کلید واژه ها:
داده های ماهواره ای فراطیفی ; مواد آلی خاک ; تبدیل طیفی ; تجزیه و تحلیل طیفی ; شاخص طیفی
۱٫ مقدمه
۲٫ مواد و روشها
۲٫۱٫ منطقه مطالعه
۲٫۲٫ اکتساب و پیش پردازش داده های ماهواره ای فراطیفی
۲٫۳٫ نمونه برداری از زمین و اندازه گیری خاک
۲٫۴٫ مواد و روش ها
۲٫۴٫۱٫ فرآیند تحقیق
۲٫۴٫۲٫ ساخت SI های بهینه
ضریب همبستگی پیرسون ( ρ) برای تعیین همبستگی بین دو متغیر در تحلیل همبستگی اتخاذ شد. فرمول آن به شرح زیر است:
جایی که σX، σYانحراف استاندارد آرایه های X و Y به ترتیب هستند.μX، μYبه ترتیب مقادیر میانگین X و Y هستند.
۲٫۴٫۳٫ ارزیابی کاربرد SI های بهینه
علاوه بر این، ما R2 ، ریشه میانگین مربعات خطا (RMSE) و انحراف پیشبینی باقیمانده (RPD) را برای ارزیابی توانایی توصیف SOMC مدل وارونگی ساختهشده توسط SIs بهینه اتخاذ کردیم . به طور کلی، یک مدل به خوبی تثبیت شده معمولا دارای R ۲ و RPD بالا و RMSE پایین است [ ۲۳ ، ۳۹ ]. طبق تحقیقات یوان و همکاران. [ ۴۹ ]، مقادیر RPD برای تفسیر عملکرد مدل به پنج سطح تقسیم میشوند، RPD < 1.4 (غیرقابل قبول)، ۱٫۴ ≤ RPD < 1.8 (عادلانه)، ۱٫۸ ≤ RPD < 2.0 (خوب)، ۲٫۰ ≤ RPD < 2.5 (بسیار خوب)، و RPD ≥ ۲٫۵ (عالی). فرمول محاسبه آنها به شرح زیر است:
جایی که yiارزش واقعی است y¯مقدار میانگین است yi، yˆiمقدار برازش است و nتعداد نمونه است.
۳٫ نتایج
۳٫۱٫ آمار توصیفی نمونه ها
۳٫۲٫ ویژگی های طیفی بازتاب پیکسل سایت های نمونه
۳٫۳٫ همبستگی بین طیف تبدیل شده و SOMC
۳٫۴٫ همبستگی بین SIs و SOMC
۳٫۵٫ کاربرد بهینه SIs
۳٫۵٫۱٫ خصوصیات SOMC در نمونه های خاک
۳٫۵٫۲٫ شناخت سطوح SOMC در نمونه های خاک
۳٫۵٫۳٫ برآورد SOMC در نمونه های خاک
۴٫ بحث
۴٫۱٫ کیفیت تصویر طیف های تبدیل شده و SI ها
۴٫۲٫ مزایای ساخت SI به طور جداگانه در منطقه خاک برهنه و منطقه پوشیده از پوشش گیاهی
۴٫۳٫ تأثیر انواع خاک و نوع کاربری اراضی کشت شده بر SOMC
۵٫ نتیجه گیری ها
-
در منطقه خاک لخت، SI های ساخته شده بر اساس OR و RR همبستگی بالاتری با SOMC دارند. برای همان طیف تبدیل شده، SI های محاسبه شده توسط RI و NDI دارای بالاترین همبستگی با SOMC و به دنبال آن DI هستند. در بین تمام SI های ساخته شده، OR-RI (۶۵۴۶۷۹) بیشترین همبستگی را با SOMC دارد و ضریب همبستگی آن است. −۰٫۶۲۷٫ در منطقه پوشیده از پوشش گیاهی، همبستگی بین SOMC و SI بر اساس RR بالاتر از سایر طیف های تبدیل شده است. در بین فرمول های شاخص مختلف، همبستگی بین SI های محاسبه شده توسط DSI و DI و SOMC بیشتر از RI و NDI است. ضریب همبستگی بین V-RR-DSI (۵۵۱,۱۹۹۸) و SOMC 0.639- است که بالاترین میزان در بین تمام SI های محاسبه شده است.
