直接和间接的土壤有机碳预测在农场田间规模的比较

科学领域:

• 农业科学 农业科学
• 环境科学 环境科学
• 土壤科学 土壤科学

背景情况:

• 准确的土壤有机碳 (SOC) 监测对于可持续农业和土地利用政策至关重要,但传统方法成本高昂,耗时.
• 将长期实验 (LTEs) 与遥感 (RS) 整合在一起,为评估 SOC 动态提供了一个有希望的,具有成本效益的替代方案.
• 了解 SOC 的时间和空间变化对于有弹性的农业管理至关重要,尤其是在土地使用过渡期间.

研究的目的:

• 开发一个低成本的,基于现场的统计模型,用于预测温带农田的土壤有机碳 (SOC) 含量变化.
• 通过使用可访问的环境数据和现场管理实践,评估不同回归模型 (线性,增材,混合) 的有效性.
• 用自由可用的 (开放的) 和直接测量的 (封闭的) 数据来识别SOC变异性的关键预测因素.

主要方法:

• 利用来自英国北维克农场平台LTE的十年数据集,结合RS衍生的生态系统服务提供指数 (ESPI),地形,天气,土壤特性和管理数据.
• 对 SOC 预测进行线性,增量 (通用增量模型 - GAM) 和混合回归模型的比较.
• 基于开放数据 (ESPI,地形,天气) 和封闭数据 (土壤特性,管理实践) 组合的评估模型.

主要成果:

• 一般化添加模型 (GAMs) 在预测时空SOC变异性方面表现出卓越的性能.
• 在结合开放和封闭因素 (不包括总) 时,关键预测因素包括耕种管理,土壤单位,面积和温度 (规范RMSE=9.1%).
• 仅使用开放数据 (ESPI,侧面,斜率) 的GAM实现了13.0%的正常化RMSE,表明足够的准确性用于实际的,具有成本效益的SOC预测.

结论:

• 具有成本效益的统计模型,特别是GAMs,可以使用可访问的环境和管理数据准确预测SOC内容的时间和空间变化.
• 遥感衍生指数与地形和天气数据相结合,为SOC监测提供了可行的方法,减少了对昂贵的直接测量的依赖.
• 开发的模型作为一种有价值的决策辅助工具,有助于推进可持续和有弹性的农业管理政策,特别是关于土地利用变化的政策.