Numerous studies have assessed the

Numerous studies have assessed the effects of climate change
on crop productivity in rainfed cropping systems in Australia at
various scales (Anwar et al., 2007; Bassu et al., 2011; Crimp et al.,
2008; Ludwig and Asseng, 2006; Potgieter et al., 2013; van Ittersum
et al., 2003; Wang et al., 2011; Yang et al., 2014). In these studies,
wheatwas the most commonly assessed crop, though there are other
important broadacre crops in the domain of rainfed cropping system
that dictates food crop productivity (ABARES, 2013). Analyses suggest
that considerable decreases in wheat yield (Ludwig and Asseng,
2006; van Ittersum et al., 2003; Yang et al., 2014) can be attributed
to reductions in rainfall in the projected climates. The relevant
research has demonstrated that the major constraints to rainfed cropping
include crop type, agronomy, climate, and soil type (Iizumi et al.,
2013; Olesen et al., 2011; White et al., 2011). Climate change constitutes
the major exogenous shock to which adaptation responses
specific for crop type, soil type and agronomy would be required.
In this article, five important broadacre crops inWestern and South-
Eastern Australia are considered. These include wheat (Triticum
aestivum L), barley (Hordeum vulgare L), lupins (Lupinus angustifolius),
canola (Brassica napus L) and field peas (Pisum sativum).
Impact assessments of climate change on agricultural crops often
use climate scenarios (Nakic´enovic´ and Swart, 2000) developed by
downscaling Global Climate Model (GCM) predictions to a region
of interest (e.g., Betts et al., 2011; Ines and Hansen, 2006; Robertson
et al., 2007), and these are crucial for planning adaptation strategies
(Anwar et al., 2013; Rodríguez et al., 2014; Stokes and Howden,
2010). The resulting climate scenarios are used as inputs to drive
process-oriented crop simulation models for impact assessment
(Alexandrov et al., 2002; Betts, 2005; Lobell, 2013; Ozdogan, 2011;
Reilly et al., 2003; Tubiello et al., 2002). Most crop simulation models
require daily climate data (de Wit and van Keulen, 1987; Keating
et al., 2003; Soussana et al., 2010; Stockle and Nelson, 2001).
However, one of the unpredictable aspects of climate change is the
future amount of annual rainfall and howit will be distributed during
the growing seasons (Folland et al., 2001; Ramirez-Villegas and
Challinor, 2012). Different GCM can provide different future projections
for a particular region (Laurent and Cai, 2007; Zhang and
Cai, 2013). Moreover, GCM grid-cell estimates over the studied land
surfaces may be influenced by the radiative forcing of the climate
system (Eric and Salathe, 2003; Mearns et al., 1996; Randall et al.,
2007). GCM grid-cells typically have coarse spatial resolutions of
hundreds of kilometres. Such estimates, in combination with different
emission scenarios and uncertainty originating from the choice
of GCMs (Beniston et al., 2007; Ines and Hansen, 2006; Nakic´enovic´
and Swart, 2000), can result in over- or underestimated rainfall
amounts that may not be applicable to future climates at regional
scales (Randall et al., 2007; World Bank, 2012, 2013). There is also
a diversity of approaches and methods available for making future
climate projections, including anomalies, variable corrections, climate
change factors, scaling, empirical relationships, and statistical
downscaling (e.g., Anwar et al., 2007; Ines and Hansen, 2006; Liu
and Zuo, 2012; Maraun et al., 2010; Randall et al., 2007; Timbal et al.,
2008). Commonly numerical models or statistical relationships are
used to develop future climate projections based on historical climate
records. This is done in conjunction with GCM grid-cell spatial
average values over the land surfaces being studied (IPCC, 2001;
Mearns et al., 1996; Randall et al., 2007).
