می گیرد. فرسایش بادی نسبت به فرسایش آبی در منطقه مورد مطالعه تأثیرات قابل توجهی بر محتوای SOM دارد. وقتی تولید ناخالص داخلی کمتر از 1137 باشد، با محتوای SOM رابطه منفی دارد. با این حال، زمانی که تولید ناخالص داخلی بیشتر از 1173 باشد، همبستگی مثبت است. محتوای SOM بر اساس نوع خاک متفاوت است و از اصل پیدایش خاک پیروی می کند که به سایر عوامل طبیعی مانند توپوگرافی، مواد اولیه، آب و هوا، ارگانیسم و ​​سن خاک مربوط می شود. خاک هیدرومورفیک، خاک شسته شده و خاک نیمه شسته شده حاصلخیز هستند. در میان سه نوع خاک ورزی، محتوای SOM در شالیزارها، زمین های خشک و زمین های آبی از زیاد به کم کاهش می یابد.
این مطالعه نشان داد که هم عوامل طبیعی و هم فعالیت های انسانی بر SOM تأثیر دارند. عوامل مؤثر اصلی عوامل طبیعی هستند. فعالیت های انسان زایی در جایگاه پنجم عوامل تأثیر قرار دارند که توسط جفت تجزیه و تحلیل می شوند. با این حال، عوامل طبیعی به سختی تغییر می کنند، بنابراین ما باید به فعالیت های انسان زا توجه بیشتری داشته باشیم. باید از بهره برداری بیش از حد و شیوه های مدیریت ناپایدار اجتناب شود. شیوه‌های پایدار مانند خاک‌ورزی حفاظتی، کمربندهای حفاظتی زمین‌های کشاورزی، پشته‌های متقاطع، تراس‌ها و کشاورزی دیم، باید بر اساس شرایط محلی اتخاذ و تنظیم شوند. در نهایت، اقدامات سختگیرانه برای جلوگیری از تبدیل زمین های کشاورزی با کیفیت به کاربری های غیر کشاورزی باید اتخاذ و اجرا شود.

منابع

  1. زی، اچ. شی، فو؛ ژانگ، ایکس. Wang, J. مروری بر خصوصیات تثبیت SOM و عوامل مؤثر. چانه. J. Soil Sci. 2003 ، 34 ، 459-462. [ Google Scholar ]
  2. سلام.؛ ژانگ، بی. لی، اف. Ma، C. مشکلات محیط زیست زراعی و اقدامات متقابل در منطقه خاک سیاه در شمال شرقی چین. کشاورزی Res. مناطق خشک 2004 ، 22 ، 191-194. [ Google Scholar ]
  3. Guo, W. ایجاد “منطقه ویژه برای حفاظت از زمین های کشت شده” و توسعه منطقی و استفاده از لایه خاک سیاه. منابع زمین. Inf. 2007 ، 12 ، 35-38. [ Google Scholar ]
  4. موکل، سی. Nizzetto، L. گواردو، AD; استاینز، ای. فرپاز، م. فیلیپا، جی. کامپورینی، پی. بنر، جی. جونز، KC آلاینده های آلی پایدار در پروفایل های خاک شمالی و کوهستانی: توزیع، شواهدی از فرآیندها و پیامدها برای دوچرخه سواری جهانی. محیط زیست علمی تکنولوژی 2008 ، 42 ، 8374-8380. [ Google Scholar ] [ CrossRef ]
  5. چن، تی. چانگ، Q. لیو، جی. باهوشان، JG تنوع فضایی-زمانی ماده آلی خاک مزرعه و نیتروژن کل در فلات جنوبی لس، چین: مطالعه موردی در شهرستان هیانگ. محیط زیست علوم زمین 2016 ، 75 ، 28. [ Google Scholar ] [ CrossRef ]
  6. بار، پ. دوراند، ح. چنو، سی. مونیر، پی. مونتان، دی. کاستل، جی. بیلیو، دی. سوسماریانادین، ال. Cecillon، L. کنترل زمین شناسی ذخایر کربن آلی و نیتروژن خاک در مقیاس چشم انداز. ژئودرما 2017 ، 285 ، 50-56. [ Google Scholar ] [ CrossRef ]
  7. سینگ، نیوجرسی؛ کودرات، م. جین، ک. اثر کاربری زمین و توپوگرافی بر توزیع فضایی کربن آلی خاک در اکوسیستم های نیمه گرمسیری نیمه خشک در اوتار پرادش، هند. بین المللی جی. اکول. محیط زیست علمی 2014 ، 40 ، 189-197. [ Google Scholar ]
