View More View Less
  • 1 Magyar Agrár- és Élettudományi Egyetem, Gödöllő
Open access

Szervesszén térképezést segítő módszertani kutatásként vizsgáltuk egy szántóföldi művelés alatt álló terület, 3 mélységből származó mintáinak MIR reflektanciáját, illetve szervesszén tartalmát (Walkley-Black). Ezt követően a spektroszkópia mérések eredményeit használtuk a talaj szervesszén-mennyiségének (TOC %) becslésére. Tettük ezt 3 mintakijelölési módszer (Kennard-Stone Sampling - KSS, K-means Sampling - KMS, Latin Hypercube Sampling - LHS) bevonásával, az így kijelölt kalibrációs mintákkal a PLSR modell segítségével becslést végeztünk az adathalmaz további értékeire. Annak érdekében, hogy tábla szintű szervesszén meghatározás során teszteljük becslési pontosságukat, a modellek reprezentativitását – különböző validációs/kalibrációs arány esetén – statisztikai mutatókkal (R2, RMSE) ellenőriztük.

Az eredményekben részleteiben vizsgáltuk a különböző becslési modellek reakcióját eltérő arányú kalibráció és validáció esetén. A modellek R2 és RMSE értékei alapján kijelöltük, hogy mely modellek működtek pontosan még alacsony kalibráció esetén is, illetve abszolút értelemben véve melyik modell volt leghatékonyabb.

Az összehasonlítás eredményeként kijelenthető, hogy az általunk vizsgált talajkörülmények között a 30% alatti, valamint a 70% feletti mintaszámú kalibráció a mintakijelölési módszerek megbízhatóságának ingadozását eredményezte. Az összes minta 30%-val történő kalibráció esetén legjobb eredményt a KSS adta, így ez tekinthető a leggazdaságosabb módszernek. Az abszolút értékben vett legkisebb hibát a K-means sampling eredményezte, a minták 90%-val történő kalibrációt követően.

Kijelenthető, hogy az alkalmazott módszertan esetünkben alkalmas volt – a reprezentativitás megtartása mellett – a szükséges minták számának, ergo a táblaszintű szervesszén-felmérés költségeinek csökkentésére. Továbbá a mintakijelölési módszerek becslési hatékonyságának összehasonlítására is megfelelt az általunk alkalmazott statisztikai vizsgálat. A módszertan a jövőben kiinduló alapja lehet hasonló jellegű kutatásoknak, valamint tábla szintű szervesszéntérképek elkészítésének. A szélesebb körű alkalmazást megelőzően a modelleket nagyobb varianciájú adathalmazok esetén is tesztelni szükséges.

Within the framework of the present research, we mapped the organic carbon content of an arable area, during which we measured the MIR reflectance and organic carbon content (Walkley-Black) of the soil samples collected from the area at three different depths. Subsequently, the results of spectroscopic measurements were used to improve the estimation of the soil organic carbon content (TOC %). Three sample selection models were involved (KSS, KMS, LHS), and with the selected calibration samples, we estimated the additional values of the data set using the PLSR model. In order to test the accuracy of estimation for a table-level organic carbon determination, the representativeness level of the models was checked with statistical indicators (R2, RMSE) at different validation / calibration ratios.

In the results, we thoroughly examined the response of different estimation models with different ratios of calibration and validation. Based on the R2 and RMSE values of the models, we determined which models worked precisely even at low calibration, and in absolute terms, which model was the most efficient.

As a result of the comparison, it can be stated that under the soil conditions we examined, calibration with a sample number below 30% and above 70% caused significant fluctuations in the reliability of the sampling methods. Kennard-Stone sampling (KSS) gave the most precise results for calibration with 30% of all samples, thus it is considered the most economical method. The smallest error overall was given by K-means sampling after calibration of 90% of the samples.