When we use best-practice climate downscaling for individual
Australian locations, how do the climate sequences compare with
the historical record in terms of distributions of key variables? This
paper provides the first location-level estimates of projected climate
in three time periods spanning from the present to 2030, 2060 and
2090. Our analysis considers four important broadacre crop growing
regions in Australia by applying a statistically downscaled bias correction
method (Liu and Zuo, 2012) involving 18 GCMs under the
A2 emission scenario (Nakic´enovic´ and Swart, 2000). Other objectives
of this study were to quantify the impact of climate scenarios
(2030, 2060 and 2090) on yield and phenological variations of five
important broadacre crops (wheat, barley, lupin, canola, field pea)
grown in three different soil types and these results can be an important
basis for adaptations

ผลลัพธ์ (ไทย) 1:

การศึกษาจำนวนมากได้ประเมินผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศในผลผลิตพืชใน rainfed ครอบระบบในออสเตรเลียที่ต่าง ๆ ปรับขนาด (อันวา et al., 2007 Bassu et al., 2011 ใจคับ et al.,2008 ลุดวิกแห่งและ Asseng, 2006 Potgieter et al., 2013 รถตู้ Ittersumและ al., 2003 วัง et al., 2011 ยาง et al., 2014) ในการศึกษาเหล่านี้wheatwas ประเมินพืช ให้มากที่สุดโดยทั่วไปว่ามีอีกพืช broadacre สำคัญในโดเมนของ rainfed ครอบระบบที่บอกผลผลิตพืชอาหาร (ABARES, 2013) แนะนำวิเคราะห์ลดลงที่สำคัญในผลผลิตข้าวสาลี (ลุดวิกแห่งและ Assengปี 2006 รถตู้ Ittersum et al., 2003 สามารถเกิดจากยาง et al., 2014)การลดในปริมาณน้ำฝนในสภาพอากาศที่คาดการณ์ไว้ เกี่ยวข้องวิจัยได้สาธิตที่ข้อจำกัดสำคัญ rainfed ครอบรวม ถึงชนิดพืช เกษตรศาสตร์ อากาศ ดินชนิด (Iizumi et al.,2013 Al. Olesen ร้อยเอ็ด 2011 ขาวร้อยเอ็ด al., 2011) ถือการเปลี่ยนแปลงสภาพภูมิอากาศช็อตบ่อยสำคัญเพื่อตอบสนองการปรับเฉพาะเจาะจงสำหรับพืชชนิด ชนิดของดินและเกษตรศาสตร์จะต้องในบทความนี้ 5 inWestern broadacre สำคัญพืชและใต้-ออสเตรเลียตะวันออกจะถือว่า เหล่านี้รวมถึงข้าวสาลี (Triticumaestivum L), ข้าวบาร์เลย์ (Hordeum vulgare L), lupins (Lupinus angustifolius),คาโนลา (ผัก napus L) และถั่วลันเตาฟิลด์ (ลันเตา)ประเมินผลกระทบของสภาพภูมิอากาศเปลี่ยนแปลงพืชเกษตรมักจะใช้สถานการณ์สภาพภูมิอากาศ (Nakic´enovic´ และ Swart, 2000) พัฒนาโดยแบบจำลองภูมิอากาศโลก (บำรุง) คาดคะเนที่ downscaling เพื่อเป็นน่าสนใจ (เช่น Betts et al., 2011 ทุ่งนาและแฮนเซ่น 2006 โรเบิร์ตสันร้อยเอ็ด al., 2007), และเหล่านี้เป็นสิ่งสำคัญสำหรับการวางแผนปรับกลยุทธ์(อันวา et al., 2013 Rodríguez et al., 2014 สโตกส์และ Howden2010) . สถานการณ์สภาพภูมิอากาศเกิดขึ้นจะใช้เป็นอินพุตขับรูปแบบจำลองพืชมุ่งเน้นกระบวนการสำหรับการประเมินผลกระทบ(Alexandrov et al., 2002 Betts, 2005 Lobell, 2013 Ozdogan, 2011Reilly et al., 2003 Tubiello และ al., 