ความแปรปรวนเชิงพื้นที่ของปริมาณอินทรียวัตถุในดินร่วนและดินทรายใช้ปลูกข้าว อำเภอพระยืน จังหวัดขอนแก่นโดยใช้ธรณีสถิติ
Article Sidebar
Main Article Content
บทคัดย่อ
ข้อมูลความแปรปรวนเชิงพื้นที่ของปริมาณอินทรียวัตถุในดินเป็นประโยชน์อย่างมากสำหรับการทำการเกษตรแบบแม่นยำ การศึกษานี้มีวัตถุประสงค์เพื่อศึกษาความแปรปรวนและรูปแบบการกระจายตัวเชิงพื้นที่ของปริมาณอินทรียวัตถุในดินปลูกข้าวที่มีเนื้อดินเป็นดินร่วนและดินทราย ในภาคตะวันออกเฉียงเหนือ โดยใช้ธรณีสถิติ ผู้วิจัยได้ทำการสำรวจและคัดเลือกพื้นที่ศึกษา ในอำเภอพระยืน จังหวัดขอนแก่น ที่มีการปลูกข้าว ในชุดดินดงยางเอน ซึ่งเป็นดินร่วน และชุดดินบ้านไผ่ ซึ่งเป็นดินทราย จำนวน 5 บริเวณ แต่ละบริเวณดำเนินการเก็บดินที่ความลึก 0-15 ซม. แบบวิธีการสุ่มในกริดขนาด 5x5 ม. ในพื้นที่ขนาด 50x50 ตร.ม. ได้จำนวนตัวอย่างดินทั้งหมด 500 ตัวอย่าง แล้วนำไปวิเคราะห์หาปริมาณอินทรียวัตถุในห้องปฏิบัติการ และวิเคราะห์ความแปรปรวนและรูปแบบการกระจายตัวเชิงพื้นที่ของปริมาณอินทรียวัตถุในดินโดยใช้สถิติเบื้องต้นและธรณีสถิติ ผลการศึกษาพบว่า ความแปรปรวนและรูปแบบการกระจายตัวเชิงพื้นที่มีลักษณะแตกต่างกันแม้จะเป็นชุดดินเดียวกัน โดยระดับความแปรปรวนของปริมาณอินทรียวัตถุเมื่อจำแนกด้วยค่า CV% พบความแปรปรวนของชุดดินดงยางเอนอยู่ในระดับปานกลางทุกพื้นที่ (CV > 18.95-33.42%) และชุดดินบ้านไผ่อยู่ในระดับสูงทุกพื้นที่ (CV > 35.72%) สำหรับการใช้ธรณีสถิติ เซมิแวริโอแกรมโมเดลที่ใช้สำหรับทั้งสองชุดดินคือโมเดล spherical และ/หรือ Guassian ซึ่งมีค่าในระดับที่ยอมรับได้ (R2 > 0.600) รูปแบบการกระจายตัวเชิงพื้นที่ที่ได้จากการประมาณค่าในช่วงด้วยวิธีการ Kriging มีความน่าเชื่อถือ (RMSPE% < 40) โดยขนาดของหย่อม (patch) ของปริมาณอินทรียวัตถุในดิน ขึ้นอยู่กับระยะที่ข้อมูลหมดความสัมพันธ์กัน (effective range) ซึ่งในพื้นที่ที่มีการใช้ประโยชน์ที่ดินต่อเนื่องยาวนานจะมีความแปรปรวนเชิงพื้นที่สูงมาก จากข้อมูลแสดงให้เห็นว่าความแตกต่างของความแปรปรวนและความแตกต่างของรูปแบบการกระจายตัวเชิงพื้นที่ของปริมาณอินทรียวัตถุในดินขึ้นอยู่กับสภาพของพื้นที่ ระยะเวลาการใช้ที่ดินและการทำกิจกรรมทางการเกษตรในพื้นที่
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารเกษตรพระจอมเกล้า
References
กองสำรวจและจำแนกดิน. 2543. วิธีคาดคะเนระดับความอุมสมบูรณ์ของดินโดยการประเมินผลวิเคราะห์ดิน. กรุงเทพฯ : กรมพัฒนาที่ดิน.
สำนักงานเศรษฐกิจการเกษตร. 2564. สถิติการเกษตรของประเทศไทย ปี 2564. กรุงเทพฯ : สำนักงานเศรษฐกิจการเกษตร.
Behera, S. K., Mathur, R. K., Shukla, A. K., Suresh, K., and Prakash, C. 2018. Spatial variability of soil properties and delineation of soil management zones of oil palm plantations grown in a hot and humid tropical region of southern India. Catena 165: 251-259.
Bogunovic, I., Pereira, P., and Brevik, E. 2017. Spatial distribution of soil chemical properties in an organic farm in Croatia. Science of the Total Environment 584-585: 535-545.
Bot, A., and Benites, J. 2005. The importance of soil organic matter – Key to drought-resistant food and production. Rome: Food and Agriculture Organization (FAO) of the United Nations.
Campbell, J.B. 1996. Introduction to Remote Sensing. New York: The Guilford Press.
Gajda, M. A., Czyž, A. E., and Dexter, R. A. 2016. Effects of longterm use of different farming systems on some physical, chemical and microbiological parameters of soil quality. International Agrophysics 30: 165-172.
Gao, X., Xiao, Y., Deng, L., Qi-quan, L, Chang-quan, W., Bing, L., Ou-ping, D., and Min, Z. 2019. Spatial variability of soil total nitrogen, phosphorus and potassium in Renshou County of Sichuan Basin, China. Journal of Integrative Agriculture 18: 279-289.
Gorai T., Ahmed, N., Patra, A., Sahoo, R., Sarangi, A., Meena, M., and Sharma, R. 2015. Site Specific Nutrient Management of an Intensively Cultivated Farm Using Geostatistical Approach. Proceedings of the National Academy of Sciences, India Section B: Biological Sciences 87(2): 477-488.
IT Department. 2001. ILWIS 3.0 Academic User’s Guide. Enschede: International Institute for Aerospace Survey and Earth Sciences.
Khaledian, Y., Pereira, P., Brevik, E., Pundyte, N., and Paliulis, D. 2016. The influence of organic carbon and pH on heavy metals, potassium and magnesium in Lithuanian podzols. Land Degradation Development 28(1): 345-354.
Oliver, M., and Webster, R. 2014. A tutorial guide to geostatistics: Computing and modelling variograms and kriging. Catena 113: 56-69.
Phontusang, P. 2016. Improving Salt-affected Soils Mapping in Northeast Thailand. Doctoral Dissertations. Khon Kaen: Khon Kaen University.
Santra, P., Chopra, U. K., and Chakraborty, D. 2008. Spatial variability of soil properties and its application in predicting surface map of hydraulic parameters in an agricultural farm. Current Science 95(7): 937-945.
Sumner, M. E. 2000. Handbook of Soil Science. Washington D.C.: CRC Press.
Tripler, C., Kaushal, S., Likens, G., and Walter, M. 2006. Patterns in potassium dynamics in forest ecosystems. Ecology Letters 9: 451-466.
Walkley, A., and Black, I. A. 1934. Estimation of soil organic carbon by the chromic acid titration method. Soil Science 37: 29-37.
Whitmore, A. P., Kirk, G. J. D., and Rawlins, B. G. 2015. Technologies for increasing carbon storage in soil to mitigate climate change. Soil Use Management 31: 62-71.
Xue-song, G., Yi, X., Liang-ji, D., Qi-quan, L., Chang-quan, W. Bing, L., Ou-ping, D., and Min, Z. 2019. Spatial variability of soil total nitrogen, phosphorus and potassium in Renshou County of Sichuan Basin, China. Journal of Integrative Agriculture 18(2): 279-289.
Yao, R. J., Yang, J. S., Gao, P., Shao, H. B., Liu, G. M., and Yu, S. P. 2014. Comparison of statistical prediction methods for characterizing the spatial variability of apparent electrical conductivity in coastal salt-affected farmland. Environmental earth sciences 71(1): 233-243.