It can be stated that the methodology used in this study was suitable to reduce the samples required for analysis - while maintaining representativeness - therefore reducing the costs of the field-level organic carbon survey.

Furthermore, the statistical analysis we used to compare the estimation efficiency of the sampling methods was also appropriate. The methodology we use may be the basis for similar research in the future, as well as for the production of table-level organic carbon maps. Prior to wider application, models also need to be tested for higher variance datasets.

  • Ateku, D. (2014). Standard Operating Procedure - Mid-Infrared Diffuse Reflectance Spectroscopy Method For Analysing Soils Using Bruker Alpha Spectrometer. World Agroforestry Center, Code: METH07V01. 10 pp.

    • Search Google Scholar
    • Export Citation
  • Ballabio, C., Panagos, P., Monatanarella, L. (2016). Mapping Topsoil Physical Properties At European Scale Using The Lucas Database. Geoderma. 261. 110123.

    • Crossref
    • Search Google Scholar
    • Export Citation
  • Bellon-Maurel, V., Mcbratney, A. (2011). Near-Infrared (Nir) And Mid-Infrared (Mir) Spectroscopic Techniques For Assessing The Amount Of Carbon Stock In Soils–Critical Review And Research Perspectives. Soil Biology and Biochemistry. 43. (7) 13981410.

    • Search Google Scholar
    • Export Citation
  • Bishop, J. L., Lane, M. D., Dyar, M. D., Brown, A. J. (1994). Reflectance And Emission Spectroscopy Study Of Four Groups Of Phyllosilicates: Smectites, Kaolinite–Serpentines, Chlorites And Micas. Clay Minerals. 43. 5354.

    • Search Google Scholar
    • Export Citation
  • Chenu, C., Angers, D., Barré, P., Derrien, D., Arrouays, D., Balesdent, J. (2019). Increasing Organic Stocks In Agricultural Soils: Knowledge Gaps And Potential Innovations. Soil and Tillage Research. 188. 4452.

    • Search Google Scholar
    • Export Citation
  • Csorba, Á., Láng V., Fenyvesi L., Michéli E. (2012). Reflektancia Spektroszkópia Alkalmazása Talajok Szervesszén-És Caco3-Tartalmának Becslésében. Agrokémia és Talajtan. 61. (2) 277290.

    • Search Google Scholar
    • Export Citation
  • Deery, D., Jimenez-Berni, J., Jones, H., Sirault, X., Furbank, R. (2014). Proximal Remote Sensing Buggies And Potential Applications For Field-Based Phenotyping. Agronomy.

    • Crossref
    • Search Google Scholar
    • Export Citation
  • Dobos E., Michéli E., Montanarella L. (2007). The Population Of A 500-M Resolution Soil Organic Matter Spatial Information System For Hungary. Developments in Soil Science. 31. 487495.

    • Search Google Scholar
    • Export Citation
  • Dobos E., Seres A., Bock M., Köthe, R., Daroussin J., Van Engelen V. (2010). Landform Mapping For SOTER At Scale 1:1 Million Using SRTM-DEM. 19th World Congress Of Soil Science, Soil Solutions For A Changing World. 1–6 August 2010, Brisbane, Australia. DVD Published, pp. 6871.

    • Search Google Scholar
    • Export Citation
  • Dobos E., Vadnai P., Bertóti R. D., Kovács K., Michéli E., Szegi T., Fullajtár E., Penizek V., Switoniak M. (2014). Új WRB Alapú Validációs Adatbázis És Validációs Módszertan Közép-Európára, Validat.DSM. Agrokémia és Talajtan. 63. (2) 393408.

    • Search Google Scholar
    • Export Citation
  • Dobos E., Vadnai P., Kovács K., Láng V., Fuchs M., Michéli E. (2019). A Novel Approach For Mapping WRB Soil Units–A Methodology For A Global SOTER Coverage. Hungarian Geographical Bulletin. 68. (2) 157175.

