Soil-Landscape建模和遥感提供土壤属性的空间表示一位埃塞俄比亚的分水岭

文摘

土壤属性的空间分布信息是必要的自然资源建模;然而,土壤调查的成本限制了高分辨率的发展土壤地图。本研究的目的是提供一种方法预测土壤属性。地形属性和归一化植被指数(NDVI)被用来提供信息使用集群和土壤属性的空间分布统计技术为56公里²Gumara-Maksegnit埃塞俄比亚的分水岭。多元线性回归模型中实现分类subwatersheds解释6 - 85%的土壤深度的变化,质地、有机质、体积密度、pH值、总氮,磷,和石头的内容。预测模型是有利比得上使用逆距离加权插值算法。卫星图像的使用提高了预测。土壤深度预测精度下降逐渐从180年野外观察使用时的98%降至65%只使用25野外观察。土壤属性预测与可接受的精度甚至低密度的观察(观察1 - 2 / 2公里²)。这是因为模型利用地形和卫星数据支持的统计预测土壤属性之间的两个观测。因此,利用DEM和遥感与最小字段数据提供了一个空间上连续的土壤属性的替代来源。

1。介绍

定量信息和土壤属性的空间分布的主要先决条件实现土地可持续管理。土壤信息的准确性决定了,在很大程度上,土地资源管理决策的可靠性(1- - - - - -3]。传统的土壤调查通常用于获得土壤信息及其分布(4];然而,有限的区域是由详细的土壤信息主要是由于高成本的调查(5]。此外,土壤特性的空间分布为代表的传统土壤地图并不能反映分配的领域,因为polygon-based映射使用(6]。在polygon-based映射,土壤被认为是均匀在多边形内,和突然的变化发生在多边形之间的界限(7,8]。土壤通常显示一个分散的空间分布,很难解决polygon-based土壤地图(9]。许多研究人员建议连续栅格地图作为一个更好的选择映射土壤及其属性(6,7,9]。

在土壤科学,geomatics-GIS的实现,全球定位系统(GPS)、遥感、数字高程模型(民主党)——提出新的替代3,10]。覆盖全球的高分辨率图像和地形数据越来越多,这增强了流行的数字土壤映射生成精确的地图,捕捉许多属性合理的努力11]。使用GIS的好处是数字土壤属性和数字地图的生产优化需要昂贵的现场工作和实验室分析10,12]。

各种统计模型是用于调查土壤属性的空间分布之间的关系和景观的属性。预测映射技术,如地质统计学(即。,kriging and cokriging), fuzzy logic, linear and multiple regression, regression trees, and neural networks, have been used to develop soil maps [10,13]。正在进行的数字土壤制图的研究表明,定量预测模型是有前途的工具生产土壤地图接受的准确性(14,15]。研究提供了乐观的结果,一些研究人员获得更好的结果比传统的土壤调查(16- - - - - -18]。使用卫星数据补充地形信息提高自然资源的映射(10,13,19]。这些调查是基于景观格局之间的关系,土壤类型和属性的区别20.]。特定的土壤属性的空间分布预测使用soil-landscape建模。这包括砂、淤泥和有机质含量;表土层厚度;土壤表层深度;可推断出的磷;和pH值(21,22]。使用不同的地形属性,这些研究中所开发的实证模型解释了41 - 68%的土壤特性的变化(21,22]。

GIS是用来量化土壤和地形和遥感变量之间的关系和援助数字土壤制图工作(2,3,10,23,24]。地形参数来自民主党和用来预测土壤的分布特征5,22,25,26]。高分辨率遥感数据的增加可用性提供了一个新的机会和可接受的精度预测土壤特征(11]。许多研究者已经报道了遥感数据的贡献提供可接受的预测土壤特性(27- - - - - -29日]。然而,有许多问题值得进一步研究:连接词使用卫星数据和地形数据来改善土壤特性的预测;最好的时间获得卫星数据。使用各种数字(密度)的观测,以及它如何影响精度,将有助于研究人员决定维持可接受的合理数量的观测精度与适量的领域工作。soil-landscape模型预测土壤属性的使用是理论上比插值技术,因为前者使用地形和卫星数据作为背景指导预测,而插值仅仅依赖于相邻观测之间的空间关系的变化因素不考虑驱动土壤分化。然而,使用soil-landscape建模与插值技术相比的优点需要验证和量化,特别是当有限数量的观察是可用的。本研究的目的是调查的效用soil-landscape模型利用DEM和遥感预测土壤特性的空间分布与野外观察的最佳数量。