-
نتایج نشان میدهد که از SI بهینه میتوان برای ارائه روند توزیع فضایی SOMC و شناسایی سطوح SOMC استفاده کرد. بر اساس SI های بهینه، SOMC پیش بینی شده توسط مدل رابطه خطی خوبی با SOMC واقعی نمونه ها دارد. R2 ، RMSE و RPD نتایج پیشبینی ترکیبی خاک و پوشش گیاهی به ترتیب ۰٫۷۷۵، ۳٫۷۲ گرم بر کیلوگرم و ۲٫۱۲ است .
منابع
- لو، ز. وانگ، ای. Sun، OJ تغییر کربن خاک و پاسخ آن به شیوه های کشاورزی در اکوسیستم های کشاورزی استرالیا: بررسی و سنتز. ژئودرما ۲۰۱۰ ، ۱۵۵ ، ۲۱۱-۲۲۳٫ [ Google Scholar ] [ CrossRef ]
- نوسیتا، م. استیونز، ای. ون وسمائل، بی. آیتکنهد، ام. باخمن، ام. بارتز، بی. Dor، EB; براون، دی جی; کلروت، ام. Csorba، A.; و همکاران طیف سنجی خاک: جایگزینی برای شیمی مرطوب برای پایش خاک. Adv. آگرون. ۲۰۱۵ ، ۱۳۲ ، ۱۳۹-۱۵۹٫ [ Google Scholar ] [ CrossRef ]
- سیلی، بی. ولهام، سی. Blanco، JA به سمت استفاده از ماده آلی خاک به عنوان شاخص بهره وری اکوسیستم جنگل: استخراج آستانه ها، توسعه سیستم های نظارت و ارزیابی شیوه ها. Ecol. اندیک. ۲۰۱۰ ، ۱۰ ، ۹۹۹-۱۰۰۸٫ [ Google Scholar ] [ CrossRef ]
- شش، جی. Paustian، K. مواد آلی خاک مرتبط با سنگدانه به عنوان یک ویژگی اکوسیستم و یک ابزار اندازه گیری. بیول خاک بیوشیمی. ۲۰۱۴ ، ۶۸ ، A4. [ Google Scholar ] [ CrossRef ]
- کاستالدی، اف. پالمبو، ا. سانتینی، اف. پاسکوچی، اس. پیگناتی، اس. Casa, R. ارزیابی پتانسیل تصویرسازهای چندطیفی و فراطیفی فعلی و آینده برای تخمین بافت خاک و کربن آلی. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۷۹ ، ۵۴-۶۵٫ [ Google Scholar ] [ CrossRef ]
- شی، تی. لیو، اچ. چن، ی. وانگ، جی. Wu, G. برآورد آرسنیک در خاکهای کشاورزی با استفاده از شاخصهای پوشش گیاهی فراطیفی برنج. جی. هازارد. ماتر ۲۰۱۶ ، ۳۰۸ ، ۲۴۳-۲۵۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- وی، ال. یوان، ز. وانگ، ز. ژائو، ال. ژانگ، ی. لو، ایکس. Cao, L. وارونگی فراطیفی محتوای مواد آلی خاک بر اساس مدل شاخص طیفی ترکیبی. Sensors ۲۰۲۰ , ۲۰ , ۲۷۷۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Rathod، PH; Rossiter، DG; Noomen، MF; Rathod، PH; Rossiter، DG; نومن، حسگر طیفی پروگزیمال MF برای نظارت بر گیاه پالایی خاکهای آلوده به فلز. بین المللی J. Phytoremediation ۲۰۱۳ ، ۱۵ ، ۴۰۵-۴۲۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- لاگاچری، پ. مکبراتنی، AB سیستمهای اطلاعاتی خاک و سیستمهای استنتاج فضایی خاک: دیدگاههایی برای نقشهبرداری دیجیتالی خاک. توسعه دهنده علم خاک ۲۰۰۶ ، ۳۱ ، ۳-۲۲٫ [ Google Scholar ] [ CrossRef ]