  8. یو، اچ. ژا، تی. ژانگ، ایکس. نی، ال. Pan، YJC توزیع فضایی کربن آلی خاک ممکن است عمدتاً توسط توپوگرافی در یک حوضه کوچک با پوشش گیاهی تنظیم شود. Catena 2020 , 188 , 104459. [ Google Scholar ] [ CrossRef ]
  9. شوتسوا، ال. روماننکوف، وی. سیروتنکو، او. اسمیت، پی. Rodionova، V. اثر عوامل طبیعی و کشاورزی بر دینامیک ماده آلی خاک در درازمدت در خاک‌های سودولی-پودزولی قابل کشت – مدل‌سازی و مشاهده. ژئودرما 2003 ، 116 ، 165-189. [ Google Scholar ] [ CrossRef ]
  10. دای، دبلیو. Huang, Y. رابطه غلظت ماده آلی خاک با آب و هوا و ارتفاع در خاک های ناحیه ای چین. Catena 2006 ، 65 ، 87-94. [ Google Scholar ] [ CrossRef ]
  11. Jiménez-González، MA; Lvarez، AM; کارال، پی. Almendros، GJC تأثیر عوامل تشکیل دهنده خاک بر ساختار مولکولی مواد آلی خاک و سطوح کربن. Catena 2020 , 189 , 104501. [ Google Scholar ] [ CrossRef ]
  12. یانگ، ال. شن، اف. ژانگ، ال. کای، ی. ژو، سی. کمی سازی تأثیر عوامل طبیعی و انسانی بر تغییرات پوشش گیاهی با استفاده از مدل سازی معادلات ساختاری: مطالعه موردی در استان جیانگ سو، چین. جی. پاک. تولید 2021 ، 280 ، 124330. [ Google Scholar ] [ CrossRef ]
  13. لورنز، ام. Sören، TB گونه های درختی بر ذخایر مواد آلی خاک و استوکیومتری در تعامل با میکروبیوتای خاک تأثیر می گذارد. Geoderma 2019 ، 353 ، 35-46. [ Google Scholar ] [ CrossRef ]
  14. ارسال مجدد، TM; روزولن، وی. برنو، ام. موریرا، MZ; دا کونسیسائو، اف تی. Govone، JS دینامیک ماده آلی خاک در یک توالی زمانی کشت شده در سرادو (میناس گرایس، برزیل). خاک رس. 2017 ، 55 ، 750-757. [ Google Scholar ] [ CrossRef ]
  15. کنگ، XS؛ لوان، آر جی؛ میائو، ی. Qi، SH; لی، ف. هیدروکربن‌های آروماتیک چند حلقه‌ای در هسته‌های رسوبی از Dashiwei Tiankeng در رودخانه زیرزمینی Bailang، چین جنوبی. محیط زیست علوم زمین 2015 ، 73 ، 5535-5543. [ Google Scholar ] [ CrossRef ]
  16. فن، م. لعل، ر. ژانگ، اچ. مارگنوت، ای جی; وو، جی. وو، پی. ژانگ، ال. یائو، جی. چن، اف. گائو، سی. تغییرپذیری و عوامل تعیین کننده ماده آلی خاک تحت کاربری های مختلف زمین و انواع خاک در شرق چین. خاک ورزی خاک. 2020 ، 198 ، 104544. [ Google Scholar ] [ CrossRef ]
  17. وانگ، تی. کمپس-آربستین، م. Hedley، CJAE عوامل موثر بر ترکیب مولکولی مواد آلی خاک در مراتع نیوزیلند. کشاورزی اکوسیستم. محیط زیست 2016 ، 232 ، 290-301. [ Google Scholar ] [ CrossRef ]
  18. شولپ، CJE; ولدکمپ، الف. منظر بلندمدت – تعاملات استفاده از زمین به عنوان عامل توضیح دهنده تغییرپذیری ماده آلی خاک در مناظر کشاورزی هلند. ژئودرما 2008 ، 146 ، 457-465. [ Google Scholar ] [ CrossRef ]
  19. شیلاچی، سی. آکوتیس، ام. لومباردو، ال. لیپانی، ع. فانتاپی، م. مرکر، ام. Saia, S. نقشه‌برداری کربن آلی خاک سطحی فضایی-زمانی یک منطقه نیمه خشک مدیترانه: نقش کاربری زمین، بافت خاک، شاخص‌های توپوگرافی و تأثیر داده‌های سنجش از دور در مدل‌سازی. علمی کل محیط. 2017 ، 601–602 ، 821–832. [ Google Scholar ] [ CrossRef ]
  20. هو، ک. وانگ، اس. لی، اچ. هوانگ، اف. لی، ب. اثرات پوسته پوسته شدن فضایی بر تنوع ماده آلی خاک و نیتروژن کل در حومه پکن. Geoderma 2014 ، 226-227 ، 54-63. [ Google Scholar ] [ CrossRef ]