2。材料和方法

研究区位于Gumara-Maksegnit塔纳湖流域的分水岭Amhara地区在埃塞俄比亚,在12°24′-12°31′N和37°34 37′′-37°E。贡德尔镇西南中心45公里,占地56公里²。流域范围内高度海拔1923至2851米,与地形从温和到尖锐陡峭的斜坡。年平均降水量1052毫米。最小和最大平均气温是13.3和28.5°C,分别。研究区ustic水分的政权的特点是(30.]。自然资源基础已经耗尽在很大程度上由于土壤侵蚀和土地使用不当,导致树木覆盖,减少生物多样性、农业、范围、和草场生产力。

2.1。土壤调查和野外观察

该地区被划分为正方形网格(500×500)。流域的面积和地形和植被的异质性,因此土壤,是用来指导这个网格大小的选择。大的网格大小(1公里)将导致有限的观察和限制的代表性土壤变化。土壤采集标本在每个网格在分水岭(图1)。这是一个网格和免费的抽样技术之间的妥协。土地测量员免费把样品时定义的网格来表示区域内,采样站点的分布仍然跟着一个公正的网格。在许多网格共同特性的情况下,土地测量员减少量来表示这些网格采样站点之一。每个站点100厘米的深度挖掘,或者一个阻碍层,使用一个钻。粮农组织的术语(30.)是用于描述采样站点。土壤属性和网站特征记录GPS坐标(以东、以北和高程),土壤深度使用钻、坡度(%)预计使用测斜仪,石头表面覆盖(百分比),和石头表层土壤的内容层(0-25厘米)。每个土壤的土壤样本观察拍摄进行实验室分析。以下分析了土壤属性:粘土、粉土、砂、有机质、全氮和有效磷含量,pH值和体积密度。

比重计法概述的简化程序是用来确定土壤粒度分布(31日]。过氧化氢(H₂O₂)被用来破坏有机物,六偏磷酸钠(绒毛₃)被用作分散剂。土壤容重(Bd)估计从原状(核心)采集土壤样本使用岩心取样器,称重现场含水率,然后确定程序后,布雷克(32]。

土壤pH值测量使用数字酸度计的上层清液悬挂1:2.5土壤:流动性比率;液体是水和1 M氯化钾溶液,和pH值减去计算土壤pH值(氯化钾)从土壤pH值(H₂O)。分析了土壤的有机碳含量后,湿消化法描述Walkley和黑色,其中包括消化有机碳在土壤样品与重铬酸钾(K₂Cr₂O₇)在硫酸溶液33]。凯氏过程后测定总氮的描述Sahlemeden和意甲氧化有机物与浓硫酸和有机化合物中的氮转化为硫酸铵氧化过程中(34]。

可用的磷是由奥尔森等人的方法35]。土壤样本与0.5碳酸氢钠动摇近常数pH值8.5 1:2土壤:溶剂比为30分钟,过滤提取得到的悬架的奥尔森et al . .可用的磷提取过程后由分光光度计测量了墨菲和莱利36]。

2.2。DEM地形分析

航天飞机雷达地形测绘90 m分辨率DEM被用于这项研究。这个产品的免费的可用性和准确性,对野外观察检查,其选择的主要原因。先前的研究推荐了一些地形属性的最佳预测土壤特性(37,38]。下面的地形参数导出使用标准命令在ArcGIS:方面;配置文件、计划、和平均曲率;流聚集区和斜率。平均上坡贡献区域每个像素(上坡流积累)被积累电网平均流速乘以计算像素的面积(流积累×8100米²)。复合地形指数(CTI)为每个像素计算使用公式(21]CTI = ln(/棕褐色D),上坡平均面积和贡献D是平均斜率学位。ARCSWAT被用来推导出流网络,分水岭也自动分成许多subwatersheds(图1)。

分水岭细分被视为预测模型分析的基本单位。这是因为地形属性之间的相关性和土壤特性对整个流域很低,因此不适合预测后者从前者。整个流域的细分成更小的土壤subwatersheds分组观察成均匀的单元,所以使更好的统计关系的建立(37]。每个小subwatershed划分,通过简化,(细分)(图分为两个方面1)。生成的方面被分成类(图2),根据区域特点和斜率。如果个人subwatersheds被认为直接观测的数量在每个subwatershed并不足以建立一个严格的统计关系。subwatersheds分组成类,基于特征区域和斜坡等,增加了观测的数量在每一个类,使良好的预测。选择一个合适的数量的类集群subwatershed方面是很重要的在产生好的结果37]。subwatershed方面的分类(分组)是重复产生一个分类系统,导致一个大约相同数量的观察每个类(至少15观察)。这使得建立一个合理的回归模型为每个类。集群是用于预测土壤属性。七类被发现是最优预测土壤属性的研究领域。