    • Search Google Scholar
    • Export Citation
  • Duckworth, J. H. (1998). Spectroscopic Quantitative Analysis. In: Applied Spectroscopy (Eds.: Workman, J. & Springsteen, A.) Academic Press. San Diego, California. 93163.

    • Search Google Scholar
    • Export Citation
  • Ge, Y., Thomasson, J., Morgan, C. (2014). Mid-Infrared Attenuated Total Reflectance Spectroscopy For Soil Carbon And Particle Size Determination. Geoderma, 213. 5763.

    • Search Google Scholar
    • Export Citation
  • Héberger, K. (2008). Chapter 7-Chemoinformatics—Multivariate Mathematical–Statistical Methods For Data Evaluation. Medical Applications of Mass Spectrometry. 141169.

    • Search Google Scholar
    • Export Citation
  • Knox, N., Grunwald, S., Mcdowell, M., Bruland, G., Myers, D., Harris, W. (2015). Modelling Soil Carbon Fractions With Visible Near-Infrared (VNIR) And Mid-Infrared (MIR) Spectroscopy. Geoderma. 239240. 229239.

    • Search Google Scholar
    • Export Citation
  • Kuhn, M., Wing, J., Weston, S., Williams, A., Keefer, C., Engelhardt, A., Cooper, T., Mayer, Z., Kenkel, B., R Core Team. (2019). Caret: Classification And Regression Training. R Package Version 6.0-84. https://CRAN.R-project.org/package=caret

    • Search Google Scholar
    • Export Citation
  • Lal R. (2010). Enhancing Eco-Efficiency In Agro-Ecosystems Through Soil Carbon Sequestration. Crop Science. 50. 120130.

  • Lal R. (2013). Soil Carbon Management And Climate Change. Carbon Management. 4. (4). 439462.

  • Lal R. (2017). Soil Carbon Impacts On Functionality And Environmental Sustainability. In: Erşahin S., Kapur S., Akça E., Namlı A., Erdoğan H. (Szerk.) Carbon Management, Technologies, and Trends in Mediterranean Ecosystems. The Anthropocene: Politik—Economics—Society—Science. vol. 15. Springer, Cham

    • Search Google Scholar
    • Export Citation
  • Lal R., Negassa W., Lorenz K. (2015). Carbon Sequestration In Soil. Environmental Sustainability. 15. 7986.

  • Marosi S., Somogyi S. (szerk., 1990). Magyarország Kistájainak Katasztere I-II. Mta Földrajztudományi Kutató Intézet, Budapest. 1023 p.

    • Search Google Scholar
    • Export Citation
  • Matamala, R., Jastrow, J. D., Calderón, F. J., Liang, C., Fan, Z., Michaelson, G. J., Ping, C. L. (2019). Predicting The Decomposability Of Arctic Tundra Soil Organic Matter With Mid Infrared Spectroscopy. Soil Biology and Biochemistry. 129. 112.

    • Search Google Scholar
    • Export Citation
  • Mevik, B-H., Wehrens, R., Liland, K. H. (2019). Pls: Partial Least Squares And Principal Component Regression. R Package Version 2.7-1. https://CRAN.R-project.org/package=pls

    • Search Google Scholar
    • Export Citation
  • Ng W., Minasny B., Malone B., Filippi P. (2018). In Search Of An Optimum Sampling Algorithm For Prediction Of Soil Properties From Infrared Spectra. PeerJ. 6:e5722; DOI .

    • Crossref
    • Search Google Scholar
    • Export Citation
  • Pahlavan Rad, M. R., Toomanian, N., Khormali, F., Brungard, C. W., Komaki, C. B., Bogaert, P. (2014). Updating Soil Survey Maps Using Random Forest And Conditioned Latin Hypercube Sampling In The Loess Derived Soils Of Northern Iran. Geoderma.

