In recent years, different algorithms have been utilised to delineate management zones, areas with similar properties, within agricultural fields. However, there are few applications in pasture systems. In this work, the formulation of the Rasch model, as an objective and probabilistic technique to integrate different soil properties, provided measures of pasture soil fertility that were used to analyse spatial variability throughout a field. To illustrate the proposed approach, a case study was conducted in a pasture field. Ten soil properties (sand, silt, and clay contents, moisture content, pH, organic matter, nitrogen, phosphorus, potassium, and soil apparent electrical conductivity) were measured at 76 locations in a pasture field; after their integration in the model, a classification of all sampling locations according to pasture soil fertility was determined, and the influence of each soil property on the soil fertility was highlighted, with the soil moisture, clay, and sand contents and nitrogen being the most influential properties and the silt content being the least influential property. Then, an ordinary kriging algorithm was used to estimate pasture soil fertility throughout the field, and homogeneous zones were delimited from the kriged map. The possibility of using probability maps to determine management zones and provide information for hazard assessments of pasture soil fertility in the field was also shown. Finally, NDVI data at each sampling location were utilised to verify the differences between the management zones.

中文翻译：

---

使用概率和客观模型以及地质统计技术在牧场土壤上划定特定地点的管理区

近年来，已使用不同的算法来划定农田内的管理区域，即具有相似属性的区域。然而，在牧场系统中的应用很少。在这项工作中，Rasch 模型的制定，作为一种整合不同土壤特性的客观和概率技术，提供了牧场土壤肥力的测量，用于分析整个田地的空间变异性。为了说明所提出的方法，在牧场进行了一个案例研究。在牧场的 76 个位置测量了 10 种土壤特性（沙子、淤泥和粘土含量、水分含量、pH、有机质、氮、磷、钾和土壤表观电导率）；在它们集成到模型中之后，根据牧草土壤肥力对所有采样点进行分类，突出每种土壤性质对土壤肥力的影响，其中土壤水分、粘土和沙子含量和氮是最有影响的性质，淤泥含量对土壤肥力的影响最大。影响最小的财产。然后，使用普通克里金算法估计整个田间的牧场土壤肥力，并从克里金图中划定均质区。还展示了使用概率图来确定管理区并为田间牧场土壤肥力的危害评估提供信息的可能性。最后，利用每个采样点的 NDVI 数据来验证管理区之间的差异。突出了各种土壤性质对土壤肥力的影响，其中土壤水分、粘土和砂含量和氮是影响最大的性质，而淤泥含量是影响最小的性质。然后，使用普通克里金算法估计整个田间的牧场土壤肥力，并从克里金图中划定均质区。还展示了使用概率图来确定管理区并为田间牧场土壤肥力的危害评估提供信息的可能性。最后，利用每个采样点的 NDVI 数据来验证管理区之间的差异。突出了各种土壤性质对土壤肥力的影响，其中土壤水分、粘土和砂含量和氮是影响最大的性质，而淤泥含量是影响最小的性质。然后，使用普通克里金算法来估计整个田地的牧场土壤肥力，并从克里金图中划定均质区。还展示了使用概率图来确定管理区并为田间牧场土壤肥力的危害评估提供信息的可能性。最后，利用每个采样点的 NDVI 数据来验证管理区之间的差异。砂含量和氮是最有影响的特性，而淤泥含量是影响最小的特性。然后，使用普通克里金算法估计整个田间的牧场土壤肥力，并从克里金图中划定均质区。还展示了使用概率图来确定管理区并为田间牧场土壤肥力的危害评估提供信息的可能性。最后，利用每个采样点的 NDVI 数据来验证管理区之间的差异。砂含量和氮是最有影响的特性，而淤泥含量是影响最小的特性。然后，使用普通克里金算法估计整个田间的牧场土壤肥力，并从克里金图中划定均质区。还展示了使用概率图来确定管理区并为田间牧场土壤肥力的危害评估提供信息的可能性。最后，利用每个采样点的 NDVI 数据来验证管理区之间的差异。还展示了使用概率图来确定管理区并为田间牧场土壤肥力的危害评估提供信息的可能性。最后，利用每个采样点的 NDVI 数据来验证管理区之间的差异。还展示了使用概率图来确定管理区并为田间牧场土壤肥力的危害评估提供信息的可能性。最后，利用每个采样点的 NDVI 数据来验证管理区之间的差异。