2.3。生成归一化植被指数(NDVI)地图

ASTER卫星图片拍摄于1月30日和3月19日,2007年,在10月8日和11月23日现货卫星拍摄的图像,分析了2007年为了选择最好的图像(s)的研究。这些照片是纠正radiometrically并使用软件的环境几何。辐射校正分别做了ASTER和现场图像在一个乐队的基础上。研究区域内的图像几何校正是由10月现货图像作为基础图像。修正后的图像重新取样相同空间分辨率(15 m×15米)。每个像素的NDVI值计算使用以下公式(39]: 近红外光谱在近红外反射,在哪里在红色的波长反射。NDVI值的四个图片比较基于植被生物量分布。两个图像最大和最小植被选择:拍摄的图片拍摄于3月19日,当大多数的分水岭地区裸露和现货拍摄在10月8日最是植被。这使评估的最佳时机卫星图像改善土壤预测。其他两个图像提供了额外的信息较少,没有考虑进一步分析。从理论上讲,图像变化反映在3月土壤外形或颜色,因为当时裸在埃塞俄比亚(直接影响),而图像反映了土壤特性的间接影响10月对植被和绿色因为土壤是植被覆盖。

地形属性和为每个土壤提取观测卫星数据。统计分析实现,在每个类,派生的地形之间的属性,卫星数据,收集的土壤属性使用SPSS野外观察。多元线性回归模型通常用来预测依赖(土壤属性)的独立变量(卫星数据和地形属性)。从220的观察,分析随机抽取180人,其余40观察被用来评估预测模型的准确性。建立了回归模型为每个类预测土壤属性从地形属性和卫星数据。地图代数ArcGIS被用来获得预测土壤属性网格使用回归模型和光栅网格为每个类(斜率百分比,区、CTI、方面类、曲率类,ASTER和现场图像和NDVI值)。这些方程的一个例子:

预测是首次执行单独的类,然后被合并在一起生成整个流域的预计值。预测精度验证在两个方面:首先,通过比较预测和观测值使用40个随机选择的野外观察(图1);其次,通过比较预测土壤属性与派生使用逆距离加权(IDW)技术。

卫星数据在改善土壤属性预测精度的使用多元线性回归模型进行重复前面的分析不使用卫星图像作为一个独立变量。这样做是为土壤属性(粘土含量)。回归系数()的模型没有包括遥感数据与包括卫星数据进行比较。预测的质量,没有卫星数据也测试通过检查观测值和预测值之间的关系时它们之间的一些差异是允许的。这种比较是实现通过允许一个预测和观察粘土含量的区别,5或7%——因为这不是预期的预测值将完全相等的观测值(允许的不同处是零)。事实上,在1米的距离,有一些差异在这些范围内一些土壤属性。

2.4。选择最优的观测土壤预测

野外观察的数量的影响用于构建回归模型的准确性预测模型(敏感性分析)研究使用土壤深度作为一个例子。这是确定最小数量的观察来维持可接受的土壤属性预测精度。选择不同数量的观察,从180年开始,逐步减少:150年,120年,90年,60岁,40岁,30岁,25,最后20观测。直到达到一个阈值实现的预测模型的预测精度大幅下降到一个较低的水平。在前面的建模使用的类被合并得到一个最佳的观察每个类的数量。的精度预测土壤深度土壤由于使用不同数量的观察(密度)估计使用不同的验证指标(27,40),如均方根误差(RMSE)和平均绝对估计误差(MAEE)。随着预测值与观测值之间的差异的增加,RMSE和MAEE也是如此。考虑以下: 在哪里n验证点的数量,预测土壤深度和观测到的土壤深度。预测的质量测试使用不同密度的观察也通过检查观测值和预测值之间的关系通过允许他们之间的一些差异。这使容易观察的百分比逐渐变化的观察正确预测当不同观测密度。

3所示。结果与讨论

描述性统计对土壤属性和网站特征为每个站点(表记录1)。土壤和地形属性之间的相关性和卫星数据,在考虑土壤的一整套观察,很低(0.0 - -0.50);因此,建立一个回归模型预测土壤属性不会产生可接受的结果。然而,的范围土壤和地形属性与卫星数据在整个流域划分为较小的subwatersheds 0.06 - -0.85(表2)。取决于土壤属性的类型和subwatershed方面类的关系被建立。一般来说,值是可接受的与先前的研究相比40- - - - - -42),用于生成各种土壤属性的预测在七类。然而,预测精度的最终判决是通过预测和测量值之间的比较土壤特征。重要的地形和卫星图像与土壤属性之间的相关性不同的土壤属性不同的类(表相同3)。例如,在2班,粘土含量与斜率百分比显著相关,上坡贡献区,和ASTER影像拍摄于3月,而在类3和7中,粘土含量与斜率百分比高度相关,方面,曲率,ASTER影像拍摄于3月,10月份现货拍摄。这些关系表明,分类成类改进分水岭的预测土壤属性。结果发现的其他研究人员报道低的支持(0.0 - -0.19)之间的各种土壤和地形属性对整个流域,为分类subwatersheds也明显改善,从而提高了预测精度的土壤属性(37]。