    • Crossref
    • Search Google Scholar
    • Export Citation
  • Pásztor L., Laborczi A., Szatmári G., Takács K., Bakacsi Z., Szabó J., Dobos E. (2014). Introduction Of Digital Soil Mapping Techniques For The Nationwide Regionalization Of Soil Condition In Hungary; The First Results Of The Dosoremi.Hu (Digital, Optimized, Soil Related Maps And Information In Hungary) Project. In: EGU General Assembly 2014, Vienna, Austria, id.7310.

    • Search Google Scholar
    • Export Citation
  • Pásztor L., Laborczi A., Takács K., Illés G., Szabó J., Szatmári G. (2020). Progress In The Elaboration Of GSM Conform DSM Products And Their Functional Utilization In Hungary. Geoderma Regional.

    • Crossref
    • Search Google Scholar
    • Export Citation
  • Pásztor L., Larboczi A., Takács K., Szatmári G., Dobos E., Illés G., Bakacsi Z., Szabó J. (2015). Compilation Of Novel And Renewed, Goal Oriented Digital Soil Maps Using Geostatistical And Data Mining Tools. Hungarian Geographical Bulletin. 64. (1) 4964.

    • Search Google Scholar
    • Export Citation
  • Pásztor L., Szabó J., Bakacsi Zs. (2010). Application Of The Digital Kreybig Soil Information System For The Delineation Of Naturally Handicapped Areas In Hungary. Agrokémia és Talajtan. 59. 4756.

    • Search Google Scholar
    • Export Citation
  • Pásztor L., Szabó J., Bakacsi Z., Laborczi A. (2013). Elaboration And Applications Of Spatial Soil Information Systems And Digital Soil Mapping At Research Institute For Soil Science And Agricultural Chemistry Of The Hungarian Academy Of Sciences. Geocarto International. 28. (1) 1327.

    • Search Google Scholar
    • Export Citation
  • Peltre, C., Bruun, S., Du, C., Thomsen, I., Jensen, L. (2014). Assessing Soil Constituents And Labile Soil Organic Carbon By Mid-Infrared Photoacoustic Spectroscopy. Soil Biology and Biochemistry. 77. 4150.

    • Search Google Scholar
    • Export Citation
  • Pettorelli N. (2013). NDVI From A To Z. In: The Normalized Difference Vegetation Index. Szerk: Pettorelli N., Oxford University Press. ISBN: 978-0-19-969316-0. 30-43.

    • Search Google Scholar
    • Export Citation
  • R Core Team (2017). R: A Language And Environment For Statistical Computing. R Foundation For Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

    • Search Google Scholar
    • Export Citation
  • Ramesh, T., Bolan, N., Kirkham, M., Wijesekara, H., Kanchikerimath, M., Srinivasa Rao, C., Sandeep, S., Rinklebe, J., Ok, Y., Choudhury, B., Wang, H., Tang, C., Wang, X., Song, Z., Freeman Ii, O. (2019). Chapter One - Soil organic carbon dynamics: Impact of land use changes and management practices: A review. Advances in Agronomy. 156. 1-107.

    • Search Google Scholar
    • Export Citation
  • Ramirez-Lopez, L., Schmidt, K., Behrens, T., Wesemael, Bas Van, Dematté, J. A. M., Scholten, T. (2014). Sampling Optimal Calibration Sets In Soil Infrared Spectroscopy. Geoderma (2014).

    • Crossref
    • Search Google Scholar
    • Export Citation
  • Ramirez-Lopez, L., Schmidt, K., Behrens, T., Van Wesemael, B., Dematte, J . A. M., Scholten, T. (2015). Sampling Optimal Calibration Sets In Soil Infrared Spectroscopy. Geoderma. 226227. 140150.