2002) รูปแบบจำลองพืชมากที่สุดต้องการข้อมูลภูมิอากาศรายวัน (เดอปัญญาและแวน Keulen, 1987 คีทติงและ al., 2003 Soussana et al., 2010 Stockle กเนลสัน 2001)อย่างไรก็ตาม ด้านหนึ่งไม่แน่นอนของการเปลี่ยนแปลงสภาพภูมิอากาศเป็นจำนวนปริมาณน้ำฝนรายปีและ howit ในอนาคตจะมีการแจกจ่ายในระหว่างซีซั่นที่เพิ่มขึ้น (Folland et al., 2001 Ramirez Villegas และChallinor, 2012) การบำรุงรักษาแตกต่างกันสามารถให้การคาดการณ์ในอนาคตที่แตกต่างกันสำหรับภูมิภาคเฉพาะเจาะจง (Laurent และไก 2007 จาง และไก 2013) นอกจากนี้ ตารางการบำรุงรักษาเซลล์ประเมินผ่านที่ดิน studiedพื้นผิวที่อาจมีผลมาจากการบังคับ radiative สภาพภูมิอากาศระบบ (Eric และ Salathe, 2003 Mearns et al., 1996 Randall et al.,2007) การบำรุงรักษาตารางเซลล์โดยทั่วไปมีมติปริภูมิหยาบหลายร้อยกิโลเมตร ประเมินดังกล่าว ในชุดที่มีแตกต่างกันสถานการณ์มลพิษและความไม่แน่นอนเกิดจากทางเลือกของ GCMs (Beniston et al., 2007 ทุ่งนาและแฮนเซ่น 2006 Nakic´enovic´และ Swart, 2000), สามารถทำเกินหรือปริมาณน้ำฝน underestimatedยอดเงินที่ไม่อาจใช้ได้กับสภาพอากาศในอนาคตในภูมิภาคจัดมาตราส่วน (Randall et al., 2007 ธนาคารโลก 2012, 2013) นอกจากนี้ยังมีหลากหลายวิธีและมีวิธีการทำในอนาคตอากาศประมาณ รวมทั้งความผิด แก้ไขตัวแปร สภาพภูมิอากาศเปลี่ยนแปลงปัจจัย มาตราส่วน ความสัมพันธ์ประจักษ์ และสถิติdownscaling (เช่น อันวา et al., 2007 ทุ่งนาและแฮนเซ่น 2006 หลิวและซูยูเก ธีม 2012 Maraun et al., 2010 Randall et al., 2007 Timbal et al.,2008) . โดยทั่วไปรูปแบบตัวเลขหรือความสัมพันธ์ทางสถิติใช้ในการพัฒนาคาดการณ์สภาพภูมิอากาศในอนาคตขึ้นอยู่กับสภาพภูมิอากาศประวัติศาสตร์เรกคอร์ด นี้จะทำร่วมกับการบำรุงตารางเซลล์ปริภูมิค่าเฉลี่ยมากกว่าที่ดินพื้นผิวกำลังศึกษา (IPCC, 2001Mearns et al., 1996 Randall et al., 2007)เมื่อเราใช้ปฏิบัติอากาศ downscaling สำหรับแต่ละบุคคลที่ตั้งออสเตรเลีย วิธีทำลำดับอากาศเปรียบเทียบกับบันทึกทางประวัติศาสตร์ในแง่ของการกระจายของตัวแปรที่สำคัญหรือไม่ นี้บทความเรื่องการประเมินตำแหน่งระดับแรกคาดการณ์สภาพภูมิอากาศในสามรอบระยะเวลาที่รัฐจากปัจจุบัน-2030, 2060 และ2090. ของเราวิเคราะห์พิจารณา 4 broadacre สำคัญพืชเจริญเติบโตภูมิภาคในออสเตรเลีย โดยการใช้การแก้ไขตั้ง downscaled ทางสถิติวิธี (หลิวและซูยูเกธีม 2012) เกี่ยวข้องกับ GCMs 18 ภายใต้การA2 สถานการณ์มลพิษ (Nakic´enovic´ และ Swart, 2000) วัตถุประสงค์อื่น ๆof this study were to quantify the impact of climate scenarios(2030, 2060 and 2090) on yield and phenological variations of fiveimportant broadacre crops (wheat, barley, lupin, canola, field pea)grown in three different soil types and these results can be an importantbasis for adaptations

ผลลัพธ์ (ไทย) 2:

ศึกษาจำนวนมากได้รับการประเมินผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ
ในการผลิตพืชในระบบการปลูกพืชน้ำฝนในประเทศออสเตรเลียที่
ชั่งน้ำหนักต่างๆ (อันวาร์ et al, 2007;. Bassu et al, 2011;. Crimp, et al.