- منگ، ایکس. بائو، ی. لیو، جی. لیو، اچ. ژانگ، ایکس. ژانگ، ی. وانگ، پی. تانگ، اچ. کنگ، F. مدل پیش بینی کربن آلی خاک منطقه ای بر اساس تجزیه و تحلیل موجک گسسته داده های ماهواره ای ابرطیفی. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۲۰ , ۸۹ , ۱۰۲۱۱۱٫ [ Google Scholar ] [ CrossRef ]
- شانگ، ک. شیائو، سی. گان، اف. وی، اچ. برآورد محتوای مس خاک در منطقه معدنی با استفاده از داده های فراطیفی ماهواره ای ZY1-02D. J. Appl. Remote Sens. ۲۰۲۱ , ۱۵ , ۰۴۲۶۰۷٫ [ Google Scholar ] [ CrossRef ]
- وانگ، جی. او، تی. Lv، C.; چن، ی. Jian, W. نقشه برداری مواد آلی خاک بر اساس واحدهای پاسخ طیفی تخریب زمین با استفاده از تصاویر Hyperion. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۰ ، ۱۲ ، S171–S180. [ Google Scholar ] [ CrossRef ]
- تیواری، SK; ساها، SK; کومار، اس. مدلسازی پیشبینی و نقشهبرداری محتوای کربن خاک با استفاده از شبکه عصبی مصنوعی، دادههای ماهوارهای ابرطیفی و طیفسنجی میدانی. Adv. Remote Sens. ۲۰۱۵ ، ۴ ، ۶۳-۷۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- عمادی، م. تقی زاده مهرجردی، ر. چراتی، ع. دانش، م. موسوی، ع. شولتن، تی. پیشبینی و نقشهبرداری کربن آلی خاک با استفاده از الگوریتمهای یادگیری ماشین در شمال ایران. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۲۳۴٫ [ Google Scholar ] [ CrossRef ]
- کتاب آشپزی نقشه برداری کربن آلی خاک فائو ; فائو: رم، ایتالیا، ۲۰۱۷; شابک ۹۷۸۹۲۵۱۳۰۴۴۰۲٫
- ونتر، ZS; هاوکینز، HJ; کرامر، MD; Mills, AJ نقشه برداری از ذخایر کربن آلی خاک و روندها با نقشه های ماهواره ای با وضوح بالا در آفریقای جنوبی. علمی کل محیط. ۲۰۲۱ , ۷۷۱ , ۱۴۵۳۸۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- دانلون، سی جی; کالن، آر. جولیچی، ال. ویلومیر، پی. فرانسیس، CR; کوشنروس، ام. سیمپسون، دبلیو. بوریده، ع. کالنو، ام. برتونی، ر. و همکاران ماموریت Copernicus Sentinel-6: افزایش تداوم اندازه گیری های ماهواره ای سطح دریا از فضا. سنسور از راه دور محیط. ۲۰۲۱ ، ۲۵۸ ، ۱۱۲۳۹۵٫ [ Google Scholar ] [ CrossRef ]
- آرتور اندزلی، ک. کیمبال، جی اس. رایشل، RH; Watts، JD نظارت ماهواره ای دینامیک کربن آلی خاک سطحی جهانی با استفاده از محصول کربن سطح ۴ SMAP. جی. ژئوفیس. Res. Biogeosci. ۲۰۲۰ ، ۱۲۵ ، ۱-۱۸٫ [ Google Scholar ] [ CrossRef ]
- کلارک، RN; پادشاه، TVV; کلجوا، م. Swayze، GA طیف سنجی بازتابی با وضوح طیفی بالا از مواد معدنی. جی. ژئوفیس. Res. زمین جامد ۱۹۹۰ ، ۹۵ ، ۱۲۶۵۳-۱۲۶۸۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Ben-dor، E. تجزیه و تحلیل مادون قرمز نزدیک به عنوان یک روش سریع برای ارزیابی همزمان چندین ویژگی خاک. علم خاک Soc. صبح. J. ۱۹۹۵ ، ۵۹ ، ۳۶۴-۳۷۲٫ [ Google Scholar ] [ CrossRef ]