  21. کاستا، EM; تاسیناری، WD; پینیرو، اچ اس. بیوتلر، اس جی. Dos Anjos، LH نقشه برداری کربن آلی خاک و کسرهای ماده آلی توسط رگرسیون وزنی جغرافیایی. جی. محیط زیست. کیفیت 2018 ، 47 ، 718-725. [ Google Scholar ] [ CrossRef ]
  22. زنگ، سی. یانگ، ال. زو، تبر; Rossiter، DG; لیو، جی. لیو، جی. کوین، سی. Wang، DJG نقشه برداری غلظت ماده آلی خاک در مقیاس های مختلف با استفاده از روش رگرسیون وزنی جغرافیایی مخلوط. Geoderma 2016 ، 281 ، 69-82. [ Google Scholar ] [ CrossRef ]
  23. هو، ک. لی، اچ. لی، بی. هوانگ، ی. الگوهای مکانی و زمانی ماده آلی خاک در منطقه انتقال شهری به روستایی پکن. Geoderma 2007 ، 141 ، 302-310. [ Google Scholar ] [ CrossRef ]
  24. وانگ، J.-F. ژانگ، T.-L. فو، بی.-جی. اندازه گیری ناهمگنی طبقه بندی شده فضایی. Ecol. اندیک. 2016 ، 67 ، 250-256. [ Google Scholar ] [ CrossRef ]
  25. ژائو، ی. دنگ، س. لین، کیو. زنگ، سی. Zhong، CJEP شناسایی منبع کادمیوم در خاک ها و مناطق پرخطر پیش بینی شده با روش آشکارساز جغرافیایی. محیط زیست آلودگی 2020 ، 263 ، 114338. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. سو، ی. لی، تی. چنگ، اس. Wang، XJEE اکتشاف توزیع فضایی و شناسایی عامل محرک برای شوری خاک بر اساس مدل‌های ژئودتکتور در منطقه ساحلی. Ecol. مهندس 2020 , 156 , 105961. [ Google Scholar ] [ CrossRef ]
  27. کیائو، پی. یانگ، اس. لی، م. چن، تی. دونگ، ن. تجزیه و تحلیل کمی عوامل موثر بر توزیع فضایی فلزات سنگین خاک بر اساس آشکارساز جغرافیایی. علمی کل محیط. 2019 ، 664 ، 392-413. [ Google Scholar ] [ CrossRef ]
  28. تائو، اچ. لیائو، ایکس. لی، ی. خو، سی. زو، جی. Cassidy، DP کمی سازی تأثیر عوامل انسانی-طبیعی متقابل بر تجمع عناصر کمیاب و خطر آلودگی در خاک کارست. علمی کل محیط. 2020 , 721 , 137770. [ Google Scholar ] [ CrossRef ]
  29. چنگ، اچ. Qiong، XU; دانشگاه، HN مطالعه بر روی رابطه جفت شهرنشینی-گردشگری-اکولوژی در چین بر اساس آشکارساز جغرافیایی. J. Zhongzhou Univ. 2019 ، 36 ، 21-27. [ Google Scholar ]
  30. او، جی. پان، ز. لیو، دی. Guo, X. بررسی تفاوت های منطقه ای سلامت اکوسیستم و عوامل محرک آن در چین. علمی کل محیط. 2019 ، 673 ، 553-564. [ Google Scholar ] [ CrossRef ]
  31. فن، اچ. وانگ، جی. هو، م. لی، ز. جیانگ، ایکس. وانگ، جی. ارزیابی فضایی-زمانی برنامه پایش محیط زیست دریایی بر اساس غلظت DIN در مصب رودخانه یانگ تسه و دریای مجاور آن. علمی کل محیط. 2020 , 707 , 135527. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. Lin, HY; Tseng، YH; حسیه، CF; Hu، JM توزیع جغرافیایی دیواسی و همبستگی های اکولوژیکی آن بر اساس داده های توزیع گونه های کوچک از یک جزیره نیمه گرمسیری. Ecol. Res. 2019 ، 35 ، 170-181. [ Google Scholar ] [ CrossRef ]
  33. لیو، ز. وانگ، اس. ژانگ، ی. شیانگ، جی. تانگ، MX؛ گائو، کیو. ژانگ، ی. سان، اس. لیو، کیو. جیانگ، BJES؛ و همکاران تأثیر دما و برهمکنش آن با رطوبت نسبی و بارندگی بر مالاریا در شهر معتدل سوژو، چین. محیط زیست علمی آلودگی Res. 2021 ، 28 ، 16830-16842. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. جیانگ، ی. یین، ایکس. وانگ، ایکس. ژانگ، ال. چن، FJAJ اثرات گرمایش جهانی بر سیستم‌های زراعی چین تحت پیشرفت‌های فنی از سال 1961 تا 2016. Agron. J. 2020 ، 113 ، 187-199. [ Google Scholar ] [ CrossRef ]
  35. ژائو، دبلیو. هو، ز. گوا، کیو. وو، جی. چن، آر. لی، اس. سهم عوامل آب و هوایی در تنوع بین سالانه شاخص پوشش گیاهی در مراتع شمال چین. جی. کلیم. 2019 ، 33 ، 175-183. [ Google Scholar ] [ CrossRef ]
  36. نیش، اف. ما، ال. فن، اچ. چه، ایکس. چن، ام. تمایز فضایی کیفیت زندگی روستایی بر اساس عوامل کنترل کننده طبیعی: مطالعه موردی استان گانسو، چین. جی. محیط زیست. مدیریت 2020 , 264 , 110439. [ Google Scholar ] [ CrossRef ]
  37. راپوسو، وی. فریرا، پی. Tavares، A. تفاوت در کیفیت مراقبت های اولیه پرتغالی: تجزیه و تحلیل با استفاده از داده های جغرافیایی و رضایت بیمار. یورو J. Public Health 2019 , 29 , ckz034.018. [ Google Scholar ] [ CrossRef ]
  38. هوانگ، آر. نینگ، اچ. او، تی. بیان، جی. هو، جی. Xu، G. تاثیر PM 10 و عوامل هواشناسی بر بروز بیماری دست، پا و دهان در کودکان دختر در نینگبو، چین: یک مطالعه فضایی و زمانی و سری زمانی. محیط زیست علمی آلودگی Res. 2019 ، 26 ، 17974–17985. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. ژانگ، XX; خو، سی دی; Xiao، GX ناهمگونی فضایی ارتباط بین دما و خطر بیماری دست، پا و دهان در کلان شهرها و مناطق دیگر. علمی کل محیط. 2020 , 713 , 136623. [ Google Scholar ] [ CrossRef ]
  40. خو، سی. ژانگ، ایکس. Xiao، G. تجزیه فضایی و زمانی و عوامل خطر بیماری دست، پا و دهان در هنان، چین. علمی کل محیط. 2019 ، 657 ، 509. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  41. وو، ال. Cai, Z. رابطه بین مقیاس فضایی و تنوع ماده آلی خاک در چین. Adv. علوم زمین 2006 ، 21 ، 965-972. [ Google Scholar ]
  42. یانگ، اس پی؛ Han, HD تجزیه و تحلیل کمی عوامل محرک NDVI در استان گانسو بر اساس ژئودتکتور. جی. گانسو کشاورزی. دانشگاه 2019 ، 54 ، 115-123. [ Google Scholar ]
  43. وانگ، جی اف. Hu, Y. تشخیص خطر سلامت محیطی با GeogDetector. محیط زیست مدل. نرم افزار 2012 ، 33 ، 114-115. [ Google Scholar ] [ CrossRef ]
  44. وانگ، جی اف. لی، XH; کریستاکوس، جی. لیائو، YL; ژانگ، تی. گو، ایکس. ژنگ، ارزیابی خطر سلامت مبتنی بر آشکارسازهای جغرافیایی XY و کاربرد آن در مطالعه نقص لوله عصبی منطقه هشون، چین. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 107-127. [ Google Scholar ] [ CrossRef ]
  45. شوقین، س. کیون، سی. Zhengguo، LI; Hengzhou، XU; مدیریت، SO; دانشگاه، TP تأثیر ناهمگونی فضایی عوامل اقلیمی و اجتماعی-اقتصادی بر ماده آلی خاک – مطالعه موردی استان مرکزی هیلونگجیانگ، چین. چانه. جی اکو-کشاورزی. 2014 ، 22 ، 1102-1112. [ Google Scholar ]
  46. لی، کیو. چنگ، ایکس. لو، ی. خو، ز. خو، ال. روآن، اچ. Xu, X. حساسیت دمایی ثابت کانی‌سازی کربن آلی خاک ناپایدار در امتداد شیب ارتفاعی در کوه‌های Wuyi، چین. Appl. اکول خاک 2017 ، 117–118 ، 32–37. [ Google Scholar ] [ CrossRef ]