2008; ลุดวิกและ Asseng 2006; Potgieter et al, 2013;. รถตู้ Ittersum
. et al, 2003; Wang et al, 2011;. ยาง et al, 2014). ในการศึกษาเหล่านี้
wheatwas พืชส่วนใหญ่ประเมินทั่วไปแม้ว่าจะมีอื่น ๆ
พืช broadacre สำคัญในโดเมนของระบบการปลูกพืชน้ำฝน
ที่สั่งผลผลิตพืชอาหาร (ABARES 2013) การวิเคราะห์แสดงให้เห็น
ว่าการลดลงอย่างมากในการให้ผลผลิตข้าวสาลี (ลุดวิกและ Asseng,
2006; แวน Ittersum et al, 2003;.. ยาง et al, 2014) สามารถนำมาประกอบ
การลดลงของปริมาณน้ำฝนในสภาพอากาศที่คาดการณ์ไว้ ที่เกี่ยวข้อง
มีงานวิจัยที่แสดงให้เห็นว่าข้อ จำกัด ที่สำคัญในการปลูกพืชน้ำฝน
รวมถึงประเภทพืชพืชไร่สภาพภูมิอากาศและชนิดของดิน (Iizumi, et al.
2013; Olesen et al, 2011;.. ขาว et al, 2011) เปลี่ยนแปลงสภาพภูมิอากาศที่ถือว่าเป็น
ช็อตจากภายนอกที่สำคัญในการตอบสนองการปรับตัว
ที่เฉพาะเจาะจงสำหรับประเภทพืชชนิดของดินและพืชไร่จะต้อง.
ในบทความนี้ห้า broadacre สำคัญพืช inWestern เฉียงใต้และ
ตะวันออกของออสเตรเลียได้รับการพิจารณา เหล่านี้รวมถึงข้าวสาลี (Triticum
aestivum L) ข้าวบาร์เลย์ (Hordeum vulgare L) lupins (Lupinus angustifolius),
คาโนลา (Brassica napus L) และถั่วสนาม (pisum sativum).
การประเมินผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศในพืชผลทางการเกษตรมักจะ
ใช้สถานการณ์สภาพภูมิอากาศ (Nakic 'enovic' และผิวคล้ำ, 2000) ที่พัฒนาโดย
downscaling ภูมิอากาศโลกรุ่น (GCM) การคาดการณ์ไปยังภูมิภาค
ที่น่าสนใจ (เช่นเบตต์, et al, 2011;. Ines และแฮนเซน 2006 โรเบิร์ต
. et al, 2007) และเหล่านี้เป็น สิ่งสำคัญสำหรับการวางแผนกลยุทธ์การปรับตัว
(อันวาร์, et al, 2013;. Rodríguez et al, 2014;. คส์และฮาวเดน,
2010) ส่งผลให้สถานการณ์สภาพภูมิอากาศที่ถูกนำมาใช้เป็นปัจจัยการผลิตที่จะขับรถ
ที่มุ่งเน้นกระบวนการจำลองพืชสำหรับการประเมินผลกระทบ
(Alexandrov, et al., 2002; เบตต์ 2005 Lobell 2013; Ozdogan 2011;
ลี et al, 2003;. Tubiello et al, , 2002) ส่วนใหญ่รูปแบบจำลองการเพาะปลูก
ต้องใช้ข้อมูลสภาพภูมิอากาศในชีวิตประจำวัน (เดวิทย์และรถตู้ Keulen 1987; คีด
et al, 2003;.. Soussana et al, 2010; Stockle และเนลสัน, 2001).