回归系数(表3)表明,数字地形属性更强的对土壤特性的影响。这是由以前的研究(43,44]。在自然界中,土壤特性是高度空间变量(45,46),对准确估算土壤属性,应考虑这种不断的变化。此外,在自然界中,土地不是平面(二维),它是在地图上表示。因此,预测将会更可靠如果使用三维模型地形属性提供了一个量化的地形形状和连接定义geomorphometry和水流模式(37,47- - - - - -49]。

之间的RMSE预测土壤特性和观察到的字段(表4)表示好使用回归模型预测精度对于大多数土壤特性与先前的研究相比38,40,50]。拜耳等人发现,两种回归方法有类似的功能提供重要的预测模型对土壤有机碳和铁氧化物(51]。在目前的研究中,比较这RMSE来源于使用IDW空间插值方法表示有利比较预测模型的准确性;预测模型的RMSE低于IDW的在所有的情况下。类似的结果也观察到当观测的数量减少到60(表使用4)。此外,比较RMSE差异(之间的预测模型和IDW)使用180和60观测表明更高的增量在误差项的差异(表使用的观测数量减少了4)。结果,预测模型比IDW高度优先由于精度高,特别是当有限数量的观察(60)。这是因为soil-landscape模型提供了估计基于两个观测之间的地形的特点,因此提高了精度。事实并非如此,当插值是用假设接近观测土壤特性也近,这并不总是真的。soil-landscape模型使用背景地形描述每个观测和卫星数据,然后预测土壤属性考虑这些观察的特点。这是符合土壤成因理论不考虑插值技术。先前的研究表明,使用不同的回归技术使不同表土的预测参数快速、非破坏性的方式,同时避免空间空间插值精度问题[52]。

结果表明,土壤属性预测使用SRTM DEM 90与可接受的精度,也提供了一个可视化表示的土壤属性的空间分布(图3)。这表明,土壤属性可以用低分辨率预测民主党。这些结论是类似于汤普森et al。53)和韦氏(54),得出的结论是,高分辨率民主党soil-landscape建模并不总是必要的。Chabrillat et al。(2002)报道,尽管高空间分辨率更异构网站提供了纯净的形象,它没有确定新特性,较低的空间分辨率数据集会想念在均匀地形55]。

当只有地形属性没有卫星图像被用来构建多元回归模型(表5),拒绝所有类相比,那些获得使用地形和卫星数据(表3)。例如,有大量减少在课堂上从0.38(表53(表0.18)5从0.8(表)和二班3(表0.68)5)。这表明,卫星图像可以改善土壤属性的预测与地形属性一起使用时,建立回归模型。Gerighausen等人发现multiannual图像数据的使用增强了土壤参数的预测(56]。预测百分比之间的协议和使用卫星图像观察粘土含量和地形使用地形与派生属性。粘土含量的预测精度(正确预测观测的百分比)增加由于使用卫星图像和地形属性相比,使用地形属性。例如,50%的观察结果显示,预测粘土协议内容在不同观测值和预测值之间的±7%只有地形属性被用来构建模型(表6)。上述协议是提高卫星图像时使用62.5%的地形属性。结果表明,卫星图像提高了预测土壤属性一起使用时地形属性建立多元回归模型。这是因为卫星图像提供更多的信息关于控制土壤变化的因素除了提供的地形信息DEM-derived地形属性。Chabrillat et al。(2002)表明,成像光谱法艾滋病检测和映射的膨胀粘土(55]。拍摄的图像在两个不同的日期提供直接和间接信息。直接信息是通过土壤表面反射率的变化,土壤的变化有关(3月期间在土壤表面裸露的)。间接信息通过反射不同的植被,它反映了土壤类型的变化通过影响植被特征在十月。许多研究人员已经表明,遥感中帮助提供准确预测土壤属性(27- - - - - -29日]。Bartholomeus et al。(2012)表明,尽管变化的土壤属性内植被类大,植被组成是有用的估计土壤性质(57]。