    • Search Google Scholar
    • Export Citation
  • Ramirez-Lopez, L., Stevens, A. (2016). Resemble: Regression And Similarity Evaluation For Memory-Based Learning In Spectral Chemometrics R Package Version 1.2.2

    • Search Google Scholar
    • Export Citation
  • Reeves, J. (2010). Near-Versus Mid-Infrared Diffuse Reflectance Spectroscopy For Soil Analysis Emphasizing Carbon And Laboratory Versus On-Site Analysis: Where Are We And What Needs To Be Done? Geoderma. 158. (1–2) 314.

    • Search Google Scholar
    • Export Citation
  • Roudier, P. (2011). Clhs: A R Package For Conditioned Latin Hypercube Sampling.

  • Sila, A., Hengl, T., Thomas Terhoeven-Urselmans, T. (2014). Soil.Spec: Soil Spectroscopy Tools And Reference Models. R Package Version 2.1.4. https://www.CRAN.R-Project.org/package=soil.spec

    • Search Google Scholar
    • Export Citation
  • Szabó J., Pásztor L., Bakacsi Z. (2005). Egy Országos, Térbeli Talajinformációs Rendszer Kiépítésének Igénye, Lehetősége És Lépései. Agrokémia és Talajtan. 54. 4158.

    • Search Google Scholar
    • Export Citation
  • Szatmári G., Barta K., Pásztor L. (2015). An Application Of A Spatial Simulated Annealing Sampling Optimization Algorithm To Support Digital Soil Mapping. Hungarian Geographical Bulletin. 64. (1) 3548.

    • Search Google Scholar
    • Export Citation
  • Szatmári G., Pásztor L. (2016). Geostatisztika A Talajtérképezésben-Szemle. Agrokémia és Talajtan. 65. (1) 95114.

  • Szatmári G., Pásztor L. (2019). Comparison Of Various Uncertainty Modelling Approaches Based On Geostatistics And Machine Learning Algorithms. Geoderma. 337. 129-134, .

    • Crossref
    • Search Google Scholar
    • Export Citation
  • Szatmári G., Pirkó B., Koós S., Laborczi A., Bakacsi Z., Szabó J., Pásztor L. (2019). Spatio-Temporal Assessment Of Topsoil Organic Carbon Stock Change In Hungary. Soil & Tillage Research. 195. .

    • Crossref
    • Search Google Scholar
    • Export Citation
  • Tan K. H. (1982). Colloidal Chemistry Of Organic Soil Constituents. In: Principles of Soil Chemistry. 4th Edition. 75130.

  • Viscarra Rossel, R., Adamchuk, V. I. (2013). Proximal Soil Sensing. In Precision Agriculture For Sustainability And Environmental Protection.

  • Viscarra Rossel, R., Walvoort, D., Mcbratney, A., Janik, L., Skjemstad, J. (2006). Visible, Near Infrared, Mid Infrared Or Combined Diffuse Reflectance Spectroscopy For Simultaneous Assessment Of Various Soil Properties. Geoderma. 131. (1–2) 5975.

    • Search Google Scholar
    • Export Citation
  • Walkley, A. (1947). A Critical Examination Of A Rapid Method For Determining Organic Carbon In Soils: Effect Of Variations In Digestion Conditions And Of Inorganic Soil Constituents. Soil Science. 63. 251263.

    • Search Google Scholar
    • Export Citation
  • Waruru, B., Shepherd, K., Ndegwa, G., Sila, A., Kamoni, P. (2015). Application Of Mid-Infrared Spectroscopy For Rapid Characterization Of Key Soil Properties For Engineering Land Use. Soils and Foundations. 55. (5) 11811195.

    • Search Google Scholar
    • Export Citation
  • Weil R. R., Brady N. (2017). Soil Organic Matter. In: The Nature And Properties Of Soils. 15th edition. Fox D., Gilfillan A. (Szerk.) pp 526581.

    • Search Google Scholar
    • Export Citation
  • Wickham, H. (2017). Tidyverse: Easily Install And Load The 'Tidyverse'. R Package Version 1.2.1. https://CRAN.R-project.org/package=tidyverse

    • Search Google Scholar
    • Export Citation

Senior editors

Editor(s)-in-Chief: Szili-Kovács, Tibor

Technical Editor(s): Vass, Csaba

Editorial Board

  • Bidló, András (Soproni Egyetem, Erdőmérnöki Kar, Környezet- és Földtudományi Intézet, Sopron)
  • Blaskó, Lajos (Debreceni Egyetem, Agrár Kutatóintézetek és Tangazdaság, Karcagi Kutatóintézet, Karcag)
  • Buzás, István (Magyar Agrár- és Élettudományi Egyetem, Georgikon Campus, Keszthely)
  • Dobos, Endre (Miskolci Egyetem, Természetföldrajz-Környezettan Tanszék, Miskolc)
  • Farsang, Andrea (Szegedi Tudományegyetem, Természettudományi és Informatikai Kar, Szeged)
  • Filep, Tibor (Csillagászati és Földtudományi Központ, Földrajztudományi Intézet, Budapest)
  • Fodor, Nándor (Agrártudományi Kutatóközpont, Mezőgazdasági Intézet, Martonvásár)
  • Győri, Zoltán (Debreceni Egyetem, Mezőgazdaság-, Élelmiszertudományi és Környezetgazdálkodási Kar, Debrecen)
  • Jolánkai, Márton (Magyar Agrár- és Élettudományi Egyetem, Növénytermesztési-tudományok Intézet, Gödöllő)
  • Kátai, János (Debreceni Egyetem, Mezőgazdaság-, Élelmiszertudományi és Környezetgazdálkodási Kar, Debrecen)
  • Lehoczky, Éva (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Makó, András (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Michéli, Erika (Magyar Agrár- és Élettudományi Egyetem, Környezettudományi Intézet, Gödöllő)
  • Németh, Tamás (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Pásztor, László (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Ragályi, Péter (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Rajkai, Kálmán (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Rékási, Márk (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Schmidt, Rezső (Széchenyi István Egyetem, Mezőgazdaság- és Élelmiszertudományi Kar, Mosonmagyaróvár)
  • Tamás, János (Debreceni Egyetem, Mezőgazdaság-, Élelmiszertudományi és Környezetgazdálkodási Kar, Debrecen)
  • Tóth, Gergely (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Tóth, Tibor (Agrártudományi Kutatóközpont, Talajtani Intézet, Budapest)
  • Tóth, Zoltán (Magyar Agrár- és Élettudományi Egyetem, Georgikon Campus, Keszthely)

 

International Editorial Board

  • Blum, Winfried E. H. (Institute for Soil Research, University of Natural Resources and Life Sciences (BOKU), Wien, Austria)
  • Hofman, Georges (Department of Soil Management, Ghent University, Gent, Belgium)
  • Horn, Rainer (Institute of Plant Nutrition and Soil Science, Christian Albrechts University, Kiel, Germany)
  • Inubushi, Kazuyuki (Graduate School of Horticulture, Chiba University, Japan)
  • Kätterer, Thomas (Swedish University of Agricultural Sciences (SLU), Sweden)
  • Lichner, Ljubomir (Institute of Hydrology, Slovak Academy of Sciences, Bratislava, Slovak Republic)
  • Loch, Jakab (Faculty of Agricultural and Food Sciences and Environmental Management, University of Debrecen, Debrecen, Hungary)
  • Nemes, Attila (Norwegian Institute of Bioeconomy Research, Ås, Norway)
  • Pachepsky, Yakov (Environmental Microbial and Food Safety Lab USDA, Beltsville, MD, USA)
  • Simota, Catalin Cristian (The Academy of Agricultural and Forestry Sciences, Bucharest, Romania)
  • Stolte, Jannes (Norwegian Institute of Bioeconomy Research, Ås, Norway)
  • Wendroth, Ole (Department of Plant and Soil Sciences, College of Agriculture, Food and Environment, University of Kentucky, USA)

         

Szili-Kovács, Tibor
ATK Talajtani Intézet
Herman Ottó út 15., H-1022 Budapest, Hungary
Phone: (+36 1) 212 2265
Fax: (+36 1) 485 5217
E-mail: editorial.agrokemia@atk.hu

Indexing and Abstracting Services:

  • CAB Abstracts
  • EMBiology
  • Global Health
  • SCOPUS
  • CABI

2020  
Scimago
H-index
9
Scimago
Journal Rank
0,179
Scimago
Quartile Score
Agronomy and Crop Science Q4
Soil Science Q4
Scopus
Cite Score
48/73=0,7
Scopus
Cite Score Rank
Agronomy and Crop Science 278/347 (Q4)
Soil Science 108/135 (Q4)
Scopus
SNIP
0,18
Scopus
Cites
48
Scopus
Documents
6
Days from submission to acceptance 130
Days from acceptance to publication 152
Acceptance
Rate
65%

 

2019  
Scimago
H-index
9
Scimago
Journal Rank
0,204
Scimago
Quartile Score
Agronomy and Crop Science Q4
Soil Science Q4
Scopus
Cite Score
49/88=0,6
Scopus
Cite Score Rank
Agronomy and Crop Science 276/334 (Q4)
Soil Science 104/126 (Q4)
Scopus
SNIP
0,423
Scopus
Cites
96
Scopus
Documents
27
Acceptance
Rate
91%

 

Agrokémia és Talajtan
Publication Model Hybrid
Submission Fee none
Article Processing Charge 900 EUR/article
Printed Color Illustrations 40 EUR (or 10 000 HUF) + VAT / piece
Regional discounts on country of the funding agency World Bank Lower-middle-income economies: 50%
World Bank Low-income economies: 100%
Further Discounts Editorial Board / Advisory Board members: 50%
Corresponding authors, affiliated to an EISZ member institution subscribing to the journal package of Akadémiai Kiadó: 100%
Subscription fee 2021 Online subsscription: 144 EUR / 194 USD
Print + online subscription: 160 EUR / 232 USD
Subscription fee 2022 Online subsscription: 146 EUR / 198 USD
Print + online subscription: 164 EUR / 236 USD
Subscription Information Online subscribers are entitled access to all back issues published by Akadémiai Kiadó for each title for the duration of the subscription, as well as Online First content for the subscribed content.
Purchase per Title Individual articles are sold on the displayed price.

Agrokémia és Talajtan
Language Hungarian, English
Size B5
Year of
Foundation
1951
Publication
Programme
2021 Volume 70
Volumes
per Year
1
Issues
per Year
2
Founder Magyar Tudományos Akadémia
Founder's
Address
H-1051 Budapest, Hungary, Széchenyi István tér 9.
Publisher Akadémiai Kiadó
Publisher's
Address
H-1117 Budapest, Hungary 1516 Budapest, PO Box 245.
Responsible
Publisher
Chief Executive Officer, Akadémiai Kiadó
ISSN 0002-1873 (Print)
ISSN 1588-2713 (Online)

Monthly Content Usage

Abstract Views Full Text Views PDF Downloads
Apr 2021 0 0 0
May 2021 0 0 0
Jun 2021 0 28 27
Jul 2021 0 42 35
Aug 2021 0 15 12
Sep 2021 0 12 12
Oct 2021 0 0 0

Felkért hozzászólás

Dobos Endre, Vadnai Péter, Bertóti Réka Diána, Kovács Károly, Michéli Erika, Szegi Tamás, Fullajtar Emil, Penizek Vit és Switoniak Marcin: „Új WRB alapú validációs adatbázis és validációs módszertan Közép-Európára, ValiDat.DSM” című cikkéhez (Agrokémia és Talajtan 63. (2) 393–408)

Author: Gábor Illés