แต่หนึ่งในด้านที่คาดเดาไม่ได้ของการเปลี่ยนแปลงสภาพภูมิอากาศเป็น
จำนวนเงินในอนาคตของปริมาณน้ำฝนประจำปีและ howit จะกระจายในช่วง
ฤดูกาลที่กำลังเติบโต (Folland et al, 2001;. รามิเรซ-Villegas และ
Challinor 2012) GCM ที่แตกต่างกันสามารถให้การประมาณการในอนาคตที่แตกต่างกัน
สำหรับภูมิภาค (Laurent และ Cai 2007; Zhang และ
Cai 2013) นอกจากนี้ประมาณการ GCM ตารางเซลล์ที่ผ่านการศึกษาที่ดิน
พื้นผิวที่อาจจะได้รับอิทธิพลจากรังสีบังคับของสภาพภูมิอากาศ
ระบบ (เอริคและ Salathe 2003. Mearns et al, 1996;. แรนดัล, et al,
2007) GCM ตารางเซลล์มักจะมีความละเอียดเชิงพื้นที่หยาบของ
หลายร้อยกิโลเมตร ประมาณการดังกล่าวในการรวมกันกับที่แตกต่างกัน
สถานการณ์ปล่อยก๊าซเรือนกระจกและความไม่แน่นอนที่เกิดจากการเลือก
ของ GCMs (Beniston et al, 2007;. Ines และแฮนเซน, 2006; Nakic'enovic'
และผิวคล้ำ, 2000) จะส่งผลให้เกินหรือประเมินปริมาณน้ำฝน
จำนวน ที่อาจจะไม่ใช้บังคับกับภูมิอากาศในอนาคตภูมิภาค
เครื่องชั่งน้ำหนัก (แรนดัล, et al, 2007;. World Bank, 2012, 2013) นอกจากนี้ยังมี
ความหลากหลายของวิธีการและวิธีการที่ใช้ได้สำหรับการทำในอนาคต
คาดการณ์สภาพภูมิอากาศรวมถึงความผิดปกติของการแก้ไขตัวแปรสภาพภูมิอากาศ
ปัจจัยการเปลี่ยนแปลงการปรับความสัมพันธ์เชิงประจักษ์และสถิติ
downscaling (เช่นอันวาร์ et al, 2007;. Ines และแฮนเซน, 2006; หลิว
และ Zuo 2012; Maraun et al, 2010;.. แรนดัล, et al, 2007;. Timbal, et al,
2008) โดยทั่วไปรูปแบบตัวเลขหรือความสัมพันธ์ทางสถิติที่จะ
ใช้ในการพัฒนาการคาดการณ์ภูมิอากาศในอนาคตขึ้นอยู่กับสภาพภูมิอากาศที่ประวัติศาสตร์
บันทึก นี้จะกระทำร่วมกับเกรทไชน่ากริดเซลล์อวกาศ
ค่าเฉลี่ยมากกว่าพื้นผิวดินแดนที่มีการศึกษา (IPCC 2001;
Mearns et al, 1996;.. แรนดัล, et al, 2007).
เมื่อเราใช้สภาพภูมิอากาศปฏิบัติที่ดีที่สุดสำหรับบุคคล downscaling
ออสเตรเลีย สถานที่วิธีการทำลำดับสภาพภูมิอากาศเปรียบเทียบกับ
บันทึกประวัติศาสตร์ในแง่ของการกระจายของตัวแปรที่สำคัญ? นี้
กระดาษให้ประมาณการที่ตั้งระดับแรกของสภาพภูมิอากาศที่คาดการณ์ไว้
ในช่วงเวลาสามทอดจากปัจจุบัน 2030, 2060 และ
2090 การวิเคราะห์ของเราจะพิจารณาสี่ broadacre พืชสำคัญที่เพิ่มขึ้น
ในภูมิภาคในประเทศออสเตรเลียโดยใช้สถิติ downscaled แก้ไขอคติ
วิธี (หลิวและ Zuo 2012) ที่เกี่ยวข้องกับ 18 GCMs ภายใต้
สถานการณ์การปล่อย A2 (Nakic'enovic' และผิวคล้ำ, 2000) วัตถุประสงค์อื่น ๆ
ของการศึกษาครั้งนี้มีปริมาณผลกระทบของสถานการณ์สภาพภูมิอากาศ
(2030, 2060 และ 2090) ที่มีต่อผลผลิตและรูปแบบ phenological ห้า
พืช broadacre สำคัญ (ข้าวสาลีข้าวบาร์เลย์หมาป่า, คาโนลา, ถั่วเขต)
ที่ปลูกในดินสามประเภทที่แตกต่างกันและสิ่งเหล่านี้ ผลจะเป็นสิ่งสำคัญ
พื้นฐานสำหรับการปรับตัว

ผลลัพธ์ (ไทย) 3:

การศึกษามากมายได้ประเมิน ผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศต่อการผลิตพืช
น้ำฝนในระบบการปลูกพืชในออสเตรเลียที่
ระดับต่างๆ ( อันวาร์ et al . , 2007 ; bassu et al . , 2011 ; จีบ et al . ,
2008 ; ลุดวิกและ asseng , 2006 ; potgieter et al . , 2013 ; ittersum
et al , รถตู้ . , 2003 ; Wang et al . , 2011 ; ยาง et al . , 2010 ) ในการศึกษาเหล่านี้
wheatwas บ่อยที่สุดจากพืชแม้ว่ามีอีก
broadacre พืชสำคัญในโดเมนของระบบการเพาะปลูกอาศัยน้ำฝน
ที่สั่งการพืชอาหารผลผลิต ( abares 2013 ) ข้อมูลแนะนำ
ที่ลดลงในข้าวสาลีมากผลผลิต ( ลุดวิกและ asseng
, 2006 ; รถตู้ ittersum et al . , 2003 ; ยาง et al . , 2014 ) สามารถประกอบ
เพื่อลดปริมาณน้ำฝนในคาดการณ์สภาพอากาศ .
ที่เกี่ยวข้องการวิจัยได้แสดงว่า ระบบการปลูกพืชแบบอาศัยน้ำฝน
รวม , พืชไร่ , อากาศ และชนิดของดิน ( iizumi et al . ,
2013 ; โอลีเซ่น et al . , 2011 ; สีขาว et al . , 2011 ) การเปลี่ยนแปลงภูมิอากาศถือเป็น
ช็อกภายนอกสาขา ซึ่งการตอบสนองการปรับตัว
เฉพาะชนิดพืช ชนิดของดิน และพืชไร่จะต้อง .
ในบทความนี้ที่สำคัญ 5 broadacre พืช inwestern และใต้ -
ภาคตะวันออกของออสเตรเลียเป็นสำคัญ เหล่านี้รวมถึงข้าวสาลี ( triticum
aestivum L ) , ข้าวบาร์เลย์ ( hordeum vulgare L ) ลูพิน ( กูปรี angustifolius )
คาโนลา ( ผักกาดก้านขาว L ) และทุ่งถั่ว ( pisum sativum ) .
ผลกระทบของการเปลี่ยนแปลงภูมิอากาศในพืชผลทางการเกษตรมักจะ
ใช้บรรยากาศสถานการณ์การประเมิน ( nakic ใหม่และ enovic ใหม่สวาต , 2000 ) ที่พัฒนาโดย
downscaling แบบจำลองภูมิอากาศโลก ( GCM ) คาดคะเนไปยังภูมิภาค
ที่น่าสนใจ ( เช่น เบต et al . , 2011 ; และไอน์แฮนเซน , 2006 ; โรเบิร์ต
et al . , 2007 ) , และเหล่านี้เป็นสำคัญสำหรับการวางแผนกลยุทธ์การปรับตัว
( อันวาร์ et al . , 2013 ; มาร์ตินลุยส์โรดรีเกซ et al . , 2014 ฮาวเดน
; อาหาร , 2553 ) ส่งผลให้สถานการณ์ภูมิอากาศที่ใช้เป็นปัจจัยการผลิตเพื่อขับ
เน้นกระบวนการแบบจำลองสถานการณ์พืชสำหรับ
การประเมินผลกระทบ ( alexandrov et al . , 2002 ; เบต , 2005 ; lobell 2013 ; ozdogan 2011 ;
Reilly et al . , 2003 ; tubiello et al . , 2002 ) มากที่สุดรูปแบบจำลองพืช
ต้องการข้อมูลภูมิอากาศรายวัน ( เดอปัญญาและรถตู้ keulen , 1987 ; Keating
et al . , 2003 ; soussana et al . , 2010 ; stockle เนลสัน , 2001 ) .
แต่ด้านหนึ่งที่ไม่แน่นอนของการเปลี่ยนแปลงสภาพภูมิอากาศ
ปริมาณฝนรายปีและอนาคตของ howit จะกระจายในช่วงฤดูปลูก (
folland et al . , 2001 ; รามิเรซและ villegas
แชลลีเนอร์ , 2012 ) สามารถให้ที่แตกต่างกันแตกต่างกัน GCM ในอนาคตประมาณการ
สำหรับภูมิภาคโดยเฉพาะ ( Laurent และ CAI , 2007 ; Zhang และ
ไช่ , 2013 ) โดย GCM กริดเซลล์ประมาณ
) ที่ดิน