- کریشنان، پی. الکساندر، جی دی. باتلر، بی جی; Hummel، JW Reflectance Technique برای پیش بینی مواد آلی خاک. علم خاک Soc. صبح. J. ۱۹۸۰ , ۴۴ , ۱۲۸۲-۱۲۸۵٫ [ Google Scholar ] [ CrossRef ]
- Bartholomeus، HM; Schaepman، ME; کویسترا، ال. استیونز، ای. Hoogmoed، WB; Spaargaren، OSP شاخص های مبتنی بر بازتاب طیفی برای کمی سازی کربن آلی خاک. ژئودرما ۲۰۰۸ ، ۱۴۵ ، ۲۸-۳۶٫ [ Google Scholar ] [ CrossRef ]
- جین، ایکس. دو، ج. لیو، اچ. وانگ، ز. Song، K. تخمین از راه دور محتوای ماده آلی خاک در دشت سانجیانگ، شمال غرب چین: الگوریتم باند بهینه در مقابل مدل GRA-ANN. کشاورزی برای. هواشناسی ۲۰۱۶ ، ۲۱۸ ، ۲۵۰-۲۶۰٫ [ Google Scholar ] [ CrossRef ]
- پرسکات، CE; مینارد، دی جی؛ لایهو، آر. هوموس در جنگل های شمال: دوست یا دشمن؟ برای. Ecol. مدیریت کنید. ۲۰۰۰ ، ۱۳۳ ، ۲۳-۳۶٫ [ Google Scholar ] [ CrossRef ]
- مونسون، SA; Carey، AE منابع مواد آلی و حمل و نقل در یک حوزه آبخیز معتدل تحت سلطه کشاورزی. Appl. ژئوشیمی. ۲۰۰۴ ، ۱۹ ، ۱۱۱۱-۱۱۲۱٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، ی. گوا، ال. چن، ی. شی، تی. لو، ام. Ju، QL; ژانگ، اچ. وانگ، اس. پیشبینی کربن آلی خاک بر اساس دادههای NDVI ماهانه Landsat 8 برای دشت Jianghan در استان هوبی، چین. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۱۶۸۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- تاکاتا، Y. تجزیه و تحلیل تغییرات مکانی و زمانی بودجه کربن آلی خاک در شمال قزاقستان. Jpn. کشاورزی Res. Q. ۲۰۱۰ , ۴۴ , ۳۳۵-۳۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ژائو، ام اس؛ Rossiter، DG; لی، دی سی; ژائو، YG; لیو، اف. Zhang، GL نقشه برداری مواد آلی خاک در مناطق کم ریلف بر اساس اختلاف دمای روزانه سطح زمین و شاخص پوشش گیاهی. Ecol. اندیک. ۲۰۱۴ ، ۳۹ ، ۱۲۰-۱۳۳٫ [ Google Scholar ] [ CrossRef ]
- کومار، پی. پاندی، رایانه شخصی؛ سینگ، بی کی؛ کتیار، س. ماندال، معاون; رانی، م. تومار، وی. Patairiya, S. برآورد ذخیره کربن آلی انباشته خاک در جنگل های استوایی با استفاده از استراتژی جغرافیایی. مصر. J. Remote Sens. Sp. علمی ۲۰۱۶ ، ۱۹ ، ۱۰۹-۱۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- شویانگ-اطلاعات هواشناسی-شبکه هواشناسی چین. در دسترس آنلاین: http://www.weather.com.cn/cityintro/101191302.shtml (در ۱۹ ژانویه ۲۰۲۲ قابل دسترسی است).