  47. فن، ز. پنگ، سی. جین، آر. وو، H. انواع خاک اصلی در شمال شرقی چین و شاخص باروری همبستگی با عوامل هواشناسی. J. Maize Sci. 2018 ، 26 ، 140-146. [ Google Scholar ]
  48. ویزمایر، ام. اوربانسکی، ال. هابلی، اتحادیه اروپا؛ لانگ، بی. Kgel-Knabner، I. ذخیره‌سازی کربن آلی خاک به‌عنوان تابع کلیدی خاک – مروری بر محرک‌ها و شاخص‌ها در مقیاس‌های مختلف. Geoderma 2019 ، 333 ، 149-162. [ Google Scholar ] [ CrossRef ]
  49. دانگمین، دی. افزودن انرژی و شتاب برای توسعه با کیفیت بالا مکانیزاسیون کشاورزی – به مناسبت انتشار “برنامه اقدام خاکورزی حفاظت از خاک سیاه شمال شرقی” نوشته شده است. کشاورزی ماخ کیفیت سرپرست 2020 ، 184 ، 9-10. [ Google Scholar ]
  50. میائو، ایکس. آره.؛ هان، ز. دینگ، ایکس. یوان، اچ. ژائو، جی. جین، دبلیو. بررسی تحقیقاتی اثر برای ترسیب کربن در کشاورزی بدون خاکورزی. چانه. کشاورزی علمی گاو نر 2014 ، 030 ، 32-39. [ Google Scholar ]
  51. خو، X. سوئی، ی. ژانگ، ی. وانگ، ی. لیو، ام. لیو، ی. اثرات خاکورزی های مختلف بر مزایای حفاظت از خاک و آب در منطقه خاک سیاه شمال شرقی چین. علمی حفظ آب خاک 2013 ، 11 ، 12-16. [ Google Scholar ]
  52. وانگ، آر. ژانگ، جی. دونگ، اس. لیو، پی. وضعیت فعلی استفاده از منابع کاه ذرت و تأثیر آن در مناطق اصلی تولید ذرت چین. چانه. J. Appl. Ecol. 2011 ، 22 ، 1504-1510. [ Google Scholar ]
  53. میناسنی، بی. مالون، BP; مک براتنی، AB; Angers, DA; Winowiecki، LA خاک کربن 4 در میلی. ژئودرما 2017 ، 292 ، 59-86. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00348 g001 550
شکل 1. محل منطقه مورد مطالعه و غلظت SOM.
Ijgi 10 00348 g002 550
شکل 2. انتقال پشتیبانی فضایی SOM.
Ijgi 10 00348 g003a 550 Ijgi 10 00348 g003b 550
شکل 3. توزیع فضایی عوامل تأثیرگذار در منطقه مورد مطالعه. ( الف ) توزیع مکانی میانگین دمای سالانه. ( ب ) توزیع مکانی میانگین بارندگی سالانه. ( ج ) توزیع فضایی مدل رقومی ارتفاع. ( د ) توزیع فضایی نقشه جمعیت پیکسلی. ( ه ) توزیع فضایی نقشه تولید ناخالص داخلی پیکسلی. ( f ) توزیع فضایی انواع ژئومورفیک. ( ز ) توزیع مکانی داده های فرسایش خاک. ( ح ) توزیع فضایی نوع خاک. ( i ) توزیع فضایی نوع کاربری زمین.
Ijgi 10 00348 g004 550
شکل 4. نتایج آشکارساز تعامل. اندازه دایره نشان دهنده اندازه نسبی تعامل q -value دو عامل است.
Ijgi 10 00348 g005 550
شکل 5. مقادیر متوسط ​​SOM با درجه های مختلف برای همه عوامل. ( الف ) مقادیر متوسط ​​SOM با درجات مختلف برای نقشه تولید ناخالص داخلی پیکسلی. ( ب ) مقادیر متوسط ​​SOM با درجه های مختلف برای نقشه جمعیت پیکسلی. ( ج ) مقادیر متوسط ​​SOM با درجه های مختلف برای نوع کاربری زمین. ( د ) مقادیر متوسط ​​SOM با درجه های مختلف برای میانگین دمای سالانه. ( ه ) مقادیر متوسط ​​SOM با درجه های مختلف برای میانگین بارندگی سالانه. ( f ) مقادیر متوسط ​​SOM با درجه های مختلف برای مدل ارتفاعی دیجیتال. ( g ) مقادیر متوسط ​​SOM با درجه های مختلف برای نوع خاک. ( h) مقادیر متوسط ​​SOM با درجه های مختلف برای داده های فرسایش خاک. ( i ) مقادیر متوسط ​​SOM با درجه های مختلف برای انواع ژئومورفیک.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید