发布时间 : 星期二 文章GIS与空间分析毕业文献翻译更新完毕开始阅读c9a50dc9647d27284a73510a
隶属函数[28,29]，当分类数据进行了一个预处理过程。这一步预先假定重分类的使用是为了将数值转换成字符串数据，并将输出结果归一化为0到1之间的因素进一步划分。第二水平采用模糊叠加处理方法，将模糊参数分组划分为氮平衡因素，再进一步模糊化，计算氮素的输入与输出。最后一个水平的处理，对输入与输出进行数学消减，对研究区域进行最后分类以划分施肥区域。因此，施肥类型模型由两个主要水平组成（图7）。其一包含对输入变量的模糊化与第二次模糊叠加。在此例中，最终计算土壤可持续性的总风险是通过SUM模糊运算符实现的，集合了流失与酸化的风险并将隶属度归结为0到1。在研究区域棉花种植期间对施肥量模型的估计产生的分类结果连续值从-0.69到0.35（如图8）。取值范围色谱来源于代数加减结果的负值输出。根据输出结果，大多地方标为负值(黄色到红色)，意味着这些地方田地氮素输出超过输入。这些地区已达总面积的81.1%。在模型各自估计的位置与特定时间条件下，负值区域需要施用氮肥。图标方法提供了每个田块甚至是田以下施肥量，通过田块的像元值乘以希腊行动计划缓解kopaida地区水体氮素污染的施肥推荐量。本质上，图8认同研究区域有一个权重因素每一位生产者都能计算田块氮素需要量和进一步提出了特定区域在目前水平的改进建议，这些都由参考行动计划展示。不同的研究调查通过空间统计聚类方法将区域划分为特定土壤施肥建议的区域管理单元[31,32]。结果显示，明确的土壤管理区域的识别能优化施肥计划与减少环境风险。系统中的管理区域描绘，源于对氮平衡的模糊化和模糊叠加处理，它是面向专家知识的，而不是数据驱动。进一步说，系统完全建立在GIS环境下，发挥其集成模糊能力，作为管理完全不确定性环境现象的模型。
Figure 8施肥量模型的空间输出
标记正值的区域占了总测试区域的18.9%，根据模型设计与估计，这些田块不需要提前施用或在播种期施用氮肥。然而，对于这些位置，氮肥施用应该考虑到种植期间适应作物需要。那些不需要或需很少施肥量的地方主要是有高浓度无机氮、粘土粒以及低产潜力的有机物。比较位于研究区域不同部分的两块田地的特征，模型分配了不同的权重，结果的原因显示出来。例如，田A(权重-0.65)建议施用大量氮肥与田B相反，田B一点也不用(权重0.3)。实际上，田A所在区域，根据输入数据，土壤质地中等至粗糙、干燥，有机质含量低于区平均，无机氮水平也低。这些土壤条件导致氮素流失，与种植与灌溉措施结合起来，肥料组成缺失与节水灌溉系统的使用，增加了氮素流失。因而，施肥量模型在估计了这些特征与氮平衡参数关系后建议增加肥料施用。另一方面，在田B，土壤保持了无机氮与
有机物的肥力性质，当生产商使用滴灌系统时，导致了氮素损失。此外，第二生产者结合的应用的肥料，尝试减少了氨的挥发损失。在田B例子里，模型模糊集合了下列条件还提出了最小的肥料处方。在上述两个例子都设置了极端例子对照施肥建议；然而，模型通过模糊推断的方法的使用，成功描述了研究区域棉田的权重处方。
总之，结果显示减少每个施肥单元的氮肥施用，不仅与施肥最佳实践手册一致，还与欧盟对氮素污染限制的标准与区域保护网站Natura 2000相符合。
Figure 9 施肥类型模型的空间输出
施肥类型模型的估计结果产生展示如图9，将研究区分为四个管理区。由于氮肥施用导致土壤退化的风险等级按顺序由红色至绿色标出。之后，分类被指定了确定的施肥建议，从一到四标号。这项任务由土壤肥料学与养分动力学的专家根据研究区特定位置的土壤状况的贡献结果。被标号的施肥建议如下： 处方1：此区域没有酸化风险。适度偏碱性，只推荐酸性肥料。氮肥可以是氨或硝的形式。肥料能被表面接受在单处方中，然而，推荐混合两三种处方，减少气化和流失损失。
处方2：此区域，只有酸性且不含硝态和尿素类氮肥肥料推荐使用，可以是富含铵态氮。 鼓励生产者综合使用至少两种处方。 处方3：此例中，生产者应避免使用硝态和尿素类氮肥。田表面可以施用，但是综合施用应该考虑三种处方，随作物需求时间分配。
处方4：所有肥料都可以。然而，最好不要使用酸性肥料，这会增加长期以来造成土壤酸化的风险。这些区域土壤酸性监测是必要的。进一步说，应抵制滴灌系统来降低潜在土壤流失。
处方主要针对重点区域(占总面积51%)，与第二(23.7%)、第四区域(20.1%)紧接着的第三区域。最小的推荐处方是第一个，只有研究区的5.2%。对于田A与B，模型制定了处方，分别为4和2 （如图9）。此外，模型建议将田A的洒水系统替换成滴灌，而田B，就推荐综合多种肥料输入，生产者也多是这样做的。通常，模型结果建立了一个包含施肥类型、处方与整个区域的施用时间的区域肥料施用方案。实际上，伴随施肥量模型，过去经验性的施肥方法以替换成结构化与空间技术支持的必要投入估计方法。通过GIS制图，系统结果直达终端用户，用户只需简单咨询就能获得基于棉田点位实测数据的施肥处方。
施肥量模型的敏感性分析结果，14个输入参数中10个值范围是连续的，展示如表2。根据这些结果，5个输入参数(土壤无机氮、容重、平均土温、灌溉水量和灌溉水中的无机氮)的增加导致整个研究
区域推荐的平均施肥量的减少。这发现十分合理，预计土壤无机氮，灌溉水量，灌溉水中的无机氮和平均土温，因为这些参数单独影响氮平衡的输入而且确实与这些正相关(Figure 6)。结果，值的增加趋向于增加氮输入，导致模型建议发生地少施肥。
Table 2 施肥量模型中的因子1敏感性分析
相反的，此容重影响氮平衡(矿化、流失、反硝化)的三个参数，使得敏感性分析的描述并没有那么直截了当。分析结果显示，根据研究区域的特征位点条件，氮输入(矿化)的粘土百分比增加的值的附加变量可能是间接地，因为通过排水区域条件弱化使得水的可用性的增加和流失潜力的进一步减少。当至于有机质，额外增加至10%增加氮投入，但与输出相比进一步增加其损失(如Table 2)。这发生的原因是土壤有机质占比驱动矿化(输入)与反硝化(输出)过程。对于小的变化，矿化产出超过反硝化，对于大的变量，则是相反的。
初始参数如土壤PH、平均降水、产量潜力的增加导致了施肥推荐量的增加。最后，初始值如土壤含水量的变化不会改变模型结果的本质。
在敏感性分析结果的基础上进行输入变量的分类，施肥量模型证明对于土壤温度、容重、降水、土壤PH、产量潜力、有机质、土壤无机氮和质量以及灌溉水量(按顺序列出)的变化更为敏感。
Table 3中的值指的区域，作为总区域的部分比例，在每次变化(5%,10%等等)后施肥建议码就会改变。
Table 3施肥类型模型的敏感性分析结果
根据表3，最重要的输入变量，在模型的敏感性方面，就是土壤PH接着降雨，还有最后，土壤容重。
4.总结
由于经济与环境缘由，包括遵守欧盟委员会的指示，呼吁建立基于客观科学标准的施肥咨询系统。朝着这个方向，空间必不可少也不该被任何施肥计划忽略，尤其是在环境条件随地点变化而影响决策时。文章提供了一个基于GIS的模糊方法来判断合适用量与田块氮肥施用建议，且具有空间与文字信
息。通过开发的空间决策支持系统，实现对施肥策略产生影响和决定的不同参数的组合（物理的与人为的）。而且，环境过程描述参数量上的任何困难都会通过模糊逻辑概念的使用而超过。该推荐系统，基于特定标准、专家知识与固有经验实现了施肥管理区域的描绘。任意的，中间系统结果(如矿化、流失潜力等等)能被进一步采用和估计。根据应用区的特征，系统参数能被新加入的丰富，当别的参数能被用户重写，增加了系统的灵活性。此外，此系统的估计尺度由可用性和输入变量的空间特征来定义，这样使得系统既能用于田块又适用于区域尺度。在适应隶属函数使用和为模型提供合适输入数据的先决条件下，系统还能应用于其他春播作物，这在GIS建模环境下，被证明是简单的。
进一步的研究将包含系统应用于其他农田区域，在不同的环境和管理条件下，控制系统得到持续可靠的结果。通过至少三年的实验、获得推荐施肥量与建议的可靠结果将达到田块水平。考虑到系统存在的缺陷与限制，在实际工作与测试能提供有用的反馈，为未来的修正提供机会。再者，敏感性分析应该扩展包含不止一个输入变量来揭示关系与回归。未来的计划是着手在开源环境下，结合web GIS服务，开发用户友好的界面。
引用与注释
1. European Commission, Council Directive 91/676/EEC concerning the protection of waters against pollution caused by nitrates from agricultural sources, 1991.
2. Ferguson, R.B.; Hergert, G.W.; Schepers, J.S.; Gotway, C.A.; Cahoon, J.E.; Peterson, T.A. Site-Specific Nitrogen Management of Irrigated Maize. Soil Sci. Soc. Am. J. 2002, 66, 544–553.
3. Tisdale, S.L.; Nelson, W.L.; Beaton, J.D.; Havlin, J.L. Soil Fertility and Fertilizers, 5th ed.; MacMillan Pub. Com.: New York, NY, USA, 1993. 4. Hirel, B.; Tétu, T.; Lea, P.J.; Dubois, F. Improving Nitrogen Use Efficiency in Crops for Sustainable Agriculture. Sustainability 2011, 3, 1452–1485.
5. Kersebaum, K.C.; Hecker, J-M.; Mirschel, W.; Wegehenkel, M. Modelling water and nutrient dynamics in soil—Crop systems: A comparison of simulation models applied on common data sets. In Modelling Water and Nutrient Dynamics in Soil—Crop Systems; Springer: Berlin, Germany, 2007; pp. 1–17
6. Li, Y.; White, R.; Chen, D.; Zhang, J.; Li, B.; Zhang, Y.; Huang, Y.; Edis, R. A spatially referenced water and nitrogen management model (WNMM) for (irrigated) intensive cropping systems in the North China Plain. Ecol. Model. 2007, 203, 395–423.
7. Delgado, J.A.; Gross, C.M.; Lal, H.; Cover, H.; Gagliardi, P.; McKinney, S.P.; Hesketh, E.; Shaffer, M.J. A New GIS Nitrogen Trading Tool Concept for Conservation and Reduction of Reactive Nitrogen Losses to the Environment. Adv. Agron. 2010, 105, 117–171.
8. Benedikt, J.; Reinberg, S.; Riedl, L. A GIS application to enhance cell-based information modeling. Inf. Sci. 2002, 142, 151–160.
9. Mulla, D.J.; Schepers, J.S. Key processes and properties for site-specific soil and crop management. In The State of Site-Specific Management for Agriculture; American Society of Agronomy: Madison, WI, USA, 1997; pp. 1–18.
10. Ashraf, A.; Akram, M.; Sarwar, M. Fuzzy decision support system for fertilizer. Neural Comput. Appl. 2014, 25, 1495–1505.
11. Kweon, G. Delineation of site-specific productivity zones using soil properties and topographic attributes with a fuzzy logic system. Biosyst. Eng. 2012, 112, 261–277.
12. Assimakopoulos, J.H.; Kalivas, D.P.; Kollias, V.J. A GIS-based fuzzy classification for mapping the agricultural soils for N-fertilizers use. Sci. Total Env. 2003, 309, 19–33. Sustainability 2015, 7 6704
13. Papadopoulos, A.; Kalivas, D.; Hatzichristos, T. Decision support system for nitrogen fertilization using fuzzy theory. Comput. Electron. Agric. 2011, 78, 130–139.
14. Kastanis, D. Soil Survey of the Plain of Kopaida; Land Resources Service. Hellenic Ministry of Agriculture Pub.: Athens, Greece, 1986.
15. Hellenic Statistical Authority. Annual Agricultural Statistical Survey. Areas under Cultivation: Provisional Results 2012; Hellenic Statistical Authority Pub.: Piraeus, Greece, 2014.
16. Oliver, M.A.; Webster, R. Kriging: a method of interpolation for geographical information systems. Int. J. Geogr. Inf. Syst. 1990, 4, 313–332.
17. Burrough, P.A.; McDonnell, R.A. Optimal interpolation using geostatistics. In Principles of
Geographical Information Systems; Burrough, P.A., McDonnell, R.A., Eds.; Oxford University Press: Oxford, UK, 1998; pp. 132–161.
18. Lilburne, L.; Tarantola, S. Sensitivity analysis of spatial models. Int. J. Geogr. Inf. Sci. 2009, 23, 151–168.