- زنگ، ی. گوا، اچ. یائو، ی. Huang, L. تشکیل خوشه های تجارت الکترونیک کشاورزی: موردی از چین. رشد چانگ. ۲۰۱۹ ، ۵۰ ، ۱۳۵۶–۱۳۷۴٫ [ Google Scholar ] [ CrossRef ]
- یانگ، SC; هوانگ، ZM; هوانگ، سی. تسای، سی سی; Yeh, TK مطالعه موردی بر روی تأثیر جذب دادههای مجموعه با تأخیر کل GNSS-اوج و دادههای رادار بر پیشبینی بارش شدید. دوشنبه Weather Rev. ۲۰۲۰ , ۱۴۸ , ۱۰۷۵–۱۰۹۸٫ [ Google Scholar ] [ CrossRef ]
- پایگاه داده جهانی خاک (نسخه ۱٫۱). در دسترس آنلاین: https://geodata.pku.edu.cn/index.php?c=content&a=show&id=730# (در ۱۹ ژانویه ۲۰۲۲ قابل دسترسی است).
- شی، ایکس. یو، دی. سان، دبلیو. وانگ، اچ. ژائو، کیو. گونگ، Z. معیارهای مرجع مربوط به گروههای بزرگ طبقهبندی ژنتیکی خاک چین با طبقهبندی خاک. چانه. علمی گاو نر ۲۰۰۴ ، ۴۹ ، ۱۵۰۷-۱۵۱۱٫ [ Google Scholar ] [ CrossRef ]
- شین، ز. هوانگ، بی. دونگ، CS; ویسیا، اس. هو، وای؛ تیان، ک. تنوع زمانی-مکانی ماده آلی خاک و نیتروژن کل در زمین های کشاورزی و عوامل موثر بر آن در شهرستان شویانگ، استان جیانگ سو. خاک ۲۰۱۳ ، ۴۵ ، ۴۰۵-۴۱۱٫ [ Google Scholar ] [ CrossRef ]
- مطبوعات، WH; Teukolsky, SA فیلترهای صاف کننده Savitzky-Golay. محاسبه کنید. فیزیک ۱۹۹۰ , ۴ , ۶۶۹٫ [ Google Scholar ] [ CrossRef ]
- گیتلسون، ا. مرزلیاک، MN تغییرات بازتاب طیفی مرتبط با پیری پاییزی برگهای Aesculus hippocastanum L. و Acer platanoides L.. ویژگی های طیفی و ارتباط با تخمین کلروفیل. J. گیاه فیزیول. ۱۹۹۴ ، ۱۴۳ ، ۲۸۶-۲۹۲٫ [ Google Scholar ] [ CrossRef ]
- سیمز، دی. Gamon، JA روابط بین محتوای رنگدانه برگ و بازتاب طیفی در طیف گسترده ای از گونه ها، ساختارهای برگ و مراحل رشد. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۱ ، ۳۳۷-۳۵۴٫ [ Google Scholar ] [ CrossRef ]
- وانگ، ایکس. ژانگ، اف. کونگ، اچ تی. جانسون، وی سی روش های جدید برای بهبود تخمین سنجش از دور محتوای ماده آلی خاک (SOMC) در ذخیره گاه طبیعی ملی تالاب دریاچه Ebinur (ELWNNR) در شمال غربی چین. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۱۸ ، ۱۰۴-۱۱۸٫ [ Google Scholar ] [ CrossRef ]
- چن، اچ. پان، تی. چن، جی. انتخاب باند موج Lu، Q. برای تجزیه و تحلیل طیفسنجی NIR مواد آلی خاک بر اساس روشهای هموارسازی SG و MWPLS. شیمی. هوشمند آزمایشگاه. سیستم ۲۰۱۱ ، ۱۰۷ ، ۱۳۹-۱۴۶٫ [ Google Scholar ] [ CrossRef ]
- لارنی، اف جی; الرت، بی اچ. روابط اولسون، AF کربن، خاکستر و مواد آلی برای کودهای دامی و کمپوست. می توان. J. Soil Sci. ۲۰۰۵ ، ۸۵ ، ۲۶۱-۲۶۴٫ [ Google Scholar ] [ CrossRef ]