从卫星图像的光谱反射率与粘土含量显著相关(表3),我们可以得出这样的结论:两个干燥和雨季期间拍摄的图像可能是足够的,与地形属性,利用多元线性回归模型预测土壤属性。在干旱时期,有一个土壤属性之间的相关性(粘土含量)和光谱反射率在可见范围内(58]。在雨季,大部分地区覆盖着植被反映粘土含量等土壤特性的变化。因此,可以间接地预测土壤属性确定植被的光谱反射率。然而,卫星图像显示字段时裸露的更高的相关性与土壤属性与卫星图像拍摄现场时被植被覆盖。因此,收购卫星图像的最佳时间来改善土壤属性的预测将在干旱时期的大部分区域是光秃秃的。穆德et al。29日)也报告了类似的结果,成功用于机载、空间承担,使用各种工具和原位测量。

选择最佳的野外观察预测土壤属性。七类,用于建模(和使用180观察)早些时候被合并的第一到五类,和我们做了一些试验,预测土壤深度使用150、120年和90年观测数据建立回归模型。基于两类分析重复建立回归模型只使用60,40岁,30岁,25岁和20的观察。这是因为,当使用的是有限数量的观测(≤60观察),有观察如果不足5或7类被使用(观察的数量为每个类太低构建良好的回归模型)。(和回归模型)来预测土壤深度在不同密度的野外观察使用地形属性和卫星图像被用来预测土壤深度的网格(图4)。的比例预测土壤深度的零(没有土壤)大大提高了使用的观测数量从25个减少到20(图4)。

最优数量的观察产生一个可接受的土壤属性预测百分比是评估使用的观测土壤深度准确预测一个可接受的范围内的协议(使用RMSE和MAEE)。的准确性预测土壤深度从97.5%下降180场150年观测被用于95%的观察,使用25观测,达到65.0%,然后急剧下降至35% 20观察(表7)。有逐渐增加的RMSE和MAEE预测使用180观察(26.4和21.7厘米,职责。)预测使用25观察(57.5和46.4厘米,职责。);然后,大幅增加了20的观察(126 - 88.2厘米,分别地;表7)。因为有高增量MAEE和RMSE值在20和25观测相比,它可以认为25观察(或一个观察/ 2公里²)是最佳在soil-landscape建立多元回归模型建模对于这个特定的分水岭。精度评价方法用于选择最佳数量的观察来预测土壤深度25观测表明,多元线性回归模型来产生所需的最低可接受的土壤预测。结果还表明,预测精度相同的时使用的是60或90观测(87.5%)。然而,仔细看一下图4显示的空间分布预测土壤深度类大大改变了当时使用的观测数量< 60。因此,可以认为,对于本研究区域,最优数量的观察来生成一个可接受的预测是介于60和25的观察(观察1 - 2 / 2公里²)。这些观测密度之间的用户可以选择产生最优的结果。表明soil-landscape建模的方法可能是使用一个低数量的观察产生准确的预测土壤属性与一个可接受的土壤属性的空间分布格局。

4所示。结论

卫星图像数据与地形属性的使用提高了预测土壤属性。两个卫星拍摄的图像在不同的日期,一个在旱季,另在雨季,都足以捕获土壤反射率的变化,提高预测精度。如果一个图像可用,最好的收集时间促进soil-landscape建模是在旱季时的大部分土壤表面是光秃秃的。总的来说,结果表明,土壤属性预测与可接受的精度从免费使用多元线性回归模型DEM分辨率(90米)和卫星图像的领域工作。此外,该预测模型是高度优先由于使用IDW可比与空间插值精度,特别是当使用有限数量的观察,通常在数据变得稀缺的地区。在这项研究中,最优数量的观察使用多元回归模型预测土壤属性和使用地形属性和遥感数据是60岁和25之间的观察(大约1 - 2观察/ 2公里²)。产生预测将是非常有用的为详细的建模活动提供信息,尤其是对埃塞俄比亚这样的国家的信息详细的土壤属性的空间分布是非常稀缺的。进一步的调查应该应用该模型在大的地区不同土壤和景观功能验证结果和out-scale他们的应用程序。

利益冲突

作者宣称没有利益冲突与本文中提到的任何商标或软件。

确认

作者要感谢奥地利的金融支持发展机构和CGIAR研究项目水、土地和生态系统(CRP-5)。

引用

1. j·伯马”,土壤科学的角色在土地利用谈判过程中,“土地使用和管理,17卷,不。1、1 - 6,2001页。视图:谷歌学术搜索
2. a . r . Mermut和h . Eswaran”,一些主要的土壤科学的发展自1960年代中期以来,“Geoderma,卷100,不。3 - 4、403 - 426年,2001页。视图:出版商的网站|谷歌学术搜索
3. m·h·萨利希m . k . Eghbal和h . Khademi”比较土壤变化详细和侦察地图在伊朗中部,“Geoderma,卷111,不。1 - 2,45-56,2003页。视图:出版商的网站|谷歌学术搜索
4. C.-W。安、m . f .包姆加德纳和l·l·贝赫尔”描述土壤变化使用地质统计学和模糊聚类分析的高光谱数据,”美国土壤科学学会杂志》上,卷63,不。1,第150 - 142页,1999。视图:谷歌学术搜索
5. n . j .麦肯齐·e·格斯p . j . Ryan d·a·奥康奈尔,“地形分析土壤中映射的角色,”地形分析:原理及应用j·p·威尔逊和j·c·格兰特。,Chapter 10, John Wiley and Sons, New York, NY, USA, 2000.视图:谷歌学术搜索
6. A.-X。朱,“土壤景观空间连续映射:神经网络方法,”水资源研究,36卷,不。3、663 - 677年,2000页。视图:出版商的网站|谷歌学术搜索
7. p . a . Burrough p·f·m·范·服务员和r . Hootsmans”土壤调查中连续分类:空间相关性,混乱和边界,”Geoderma,卷77,不。2 - 4、115 - 135年,1997页。视图:出版商的网站|谷歌学术搜索
8. A.-X。朱,”代表土壤空间信息的相似性模型”,Geoderma,卷77,不。2 - 4、217 - 242年,1997页。视图:出版商的网站|谷歌学术搜索
9. j . Balkovičg .Čemanova j·科勒,m . Kromka和k . Harnova”映射的土壤使用模糊方法和regression-kriging-case研究Považsky Inovec山脉,斯洛伐克,”土壤和水的研究,卷2,不。4、123 - 134年,2007页。视图:谷歌学术搜索
10. a . b . McBratney m . l . Mendonca桑托斯,b . Minasny“数字土壤制图,”Geoderma,卷117,不。1 - 2,3-52,2003页。视图:出版商的网站|谷歌学术搜索
11. d·m·布朗宁和m . c . Duniway“数字土壤制图在缺乏实地培训数据:一个案例研究使用地形属性和半自动化的土壤特征推导区分生态潜力,”应用和环境土壤学,42卷,第1910 - 1904页,2011年。视图:谷歌学术搜索
12. s . Lamsal格,g . l . Bruland c . m .幸福和n . b .科默福德”区域混合地理空间建模在圣达菲河流域土壤锰浸种,”Geoderma卷,135年,第247 - 233页,2006年。视图:出版商的网站|谷歌学术搜索
13. p .摇桨,j·富兰克林和o·a·查德威克”的应用分类树分析土壤类型预测在沙漠景观,“生态模型,卷181,不。1、1 - 15,2005页。视图:出版商的网站|谷歌学术搜索
14. e . Giasson r·t·克拉克诉Inda Jr .), g·h·莫顿和c . g . Tornquist,这样“数字土壤制图使用多个逻辑回归在巴西南部地形参数,“Scientia阿格里科拉,卷63,不。3、262 - 268年,2006页。视图:出版商的网站|谷歌学术搜索
15. a . k .葡萄汁应用随机森林作为土壤空间预测模型在干旱犹他州[硕士论文)犹他州州立大学,2010。
16. 张x囡,j·彼得森,z,钱德勒,改善土壤盐度预测激光雷达数据的分辨率DEM派生GIS中心;地理与环境科学学院的莫纳什大学,墨尔本,澳大利亚,2006年。
17. 大肠Aksoy、g . Ozsoy和m . s . Dirim”土壤映射方法在GIS使用陆地卫星卫星影像和dem数据,”非洲农业研究杂志》上,4卷,不。11日,第1302 - 1295页,2009年。视图:谷歌学术搜索
18. a . Al-Shamiri和f . m . Ziadat Soil-landscape建模和土地适宜性评价:雨水收集的情况下在干燥牧场环境中,“应用地球观测的国际期刊18卷,第164 - 157页,2012年。视图:谷歌学术搜索
19. d . g . Rossiter数字土壤制图:对用途的土壤信息系统圣菲波哥大,哥伦比亚,2005。
20. j·d·菲利普斯“空间结构和规模分类地图,”地理和环境建模》第六卷,没有。1,41-57,2002页。视图:出版商的网站|谷歌学术搜索
21. i d·摩尔·e·阿尔·g·a·尼尔森和g·a·彼得森,“土壤属性预测使用地形分析,”美国土壤科学学会杂志》上卷,57号2、443 - 452年,1993页。视图:谷歌学术搜索
22. p·e·阿尔·d·摩尔,n . j .麦肯齐和p . j . Ryan”Soil-landscape造型和空间预测土壤属性,“国际地理信息系统杂志》上,9卷,不。4、421 - 432年,1995页。视图:谷歌学术搜索
23. H.-T,江之。徐、y Cai和D.-Y。杨”,山坡地的风化特征在三峡库区,中国,“土壤圈,16卷,不。1、50 - 55,2006页。视图:出版商的网站|谷歌学术搜索
24. X.-Y。张,y y。隋,X.-D。张、孟k和s . j .赫伯特“养分的空间变异特性在东北黑土china1 1项目支持的国家基础研究计划(973计划),中国(2005号cb121108)和黑龙江省自然科学基金(没有。C2004-25),“土壤圈,17卷,不。1,19-29,2007页。视图:出版商的网站|谷歌学术搜索
25. 即Esfandiarpoor Borujeni, m·h·萨利希n . Toomanian j .穆罕默迪和r . m . Poch”的影响调查结果的密度上geopedological方法在土壤映射:一个案例研究在Borujen地区,伊朗中部,“系列,卷79,不。1,18-26,2009页。视图:出版商的网站|谷歌学术搜索
26. s . l . Kuriakose s Devkota d . g . Rossiter和v . g . Jetten”预测土壤深度的使用环境变量在一个人为景观,一个案例研究在西高止山脉的喀拉拉邦,印度,”系列,卷79,不。1,27-38,2009页。视图:出版商的网站|谷歌学术搜索
27. Mishra,存储和动态预测土壤有机碳在区域范围内(博士。论文),俄亥俄州立大学,2009。
28. 答:马,c . Piccini s丁度Chiuchiarelli,和r . Francaviglia”模拟土壤类型Teramo省(意大利中部)和地形参数和遥感数据,”系列,卷85,不。3、267 - 273年,2011页。视图:出版商的网站|谷歌学术搜索
29. 诉l·穆德,s . de熊先生m . e . Schaepman t·r·迈尔,“遥感在土壤和地形的使用映射审查,”Geoderma,卷162,不。1 - 2,- 2011页。视图:出版商的网站|谷歌学术搜索
30. 粮食及农业组织(粮农组织),土壤指南描述粮农组织,罗马,意大利,2006年。
31. p . r .天,“比重计的粒度分析方法,”土壤分析的方法Ed, c·a·黑,农学第二部分,没有。9日,页。562 - 563年,美国社会的农艺、麦迪逊,威斯康星州,美国,1965年。视图:谷歌学术搜索
32. g·r·布莱克,“容积密度”土壤分析阿格龙的方法,c . a .黑色,艾德,我一部分,9号。,pp. 374–399, American Society of Agronomy, Madison, Wis, USA, 1965.视图:谷歌学术搜索
33. a . Walkley和c·a·黑”考试不同的方法确定土壤有机质和铬酸滴定方法,提出修改的”土壤科学37卷,第29,1934页。视图:谷歌学术搜索
34. Sahlemeden和意甲,土壤和植物分析过程国家土壤研究中心;埃塞俄比亚的农业研究组织,亚的斯亚贝巴,埃塞俄比亚,2000。
35. s·r·奥尔森,c . v .科尔,f·s .渡边和洛杉矶院长,估计可用土壤中磷的提取与碳酸氢钠卷,939圆形,1954年美国农业部。
36. j·墨菲和j·p·莱利”,一个单一的解决方案修改方法测定磷酸盐在自然水域,“分析Chimica学报卷。27日,31-36,1962页。视图:谷歌学术搜索
37. f . m . Ziadat”数字地形分析预测土壤属性相对较大的地区,”美国土壤科学学会杂志》上,卷69,不。5,1590 - 1599年,2005页。视图:出版商的网站|谷歌学术搜索
38. f . m . Ziadat”预测土壤深度从数字地形数据通过整合统计和视觉方法,”土壤圈,20卷,不。3、361 - 367年,2010页。视图:出版商的网站|谷歌学术搜索
39. p . Roudgarmi m . Monavari j . Feghhi j .努里·n . Khorasani,“环境影响预测使用遥感图像,”浙江大学学报,9卷,不。3、381 - 390年,2008页。视图:出版商的网站|谷歌学术搜索
40. m . l . Kunkel A·n·弗洛雷斯,t·j·史密斯,j . p .麦克纳马拉和s g·本纳”一个简化的方法估算土壤碳和氮的股票在半干旱复杂地形,”Geoderma,卷165,不。1、1 - 11,2011页。视图:出版商的网站|谷歌学术搜索
41. k . Sumfleth和r . Duttmann预测水稻土土壤性质分布的景观利用地形数据和卫星信息指标,”生态指标,8卷,不。5,485 - 501年,2008页。视图:出版商的网站|谷歌学术搜索
42. j . Van de Wauw g . Baert j . Moeyersons et al .,“Soil-landscape关系basalt-dominated高地的统治,埃塞俄比亚,”系列,卷75,不。1,第127 - 117页,2008。视图:出版商的网站|谷歌学术搜索
43. p·e·格斯o·a·查德威克f . Chamran l . Althouse和k .福尔摩斯”建模soil-landscape和属性使用地形属性的生态系统。”美国土壤科学学会杂志》上,卷64,不。6,2046 - 2056年,2000页。视图:谷歌学术搜索
44. 诉Florinsky, r . g . Eilers g·r·曼宁和l·g·福勒”预测土壤属性的数字地形模型”,环境建模和软件,17卷,不。3、295 - 311年,2002页。视图:出版商的网站|谷歌学术搜索
45. p . Burrough“土壤变化:20世纪晚期看来,“土壤和肥料,56个卷,第562 - 529页,1993年。视图:谷歌学术搜索
46. b . p . Umali d·p·奥利弗s Forrester et al .,“地形的影响和管理在一个苹果园土壤特性的空间变异性,”系列38 - 48,卷,93,页2012。视图:出版商的网站|谷歌学术搜索
47. e . Dobos e . Micheli m . f .包姆加德纳l .贝赫尔和t . Helt”使用结合数字高程模型和卫星辐射区域土壤数据映射,”Geoderma,卷97,不。3 - 4、367 - 391年,2000页。视图:出版商的网站|谷歌学术搜索
48. y . a . Pachepsky d . j . Timlin和w·j·罗尔斯“土壤保水性与地形相关变量,“美国土壤科学学会杂志》上,卷65,不。6,1787 - 1795年,2001页。视图:谷歌学术搜索
49. y Sulaeman和h . Subagyo建模土壤景观的关系,“Jurnal Ilmu共有丹Lingkungan,5卷,不。2、1 - 14,2005页。视图:谷歌学术搜索
50. 张,y黄c .沈h .你们和y Du,“土壤有机质的空间预测使用地形指数和分类变量作为辅助信息,“Geoderma卷,171 - 172年35-43,2012页。视图:出版商的网站|谷歌学术搜索
51. 拜耳,m·巴赫曼,A·穆勒和h·考夫曼”特点的比较高,请回归预测技术的南非三个土壤成分退化的生态系统,”应用和环境土壤学文章ID 971252卷,2012年,20页,2012年。视图:出版商的网站|谷歌学术搜索
52. t . Selige, j . bohn Schmidhalter,”利用高光谱图像和高分辨率的表层土映射字段数据多元回归建模过程,”Geoderma,卷136,不。1 - 2、235 - 244年,2006页。视图:出版商的网站|谷歌学术搜索
53. j·a·汤普森,j·c·贝尔和c·a·巴特勒,“数字高程模型分辨率:影响地形属性计算和定量soil-landscape建模、”Geoderma,卷100,不。1 - 2、67 - 89年,2001页。视图:出版商的网站|谷歌学术搜索
54. 美国韦氏”,为水文不确定性与数字高程模型关联应用程序:一个评论,”水文和地球系统科学,3卷,第2384 - 2343页,2006年。视图:谷歌学术搜索
55. s . Chabrillat a . f . h . Goetz l . Krosley h·w·奥尔森,”利用高光谱图像识别和映射的膨胀性粘土土壤和空间分辨率的角色,”环境遥感,卷82,不。2 - 3、431 - 445年,2002页。视图:出版商的网站|谷歌学术搜索
56. h . Gerighausen g . Menz h·考夫曼,“空间显式估计农业土壤的粘土和有机碳含量使用多动物成像光谱数据类,“应用和环境土壤学文章ID 868090卷,2012年,23页,2012。视图:出版商的网站|谷歌学术搜索
57. h . Bartholomeus g . Schaepman-Strub d·勃洛克r . Sofronov和s . Udaltsov”研究文章谱估计在西伯利亚苔原土壤和土壤特性与植物物种组成的关系,“应用和环境土壤学文章ID 241535卷,2012年,13页,2012。视图:出版商的网站|谷歌学术搜索
58. j . a . Thomasson r .隋m . s .考克斯和a . Al-Rajehy”土壤反射率传感确定土壤特性在精准农业,”美国农业工程师学会的事务,44卷,不。6,1445 - 1453年,2001页。视图:谷歌学术搜索

版权

版权©2013 Nurhussen Mehammednur Seid等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。