- لو، کیو. وانگ، اس. بای، ایکس. لیو، اف. تیان، اس. وانگ، ام. Wang, J. برآورد سریع محتوای نیکل فلز سنگین خاک بر اساس غربالگری بهینه باندهای طیفی مادون قرمز نزدیک. Acta Geochim. ۲۰۲۰ ، ۳۹ ، ۱۱۶-۱۲۶٫ [ Google Scholar ] [ CrossRef ]
- بن دور، ای. اینبار، ی. چن، ی. طیف بازتاب مواد آلی در ناحیه مادون قرمز نزدیک به مادون قرمز و موج کوتاه مرئی (۴۰۰-۲۵۰۰ نانومتر) در طی یک فرآیند تجزیه کنترل شده. سنسور از راه دور محیط. ۱۹۹۷ ، ۶۱ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
- ادوارد، ام. بارنز، کنت آ. سودوت، جان دبلیو. هومل، اسکات ام. لش، DLC; تکنیکهای سنسور Chenghai Yang، Craig ST Daughtry و WCB از راه دور و زمین برای نقشهبرداری از ویژگیهای خاک. اشتراک. علم خاک گیاه مقعد. ۲۰۱۵ ، ۴۶ ، ۱۶۶۸-۱۶۷۶٫ [ Google Scholar ] [ CrossRef ]
- لادونی، م. علویف، اسکا. بهرامی، ح. نوروزی، AA سنجش از دور کربن آلی خاک در منطقه نیمه خشک ایران. Arid L. Res. مدیریت ۲۰۱۰ ، ۲۴ ، ۲۷۱-۲۸۱٫ [ Google Scholar ] [ CrossRef ]
- یداو، ج. Sehra، K. در مقیاس بزرگ Dual Tree Complex Wavelet Transform ویژگیهای قوی در زیرفضای PCA و SVD برای واترمارکینگ تصویر دیجیتال. Procedia Comput. علمی ۲۰۱۸ ، ۱۳۲ ، ۸۶۳-۸۷۲٫ [ Google Scholar ] [ CrossRef ]
- جورج، جی. کومار، S. سنجش از دور فراطیفی در مشخص کردن شدت شوری خاک با استفاده از تکنیک SVM – مطالعه موردی دشتهای آبرفتی. بین المللی J. Adv. از راه دور. Sens. GIS ۲۰۱۵ ، ۴ ، ۱۳۴۴-۱۳۶۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- منگ، ایکس. بائو، ی. بله، س. لیو، اچ. ژانگ، ایکس. تانگ، اچ. Zhang, X. مدل پیشبینی مواد آلی خاک با تصویر فراطیفی ماهوارهای بر اساس روش حذف نویز بهینه. Remote Sens. ۲۰۲۱ , ۱۳ , ۲۲۷۳٫ [ Google Scholar ] [ CrossRef ]
- یوان، جی. وانگ، ایکس. Yan، CX; وانگ، اس آر. Ju، XP; Li، Y. مدل بازیابی رطوبت خاک برای سنجش از دور با استفاده از اطلاعات فراطیفی منعکس شده. Remote Sens. ۲۰۱۹ , ۱۱ , ۳۶۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Haubrock، SN; چابریلات، س. لمنیتز، سی. کافمن، اچ. مدلهای کمیسازی رطوبت خاک سطحی از دادههای بازتاب تحت شرایط مزرعه. بین المللی J. Remote Sens. ۲۰۰۸ ، ۲۹ ، ۳-۲۹٫ [ Google Scholar ] [ CrossRef ]
- نوسیتا، م. استیونز، ای. ظهر، سی. Van Wesmael, B. پیشبینی کربن آلی خاک برای سطوح مختلف رطوبت خاک با استفاده از طیفسنجی Vis-NIR. ژئودرما ۲۰۱۳ ، ۱۹۹ ، ۳۷-۴۲٫ [ Google Scholar ] [ CrossRef ]
- Daughtry، CST Agroclimatology: تمایز بقایای محصول از خاک توسط بازتاب مادون قرمز موج کوتاه. آگرون. J. ۲۰۰۱ ، ۹۳ ، ۱۲۵-۱۳۱٫ [ Google Scholar ] [ CrossRef ]
- Bartholomeusa, H. بازیابی کمی کربن آلی خاک با استفاده از طیف سنجی آزمایشگاهی و شاخص های طیفی. در مجموعه مقالات سمپوزیوم کمیسیون هفتم ISPRS «حسگر از راه دور: از پیکسل ها تا فرآیندها»، Enschede، هلند، ۸ تا ۱۱ مه ۲۰۰۶٫ [ Google Scholar ]
- Daughtry، CST; هانت، ای آر. McMurtrey، JE ارزیابی پوشش باقی مانده محصول با استفاده از بازتاب مادون قرمز موج کوتاه. سنسور از راه دور محیط. ۲۰۰۴ ، ۹۰ ، ۱۲۶-۱۳۴٫ [ Google Scholar ] [ CrossRef ]
- چهل، تی. بارت، اف. ژاکمود، اس. اشماک، جی. Verdebout، J. خواص نوری برگ با توصیف صریح ترکیب بیوشیمیایی آن: مشکلات مستقیم و معکوس. سنسور از راه دور محیط. ۱۹۹۶ ، ۵۶ ، ۱۰۴-۱۱۷٫ [ Google Scholar ] [ CrossRef ]
- ملیلو، جی.ام. آبر، ج.د. موراتوره، جی اف. ژوئن، N. نیتروژن و لیگنین کنترل دینامیک تجزیه بستر برگ چوب سخت. اکولوژی ۲۰۰۸ ، ۶۳ ، ۶۲۱-۶۲۶٫ [ Google Scholar ] [ CrossRef ]
- سرانو، ال. پنیولاس، جی. Ustin، SL سنجش از دور نیتروژن و لیگنین در پوشش گیاهی مدیترانه از داده های AVIRIS. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۱ ، ۳۵۵-۳۶۴٫ [ Google Scholar ] [ CrossRef ]
- وانگ، ک. چی، ی. گوو، دبلیو. ژانگ، جی. چانگ، Q. بازیابی و نقشه برداری کربن آلی خاک با استفاده از تصاویر طیفی نگهبان-۲A از زمین های زراعی خالی در پاییز. Remote Sens. ۲۰۲۱ , ۱۳ , ۱۰۷۲٫ [ Google Scholar ] [ CrossRef ]
- ولیخه، پ. Quansah, JE; سقوط.؛ McElhenney, W. برآورد درصد رطوبت خاک با استفاده از شاخص تنش رطوبتی مبتنی بر LANDSAT. J. Remote Sens. GIS ۲۰۱۷ ، ۶ ، ۱-۵٫ [ Google Scholar ] [ CrossRef ]
- Marsett، RC; چی، جی. هیلمن، پی. Biedenbender، SH; واتسون، ام سی؛ عامر، اس. ولتز، ام. گودریچ، دی. Marsett, R. سنجش از دور برای مدیریت علفزار در جنوب غربی خشک. رنگل. Ecol. مدیریت ۲۰۰۶ ، ۵۹ ، ۵۳۰-۵۴۰٫ [ Google Scholar ] [ CrossRef ]
- گوو، پی. لی، تی. گائو، اچ. چن، ایکس. Cui, Y. ارزیابی کالیبراسیون و روشهای انتخاب متغیر طیفی برای پیشبینی سه عنصر غذایی خاک با استفاده از طیفسنجی Vis-NIR. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۰۰۰٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، Q. یوان، Q. لی، جی. لیو، ایکس. شن، اچ. Zhang، L. حذف نویز هیبریدی در تصاویر فراطیفی با یک شبکه گرادیان فضایی-طیفی. IEEE Trans. Geosci. Remote Sens. ۲۰۱۹ , ۵۷ , ۷۳۱۷–۷۳۲۹٫ [ Google Scholar ] [ CrossRef ]
- لی، سی. ژو، سی. ما، ال. تانگ، ال. وانگ، ایکس. روش حذف نویز راه راه تصاویر فراطیفی تداخلی بر اساس تصحیح تداخل. فرآیند سیگنال تصویر Remote Sens. XVIII ۲۰۱۲ , ۸۵۳۷ , ۸۵۳۷۰A. [ Google Scholar ] [ CrossRef ]
- راستی، ب. Scheunders، P. غمیسی، پ. لیکیاردی، جی. Chanussot، J. کاهش نویز در تصاویر فراطیفی: بررسی اجمالی و کاربرد. Remote Sens. ۲۰۱۸ , ۱۰ , ۴۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- هونگ، ی. یو، ال. چن، ی. لیو، ی. لیو، ی. لیو، ی. چنگ، اچ. پیشبینی مواد آلی خاک با استفاده از طیفسنجی VIS-NIR با استفاده از شاخص رطوبت نرمال شده خاک به عنوان نماینده رطوبت خاک. Remote Sens. ۲۰۱۸ , ۱۰ , ۲۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لو، ی. بای، ی. یانگ، ال. وانگ، اچ. استخراج فراطیفی محتوای مواد آلی خاک بر اساس رگرسیون اجزای اصلی. NZJ Agric. Res. ۲۰۰۷ ، ۵۰ ، ۱۱۶۹-۱۱۷۵٫ [ Google Scholar ] [ CrossRef ]
- پرنده، JA; ون کسل، سی. Horwath، WR تثبیت کربن ۱۳C و تثبیت ۱۵N-نیتروژن از کاه برنج در فراکسیون های هیومیک. علم خاک Soc. صبح. J. ۲۰۰۳ , ۶۷ , ۸۰۶-۸۱۶٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، آر. لان، ام. لیو، جی. گائو، M. خاکدانه ها و توزیع کربن آلی در خاک خشک و خاک شالیزاری: نقش کاه های مختلف برگشتی. محیط زیست علمی آلودگی Res. ۲۰۱۷ ، ۲۴ ، ۲۷۹۴۲–۲۷۹۵۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- گائو، جی. پان، جی. جیانگ، ایکس. پان، جی. Zhuang، D. تغییرات ناشی از استفاده از زمین در ذخیره کربن آلی خاک سطحی مزارع شالیزاری با استفاده از تجزیه و تحلیل MODIS و TM / ETM: مطالعه موردی شهرستان Wujiang، چین. جی. محیط زیست. علمی ۲۰۰۸ ، ۲۰ ، ۸۵۲-۸۵۸٫ [ Google Scholar ] [ CrossRef ]
- غرب، TO; مارلند، جی. ترکیبی از ترسیب کربن، انتشار کربن، و شار خالص کربن در کشاورزی: مقایسه شیوههای خاکورزی در ایالات متحده. کشاورزی اکوسیستم. محیط زیست ۲۰۰۸ ، ۹۱ ، ۲۱۷-۲۳۲٫ [ Google Scholar ] [ CrossRef ]
- ویزمایر، ام. فون لوتزو، ام. اسپورلاین، پی. گئوس، یو. هانگن، ای. رایشل، آ. شیلینگ، بی. Kögel-knabner, I. اثرات کاربری زمین بر ذخیره کربن آلی در خاک های بایرن: اهمیت انواع خاک. خاک ورزی خاک Res. ۲۰۱۵ ، ۱۴۶ ، ۲۹۶-۳۰۲٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه