Name: Verwendung der wichtigsten Komponenten für die Aufstockung topographische Modelle zuordnen Boden Umverteilung und Boden organischen Kohlenstoff (Video) | JoVE Journal
Uploaded: 2018-10-16T14:00:00.000+00:00
Duration: 9 min 44 s
Description: Erfahren Sie die schrittweise Hauptkomponentenregression zur Vorhersage von Bodenumverteilung und organischem Kohlenstoff in der Landwirtschaft. Diese Methode ermöglicht kostengünstige Schätzungen auch bei begrenzten Beobachtungsdaten.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Diese Forschung wurde unterstützt durch die USDA Natural Resources Conservation Service in Verbindung mit der Feuchtgebiet Bestandteil der nationalen Effekte Bewertung Naturschutzprojekt (NRCS 67-3A75-13-177).

1. topografische Analysen
<ol><li>Digitale Daten Vorverarbeiten<ol>
<li>LiDAR-Daten aus der GeoTREE LiDAR Mapping-Projekt-Website zu sammeln. Wählen Sie "Begrenzungstyp" und "Region" in einem bestimmten Bereich zu vergrößern. Zeichnen Sie ein Polygon LiDAR-Fliesen für das gewählte Untersuchungsgebiet herunterladen.</li>
		<li>Konvertieren Sie die LiDAR-Rohdaten in eine LAS-Datei mit geographic Information System (GIS)-Mapping-Tool.</li>
		<li>DEMs mit einem 3-m räumlicher Auflösung mit inversen Entfernung gewichtet Interpolation zu generieren.</li>
		<li>Filter der 3-m-DEMs zweimal ein 3-Kernel Tiefpassfilter, Geräusche zu reduzieren mit lokalen Variante zuordnen.</li>
	</ol>
</li>
	<li>Topographische metrische generation<ol>
<li>Zuerst herunterladen Sie um topographische Metriken zu generieren, die neueste Version von System für automatisierte geowissenschaftliche Analysen (SAGA)23. Klicken Sie auf "Importieren Raster" im Bereich Import/Export um die gefilterte 3-m-DEMs in SAGA zu importieren.</li>
		<li>Klicken Sie auf die "Neigung, Aspekt, Krümmung" Modul-Saga mit den Standardeinstellungen, die Neigung zu generieren und im Zusammenhang mit der Krümmung [Profil Krümmung (P_Cur), Plan Krümmung (Pl_Cur) und allgemeine Krümmung (G_Cur)] Metriken mit dem gefilterten DEMs (Abbildung 1).</li>
		<li>Klicken Sie auf das Modul "Flow Accumulation (Top-Down)"-Saga, und wählen Sie "Deterministische Infinity" als Methode zur Strömung Akkumulation (FA) metrisch mit den gefilterten DEMs zu generieren.</li>
		<li>Klicken Sie auf das Modul "SAGA topographische Offenheit" mit den Standardeinstellungen, die positive Offenheit (POP) Metrik mit einem gefilterten z-verstärkte Bild zu generieren.</li>
		<li>Klicken Sie auf das Modul "LS-Faktor (Feld basierend)" Saga mit den Standardeinstellungen zu generieren Upslope Hang (Upsl) und Länge (LS_FB) Faktor Metriken mit dem gefilterten DEMs Neigung.</li>
		<li>Klicken Sie auf das "Flow Weglänge" Modul-Saga mit den Standardeinstellungen, die Strömung Weg Länge (FPL) Metrik mit der gefilterten DEMs zu generieren.</li>
		<li>Klicken Sie auf das "Hangabwärts Abstand Gradient" Modul-Saga mit den Standardeinstellungen, die hangabwärts Index (DI) metrisch mit den gefilterten DEMs zu generieren.</li>
		<li>Klicken Sie auf das Modul "SAGA-Nässe-Index" und wählen Sie "absolute Einzugsgebiet" als Satzspiegel, Einzugsgebiet (CA) und topografischen Nässe Index (TWI) Metriken mit dem gefilterten DEMs zu generieren.</li>
		<li>Klicken Sie auf das Modul "Stream Power Index" der SAGA und wählen Sie "Pseudo bestimmten Einzugsgebiet" als der Bereich Umstellung auf der Stream macht Index (SPI) metrisch mit den gefilterten DEMs zu generieren.</li>
		<li>Maximale Höhe Karten mit mehreren Radien zu generieren. Filtern Sie die maximale Höhe Karten zweimal durch einen 3-Kernel Tiefpass-Filter. Subtrahieren Sie die gefilterten 3-m DM aus den gefilterten maximale Höhe Karten um eine Reihe von Reliefkarten zu erhalten. Eine Reihe von Relief Variablen um eine Anzahl von Orten zu extrahieren.</li>
		<li>Führen Sie Hauptkomponentenanalyse (PCA) auf die Relief-Variablen, die Reliefs in topographische Relief Komponenten umzuwandeln. Wählen Sie die Hauptkomponenten, die erklären, mehr als 90 % Varianz des Relief-Datasets als die topographische Relief-Metriken.</li>
	</ol>
</li>
</ol>(2) Felddatenerfassung
<ol><li>Feld der Probenahme<ol>
<li>Wählen Sie eine Reihe von Ackerland Feld Orte, die die Landschaft Merkmale des untersuchungsgebiets angemessen darstellen können und mehrere repräsentative handwerkliche Ackerland Felder, die intensiv verkostet werden können. Hinweis: Die Bodenproben aus zwei Äckern gesammelt wurden für Kalibrierung verwendet. Bodenproben aus das gesamte Untersuchungsgebiet gesammelt wurden für die Modellvalidierung verwendet.</li>
		<li>Hochladen Sie die Probe-Standort-Koordinaten auf einer Code-basierte geografische Positionsbestimmungssystem (GPS) und platzieren Sie sie physisch in den Bereichen.</li>
		<li>Sammeln Sie 3 Proben für jede Probenahmeort aus der oberen 30 cm Bodenschicht mit einer Push-Sonde (3,2 cm im Durchmesser). Hinweis: Bodenproben aus 30-50 cm Schichten wurden an den Standorten gesammelt, Sediment Ablagerung erwartet wurde. Die Lautstärke jeder Probe wurde 241 cm3.</li>
		<li>Geographische Koordinaten Datensatzinformationen der Probenahme Standorten mit Hilfe von GPS.</li>
		<li>Wiegen Sie die Bodenproben nach deren Trocknung bei 90 ° C für 48 h. berechnen Bodendichte anhand von Informationen der Gesamtstichprobe Volumen an Probenahme Standorten und Gewichte. Mischen Sie die drei Proben von der gleichen Stelle auf eine zusammengesetzten Bodenprobe zu bekommen.</li>
	</ol>
</li>
	<li>Boden-Probenvorbereitung<ol>
<li>Die zusammengesetzten Bodenproben mit einem 2-mm-Bildschirm durch ein Sieb.</li>
		<li>Schleifen Sie eine Teilstichprobe von 10 g des gesiebten Bodens zu einem sehr feinen Pulver mit einem Walzenstuhl.</li>
	</ol>
</li>
	<li>Bodenuntersuchungen Probe<ol>
<li>Messen der gesamte Kohlenstoff im Boden (C) Inhalte in Walze gefräst Proben durch Verbrennung auf einem elementaren CN-Analysator bei einer Temperatur von 1350 ° C. Schätzen Sie Calciumcarbonat C Inhalt durch die Analyse der verbleibenden C nach der organischen Substanz im Boden bei einer Temperatur von 420 ° C 16 h im Ofen backen.</li>
		<li>Berechnen Sie SOC-Gehalt (%) durch Subtrahieren von Kalziumkarbonat C Inhalt aus gesamtboden C Inhalt. SOC-Dichte (kg m-2) mit Bodendichte umwandeln Sie SOC-Gehalt (%).</li>
		<li>Marinelli Bechergläser 2 mm gesiebten Boden Mischproben hinein und verschließt diese. Messen Sie 137Cs Konzentration von jeder Probe durch Gammastrahlen-Analyse mit einem Spektroskopie-System, die nimmt Eingaben aus drei hochreine Koaxial Germanium Kristalle (HpCN30 % Effizienz) in 8192-Kanal-Analysatoren (siehe Tabelle der Materialien ).</li>
		<li>Kalibrieren Sie das System mit einer analytischen gemischte Radionuklid standard11. 137Cs Inventar mit Bodendichte 137Cs Konzentration umwandeln.</li>
		<li>Berechnen Sie Boden Umverteilung Rate mit 137Cs Inventar durch die Anwendung der Mass Balance Modell II (MBMII) in einem Tabellenkalkulationsprogramm-add-in von Walling Et Al. entwickelt 24.</li>
	</ol>
</li>
</ol>3. Topographie-basiertes Modell-Entwicklung
<ol><li>Topographische Hauptbestandteil Schätzung<ol>
<li>Extrahieren Sie die topographischen Metriken für die Probenahme Standorten in das gesamte Untersuchungsgebiet und die kleinen Ackerland Felder.</li>
		<li>Standardisieren Sie die topographischen Metriken der Probenahme Standorte im gesamten Untersuchungsgebiet mit Mittelwert und Standardabweichung. Schätzen Sie die topographischen metrische Belastungen in jeder Komponente auf Basis der standardisierten topographischen Metriken mit PCA mit Statistiksoftware. Sammeln Sie die topographischen metrische Belastungen in jedem topographische Hauptkomponente (TPC) und wählen Sie die oberste TPCs, die 90 % Varianz aller Metriken zu erklären.</li>
		<li>Die topographischen Metriken der Probenahme lagen in den Bereichen kleine Ackerland zu standardisieren. Berechnen Sie die oberen TPCs für jeden Standort durch Summe von der standardisierten topographischen Metriken, gewichtet mit den entsprechenden Belastungen aus den Sampling-Standorten in der WCW.</li>
	</ol>
</li>
	<li>Kalibrierung<ol>
<li>Führen Sie schrittweise gewöhnliche zumindest quadratische Regression (SOLSR), Topographie-basierte SOLSRf -Modelle für SOC Dichte und Boden Umverteilung Preise basieren auf alle topographischen Metriken auf den kleinen Äckern zu entwickeln. Verwenden Sie Akaike Information Kriterium (AIC) und Leave-One-Out Kreuzvalidierung, um die optimale Kombination von topographische Metriken für die am besten ausgestattete SOLSRf Modelle auszuwählen.</li>
		<li>Überprüfen Sie die Kollinearität zwischen den topographischen Variablen mit der Varianz Inflation Faktor (VIF). Entfernen Sie die Variablen mit den größten VIF (VIF ≥ 7,525), und überprüfen Sie erneut VIF. Die Variablen zu entfernen, bis die Vif aller Variablen < 7.5 sind. Führen Sie SOLSR um zu entwickeln Topographie-basierte SOLSRR SOC Dichte und Boden Umverteilung Preise basieren auf topographische Metriken, die entfernten hohen Kollinearität Variablen wurden. Verwenden Sie die AIC und Leave-One-Out Kreuzvalidierung, um die optimale Kombination für die am besten ausgestattete SOLSR-R -Modelle auszuwählen.</li>
		<li>Führen Sie schrittweise Hauptbestandteil Regression (SPCR) zur Entwicklung Topographie-basierte SPCR Modelle für SOC Dichte und Umverteilung Preise basieren auf TPCs auf den kleinen Äckern des Bodens. Verwenden Sie die AIC und Leave-One-Out Kreuzvalidierung um die optimale Kombination von TPCs für die am besten ausgestattete SPCR Modelle auszuwählen.</li>
		<li>Berechnen der bereinigte Koeffizient der Bestimmung (Radj2), Nash Sutcliffe Effizienz (NSE) und Verhältnis von der Root-Mean-Square-Fehler, die Standardabweichung der gemessenen Daten (RSR) Modell Effizienz zu beurteilen.</li>
	</ol>
</li>
	<li>Modellevaluierung<ol>
<li>SOC-Dichte zu schätzen und Umverteilung Preise im gesamten Untersuchungsgebiet durch Anwendung der geschätzten Modelle des Bodens.</li>
		<li>Das entwickelte Modell durch den Vergleich der Vorhersage mit gemessenen Dataset SOC Dichte zu validieren und Umverteilung Preise im gesamten Untersuchungsgebiet des Bodens. Bewerten die Modell-Leistungen mit Radj2, NSE und RSR Werte.</li>
	</ol>
</li>
</ol>

<ol><li>Lal, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Soil+erosion+and+carbon+dynamics%5BTitle%5D)+AND+%22Soil+and+Tillage+Research%22%5BJournal%5D)">Soil erosion and carbon dynamics.</a> Soil and Tillage Research. 81 (2), 137-142 (2005).</li>
<li>Fox, J. F., Papanicolaou, A. N. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/full/10.1111/j.1752-1688.2007.00087.x">The use of carbon and nitrogen isotopes to study watershed erosion processes.</a> Journal of the American Water Resources Association. 43 (4), 1047-1064 (2007).</li>
<li>Hemelryck, H. V., Fiener, P., Van Oost, K., Govers, G., Merckx, R. <a target="_blank" href="https://www.biogeosciences.net/7/3971/2010/">The effect of soil redistribution on soil organic carbon: An experimental study.</a> Biogeosciences. 7 (12), 3971-3986 (2010).</li>
<li>McCarty, G. W., Ritchie, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impact+of+soil+movement+on+carbon+sequestration+in+agricultural+ecosystems%5BTitle%5D)+AND+%22Environmental+Pollution%22%5BJournal%5D)">Impact of soil movement on carbon sequestration in agricultural ecosystems.</a> Environmental Pollution. 116 (3), 423-430 (2002).</li>
<li>Quine, T. A., van Oost, K. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1365-2486.2007.01457.x">Quantifying carbon sequestration as a result of soil erosion and deposition: Retrospective assessment using caesium-137 and carbon inventories.</a> Global Change Biology. 13 (12), 2610-2625 (2007).</li>
<li>Polyakov, V. O., Lal, R. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0016706107003230">Soil organic matter and CO2 emission as affected by water erosion on field runoff plots.</a> Geoderma. 143 (1-2), 216-222 (2008).</li>
<li>Balesdent, J., Mariotti, A., Boisgontier, D. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1365-2389.1990.tb00228.x">Effect of tillage on soil organic carbon mineralization estimated from 13C abundance in maize fields.</a> Journal of Soil Science. 41, 587-596 (1990).</li>
<li>Van Oost, K., et al. <a target="_blank" href="http://agris.fao.org/agris-search/search.do?recordID=US201301060693">Landscape-scale modeling of carbon cycling under the impact of soil redistribution: The role of tillage erosion.</a> Global Biogeochemical Cycles. 19 (4), 1-13 (2005).</li>
<li>De Gryze, S., Six, J., Bossuyt, H., Van Oost, K., Merckx, R. <a target="_blank" href="https://dial.uclouvain.be/pr/boreal/en/object/boreal%3A36719">The relationship between landform and the distribution of soil C, N and p under conventional and minimum tillage.</a> Geoderma. 144 (1-2), 180-188 (2008).</li>
<li>Zhang, J., Quine, T. A., Ni, S., Ge, F. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1365-2486.2006.01206.x">Stocks and dynamics of SOC in relation to soil redistribution by water and tillage erosion.</a> Global Biogeochemical Cycles. 12, 1834-1841 (2006).</li>
<li>Ritchie, J. C., McCarty, G. W., Venteris, E. R., Kaspar, T. C. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0169555X06003643">Soil and soil organic carbon redistribution on the landscape.</a> Geomorphology. 89, 163-171 (2007).</li>
<li>Vander Perk, M., Slávik, O., Fulajtár, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessment+of+spatial+variation+of+cesium-137+in+small+catchments%5BTitle%5D)+AND+%22Journal+of+Environmental+Quality%22%5BJournal%5D)">Assessment of spatial variation of cesium-137 in small catchments.</a> Journal of Environmental Quality. 31 (6), 1930-1939 (2002).</li>
<li>Rezaei, S. A., Gilkes, R. J. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0016706104001910">The effects of landscape attributes and plant community on soil physical properties in rangelands.</a> Geoderma. 125 (1-2), 145-154 (2005).</li>
<li>Rieke-Zapp, D. H., Nearing, M. A. <a target="_blank" href="http://agris.fao.org/agris-search/search.do?recordID=US201301026559">Slope shape effects on erosion: a laboratory study.</a> Soil Science Society of America Journal. 69 (5), 1463-1471 (2005).</li>
<li>Schwanghart, W., Jarmer, T. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0169555X10005192">Linking spatial patterns of soil organic carbon to topography - A case study from south-eastern Spain.</a> Geomorphology. 126 (1-2), 252-263 (2011).</li>
<li>Dialynas, Y. G., et al. <a target="_blank" href="https://agupubs.onlinelibrary.wiley.com/doi/full/10.1002/2015GB005302">Topographic variability and the influence of soil erosion on the carbon cycle.</a> Global Biogeochemical Cycles. 30, 644-660 (2016).</li>
<li>Li, X., McCarty, G. W., Karlen, D. L., Cambardella, C. A. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0341816217303168">Topographic metric predictions of soil redistribution and organic carbon in Iowa cropland fields.</a> Catena. 160, 222-232 (2018).</li>
<li>Amore, E., Modica, C., Nearing, M. A., Santoro, V. C. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0022169404000587">Scale effect in USLE and WEPP application for soil erosion computation from three Sicilian basins.</a> Journal of Hydrology. 293 (1-4), 100-114 (2004).</li>
<li>Doetterl, S., et al. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0012825215300817">Erosion, deposition and soil carbon: A review of process-level controls, experimental tools and models to address C cycling in dynamic landscapes.</a> Earth-Science Reviews. 154, 102-122 (2016).</li>
<li>Gessler, P. E., Chadwick, O. A., Chamran, F., Althouse, L., Holmes, K. <a target="_blank" href="https://www.cabdirect.org/cabdirect/abstract/20013011142">Modeling soil-landscape and ecosystem properties using terrain attributes.</a> Soil Science Society of America Journal. 64 (6), 2046-2056 (2000).</li>
<li>Montgomery, D. R., Brandon, M. T. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0012821X02007252">Topographic controls on erosion rates in tectonically active mountain ranges.</a> Earth and Planetary Science Letters. 201 (3-4), 481-489 (2002).</li>
<li>Pan, B., Geng, H., Hu, X., Sun, R., Wang, C. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0012821X10000646">The topographic controls on the decadal-scale erosion rates in Qilian Shan Mountains N.W. China.</a> Earth and Planetary Science Letters. 292 (1-2), 148-157 (2010).</li>
<li>Conrad, O., et al. System for Automated Geoscientific Analyses (SAGA) v . 2.1.4. <a target="_blank" href="http://saga-gis.org/en/index.html">Geoscientific Model Development</a>. 8, 1991-2007 (2015).</li>
<li>Walling, D. E., Zhang, Y., He, Q. <a target="_blank" href="https://inis.iaea.org/search/search.aspx?orig_q=RN:43009303">Models for deriving estimates of erosion and deposition rates from fallout radionuclide (caesium-137, excess lead-210, and beryllium-7) measurements and the development of user friendly software for model implementation (IAEA-TECDOC-1665).</a> International Atomic Energy Agency. , 11-33 (2011).</li>
<li>Sindayihebura, A., Ottoy, S., Dondeyne, S., Van Meirvenne, M., Van Orshoven, J. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S034181621730125X">Comparing digital soil mapping techniques for organic carbon and clay content Case study in Burundi's central plateaus.</a> Catena. 156, 161-175 (2017).</li>
<li>Schumacher, J. A., Kaspar, T. C., Ritchie, J. C., Schumacher, T. E., Karlen, D. L. <a target="_blank" href="http://www.jswconline.org/content/60/6/355.short">Identifying spatial patterns of erosion for use in precision conservation.</a> Journal of Soil and Water Conservation. 60 (6), 355-362 (2005).</li>
<li>Young, C. J., et al. <a target="_blank" href="https://pubs.er.usgs.gov/publication/70188047">Evaluation of a model framework to estimate soil and soil organic carbon redistribution by water and tillage using 137Cs in two U.S. Midwest agricultural fields.</a> Geoderma. 232, 437-448 (2014).</li>
<li>Afshar, F. A., Ayoubi, S., Jalalian, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Soil+redistribution+rate+and+its+relationship+with+soil+organic+carbon+and+total+nitrogen+using+137Cs+technique+in+a+cultivated+complex+hillslope+in+western+Iran%5BTitle%5D)+AND+%22Journal+of+Environmental+Radioactivity%22%5BJournal%5D)">Soil redistribution rate and its relationship with soil organic carbon and total nitrogen using 137Cs technique in a cultivated complex hillslope in western Iran.</a> Journal of Environmental Radioactivity. 101 (8), 606-614 (2010).</li>
<li>Li, Q. Y., Fang, H. Y., Sun, L. Y., Cai, Q. G. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/full/10.1002/ldr.2144#references-section">Using the 137Cs technique to study the effect of soil redistribution on soil organic carbon and total nitrogen stocks in an agricultural catchment of Northeast China.</a> Land Degradation & Development. 25 (4), 350-359 (2014).</li>
<li>Troch, P., Van Loon, E., Hilberts, A. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0309170802000179">Analytical solutions to a hillslope-storage kinematic wave equation for subsurface flow.</a> Advances in Water Resources. 25 (6), 637-649 (2002).</li>
<li>Tucker, G. E., Bras, R. L. <a target="_blank" href="https://agupubs.onlinelibrary.wiley.com/doi/10.1029/98WR01474">Hillslope processes, drainage density, and landscape morphology.</a> Water Resources Research. 34 (10), 2751-2764 (1998).</li>
<li>Seijmonsbergen, A. C., Hengl, T., Anders, N. S. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/B9780444534460000100">Semi-Automated Identification and Extraction of Geomorphological Features Using Digital Elevation Data.</a> Developments in Earth Surface Processes. 15, (2011).</li>
<li>Moore, I. D., Grayson, R. B., Ladson, D. A. R. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/abs/10.1002/hyp.3360050103">Digital terrain modelling: A review of hydrological, geomorphological, and biological applications.</a> Hydrological Processes. 5, 3-30 (1991).</li>
<li>Kirkby, M. J. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/abs/10.1002/esp.3556">Do not only connect: A model of infiltration-excess overland flow based on simulation.</a> Earth Surface Processes and Landforms. 39 (7), 952-963 (2014).</li>
<li>Sharpley, A., Kleinman, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effect+of+rainfall+simulator+and+plot+scale+on+overland+flow+and+phosphorus+transport%5BTitle%5D)+AND+%22Journal+of+Environmental+Quality%22%5BJournal%5D)">Effect of rainfall simulator and plot scale on overland flow and phosphorus transport.</a> Journal of Environmental Quality. 32 (6), 2172-2179 (2003).</li>
<li>Hjerdt, K. N. <a target="_blank" href="https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2004WR003130">A new topographic index to quantify downslope controls on local drainage.</a> Water Resources Research. 40 (5), 1-6 (2004).</li>
<li>Kasai, M., Marutani, T., Reid, L. M., Trustrum, N. A. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/full/10.1002/1096-9837%28200101%2926%3A1%3C1%3A%3AAID-ESP146%3E3.0.CO%3B2-9">Estimation of temporally averaged sediment delivery ratio using aggradational terraces in headwater catchments of the Waipaoa River, North Island, New Zealand.</a> Earth Surface Processes and Landforms. 26 (1), 1-16 (2001).</li>
<li>Lang, M. W., McCarty, G. W., Oesterling, R., Yeo, I. Y. <a target="_blank" href="https://link.springer.com/article/10.1007/s13157-012-0359-8">Topographic metrics for improved mapping of forested wetlands.</a> Wetlands. 33 (1), 141-155 (2013).</li>
<li>Li, X., et al. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0016706117302951">Topographic and physicochemical controls on soil denitrification in prior converted croplands located on the Delmarva Peninsula, USA.</a> Geoderma. 309, 41-49 (2018).</li>
<li>Conforti, M., Aucelli, P. P. C., Robustelli, G., Scarciglia, F. <a target="_blank" href="https://link.springer.com/article/10.1007/s11069-010-9598-2">Geomorphology and GIS analysis for mapping gully erosion susceptibility in the Turbolo stream catchment (Northern Calabria, Italy).</a> Natural Hazards. 56 (3), 881-898 (2011).</li>
<li>Dormann, C. F., et al. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/10.1111/j.1600-0587.2012.07348.x">Collinearity: A review of methods to deal with it and a simulation study evaluating their performance.</a> Ecography. 36 (1), 027-046 (2013).</li>
<li>Fodor, I. K. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aFodor%2C+IK+%22A+survey+of+dimension+reduction+techniques%22">A survey of dimension reduction techniques</a>. 9, Center for Applied Scientific Computing. Lawrence Livermore National Laboratory. 1-18 (2002).</li>
<li>Quijano, L., Gaspar, L., Navas, A. <a target="_blank" href="https://www.sciencedirect.com/science/article/pii/S0167198715300246">Spatial patterns of SOC, SON, 137 Cs and soil properties as affected by redistribution processes in a Mediterranean cultivated field (Central Ebro Basin).</a> Soil and Tillage Research. 155, 318-328 (2016).</li>
<li>Næs, T., Martens, H. <a target="_blank" href="https://onlinelibrary.wiley.com/doi/abs/10.1002/cem.1180020207">Principal component regression in NIR analysis: Viewpoints, background details and selection of components.</a> Journal of Chemometrics. 2 (2), 155-167 (1988).</li>
<li>Shlens, J. <a target="_blank" href="https://arxiv.org/abs/1404.1100">A Tutorial on Principal Component Analysis.</a> Measurement. 51, 52(2014).</li>
<li>Heckrath, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tillage+erosion+and+its+effect+on+soil+properties+and+crop+yield+in+Denmark%5BTitle%5D)+AND+%22Journal+of+Environmental+Quality%22%5BJournal%5D)">Tillage erosion and its effect on soil properties and crop yield in Denmark.</a> Journal of Environmental Quality. 34, 312-324 (2005).</li>
<li>Tarboron, G. <a target="_blank" href="https://agupubs.onlinelibrary.wiley.com/doi/10.1029/96WR03137">A new method for the determination of flow directions and upslope areas in grid digital elevation models.</a> Water Resources Research. 33 (2), 309-319 (1997).</li>
</ol>

Die Autoren haben nichts preisgeben.

SOLSR-f -Modelle hatten etwas bessere Leistungen als die SPCR-Modelle bei der Kalibrierung auf der Skala. Allerdings sind einige der topographischen Metriken, wie SPI und CA (R > 0,80), eng miteinander korreliert. Die Kollinearität möglicherweise hinzufügen Modellvorhersagen Unsicherheiten. Wegen der Multikollinearität unter Prädiktoren können kleine Änderungen in den Eingangsgrößen Modell Vorhersagen41erheblich beeinflussen. Daher der SOLSRf -Modelle tendenziell instabil und zeigte geringe Effizienz bei Simulationen von SOC Dichte und Boden Umverteilung an der Wasserscheide-Skala. SPCR Modelle übertraf deutlich die SOLSRf -Modelle in der Vorhersage der SOC-Distribution auf der Wasserscheide-Skala. TPCs beseitigen die Multikollinearität durch die Umwandlung der fünfzehn topographischen Metriken in voneinander unabhängige (orthogonal) Komponenten. Die Konvertierung auch aufgedeckt zugrunde liegenden Beziehungen zwischen topographische Metriken. Da durch den hohen Belastungen (> 0,35) topographische Metriken für die Komponenten angezeigt, wurden die TPC1, TPC2, TPC3, TPC6 und TPC7 bzw. Abfluss-Geschwindigkeit, Boden Wassergehalt Abfluss Volumen, Fluss Divergenz und Beschleunigung der Strömung, zugeordnet. Räumliche Muster des Bodens Umverteilung Preise und SOC Verteilung waren hoch korreliert mit Boden Wassergehalt und Abfluss Divergenz in der WCW, die im Einklang mit der Studie von Fuchs und Papanicolaou2, die gezeigt, dass erodierten Boden aus Upland könnte Divergenz der Strömung in einem Flachrelief landwirtschaftliche Wasserscheide beeinflusst werden.
Darüber hinaus reduziert weniger Prädiktorvariablen in der SPCR-Modelle als die SOLSRf und SOLSRR Modelle das Risiko der Montage über die Vorhersage-Modelle42,43. Es gab mehr als sechs Variablen in SOLSR Modelle, die die Schwierigkeit der Interpretation der Daten erhöhen und verursachen hohe Varianz in Modell-Simulationen41,44,45. Dies kann die untere Vorhersage Wirkungsgrade in der WCW durch die SOLSR-Modelle als durch die SPCR Modelle entfallen.
Topographie-basierte SPCR Modelle Vorteile haben Boden Umverteilung und damit verbundenen SOC Dynamik zu simulieren. Erste, topografische Informationen kann leicht von DEMs abgeleitet werden. Den letzten erhöhte Zugänglichkeit der hohen räumlichen Auflösung LiDAR-Daten kann helfen, verbessert die Genauigkeit der DM-abgeleitete Landschaft Topographie und Untersuchungen in Regionen mit begrenzten Bereich Beobachtungen profitieren. Zweitens können mit einem Satz von topographische Metriken und statistischen Analysen, die Topographie-basierte Modelle effizient Boden Umverteilung und SOC Verteilungsmuster quantifizieren. Drittens kann die Anwendung der Hauptbestandteil effektiv reduzieren Vorurteile Multikollinearität topographische Metriken zugeordnet und erhöhen die Stabilität der schrittweisen Regressionsmodelle angewandt auf mehreren räumlichen Skalen.
Jedoch können die SPCA Modelle von Variablen während der Entwicklung des Modells beschränkt werden. Obwohl die Anwendung von LiDAR-Daten in ökologischen Studien erhöht, haben die Methoden, um nützliche topografische Informationen ableiten noch nicht vollständig erforscht. In dieser Studie zeigte die TWI und LsRe die höchsten Korrelationen mit SOC Dichte und Boden Umverteilung Preise, beziehungsweise. Zusätzliche topografische Variablen, die nicht gelten können jedoch genauso oder sogar noch wichtiger, Bodenerosion und C Dynamik zu erklären. Zusätzlich wurden andere Faktoren wie Management-Praktiken, die Boden-Erosion-Variabilität verursachen, nicht in diese Studie aufgenommen. Als Bodenbearbeitung parallel zur Richtung maximalen Neigung war, kann z. B. Bodenerosion im Verhältnis zu der Erosion in schräg Bodenbearbeitung Boden Upslope46drehen verdoppeln. Daher möglicherweise unterschiedliche Bodenbearbeitung Praktiken auch ein Grund für die reduzierte Vorhersage Wirkungsgrade der SPCR-Modelle.
Die Studie basiert auf dem Papier in Catena17veröffentlicht. Statt eine mechanistische Analyse der topografische Einflüsse auf Erde-Bewegung und Bodeneigenschaften wie in der Catena Papier durchgeführt konzentrierten hier wir uns auf die Methoden zur Quantifizierung der topographischer Metriken und Topographie-basierte Modelle zu entwickeln. Wir diskutierten die Machbarkeit und die Vorteile der Verwendung von Topographie-basierte Modelle in Studien der räumlichen Struktur von Bodeneigenschaften. Inzwischen haben wir unsere Modelle durch die Algorithmen der Steigung Länge Faktor und Flow Akkumulation Aktualisierung verbessert. Das Ausmaß der Neigungsmessung Länge Faktor beschränkte sich auf das Gebiet. Darüber hinaus wurde die deterministische Infinity-Algorithmus für Flow-Ansammlung-Generierung verwendet. Im Vergleich zur Methode in Li Et Al. berichtet 17 die abflussakkumulation mit einem deterministischen acht Knoten-Algorithmus, der Unendlichkeit Algorithmus angenommen in dieser Studie erzeugt reduziert Schleifen in den Fluss Richtung Winkeln und erwies sich als ein besserer Algorithmus für Flachrelief Bereiche47.
Zusammenfassend zeigen unsere Ergebnisse die Machbarkeit der Topographie-basierte SPCR Modelle SOC Verteilung und Boden Umverteilung Muster in Bereichen der Landwirtschaft zu simulieren. Als kostengünstige Methode zur Schätzung SOC Bestände und Boden Umverteilung Preise gilt es für Websites mit begrenzten Beobachtungsdaten und privatem Land ohne öffentlichen Zugang. In Zukunft Studien, die Vorhersage, die Modelle mit Weiterentwicklung und Verfügbarkeit von LiDAR-Daten und Aufnahme von zusätzlichen topographische Metriken verbessert werden könnte. Die groß angelegte Anwesen Bodenkarten, die entwickelt wurden basierend auf den Modellen führt zu weiteren Verständnis für die Mechanismen der topographischen Auswirkungen auf die Erde-Bewegung in Agrarlandschaften und das Schicksal der SOC an der Wasserscheide und regionalen Skalen.

Umverteilung der Boden (Erosion und Ablagerung) übt erhebliche Auswirkungen auf Boden organisch gebundenem Kohlenstoff (SOC) Bestände und Dynamik. Zunehmende Bemühungen haben gewidmet, zu untersuchen, wie SOC gelöst, transportiert und über die Landschaft1,2,3hinterlegt. Carbon (C)-Sequestrierung und SOC-Verteilung werden durch Schwerkraft angetrieben Boden Bewegung induziert durch Wasser Erosion4,5,6beeinflusst. In Äckern ist Boden Translokation von Bodenbearbeitung ein weiterer wichtiger Prozess zur C Umverteilung7,8,9. Bodenbearbeitung Erosion verursacht eine erheblichen Netto hangabwärts Bewegung von Bodenpartikeln und führt zu einer im Bereich Boden Variation10. Wasser und Bodenbearbeitung Erosion sind durch Landschaft Topographie, die bestimmt, die Standorte der Erosions- und Ablagerungsprozessen Sites11stark beeinträchtigt. Daher wirksame Boden-Erosion-Verordnung und C dynamische Untersuchung in Agrarland Anrufe für ein besseres Verständnis der topographischen Kontrollen auf Bodenerosion und Bewegungen.
Mehrere Studien haben die Auswirkungen der Topographie auf Boden Umverteilung und damit verbundenen SOC Dynamik9,12,13,14,15,16, untersucht. 17. van der Perk Et Al. 12 berichtet, dass topografische Faktoren 43 % der Variabilität im Boden Umverteilung erklärt. Rezaei und Gilkes13 höhere SOC in Böden auf einen schattigen Aspekt, aufgrund der niedrigeren Temperaturen und weniger Verdunstung im Vergleich zu anderen Aspekten in Weideland gefunden. Topographie möglicherweise mehr erhebliche Auswirkungen auf Boden Umverteilung in Agrarland mit traditionellen Bodenbearbeitung Behandlung als solche mit minimaler Bodenbearbeitung, aufgrund der Wechselwirkungen zwischen Landschaftsformen und Bodenbearbeitung Praktiken9. Allerdings stammen diese Erkenntnisse in erster Linie aus Feldbeobachtungen, die Schwierigkeiten bei der Untersuchung der Eigenschaften des Bodens in einem größeren räumlichen Maßstab darstellen. Es gibt ein dringenden Bedarf an der Entwicklung neuer Strategien um räumliche Muster von Bodeneigenschaften Wasserscheide und regionalen Skalen wirksam zu verstehen.
Das Ziel dieser Studie ist es, effiziente Modelle simulieren Boden Umverteilung und SOC-Distribution zu entwickeln. Topographie-basierte Modelle mit topographischen Metriken als Prädiktoren entwickelt wurden, um Boden-Erosion und Ablagerung Prozesse zu quantifizieren. Im Vergleich mit empirischen oder Prozess-basierte Erosion, die Modelle, die diskreten Bereich Verkostungen Boden Erosion18,19, Topographie-basierten Modellen simulieren beschäftigt entwickelt werden könnte basierend auf topographische Informationen aus digital Höhenmodelle (DEMs) mit hoher Auflösung. Dieser Ansatz ermöglicht kontinuierliche Boden Eigenschaft Simulationen an der Wasserscheide oder regionaler Ebene. In den letzten Jahrzehnten ist Genauigkeit der topographischen Informationen erheblich verbessert, mit zunehmender Verfügbarkeit von Daten in hoher Auflösung aus der Ferne gespürt. Obwohl frühere Studien Topographie-basierte Modelle beschäftigt zu simulieren, Boden Eigenschaften12,20,21,22, verwendet die meisten dieser Untersuchungen eine topographische Metrik oder einzelne Kategorie Topographische Metriken (lokale, nichtlokalen oder kombinierte topographische Metriken), die möglicherweise nicht ausreichend topographische Auswirkungen auf die mikrobielle Aktivität im Boden erforscht haben. Daher, um zu gewinnen, ein besseres Verständnis der Topographie Bodenerosion und C Dynamik, untersuchten wir eine umfassende Reihe von topographische Metriken einschließlich lokale, nichtlokalen und kombinierte topographische Metriken und entwickelt Multi-Variable Topographie-basierte Modelle, Boden Eigenschaft Dynamik zu simulieren. Anwendungen dieser Modelle werden voraussichtlich besser Boden-Erosion-Kontrolle und landwirtschaftliche Flächen-Management wissenschaftlich unterstützen.
Topographische Metriken sind im Allgemeinen in eine von drei Kategorien geordnet: a) lokale topographische Metriken, (b) nicht-lokale topographische Metriken oder (c) kombinierte topographische Metriken. Örtlichen topographische Kennzahlen beziehen sich auf lokale Besonderheiten eines Punktes auf der Landoberfläche. Nicht-lokalen topographische Kennzahlen beziehen sich auf den relativen Positionen der ausgewählten Punkte. Kombinierte topographische Metriken integrieren lokale und nichtlokale topographische Metriken. Eine Reihe von topographische Metriken beeinflussen, Erosion und Ablagerung wurden in dieser Studie verwendet, um die topographische Steuerelemente auf Erde-Bewegung und C-Aktien (Tabelle 1) zu untersuchen. Insbesondere verwendet wir vier lokale topographische Metriken [Hang, profilwölbung (P_Cur), planen Krümmung (Pl_Cur), allgemeine Krümmung (G_Cur)], sieben nichtlokalen topographische Metriken [abflussakkumulation (FA), topographische Relief, positive Offenheit (POP), Upslope Neigung (UpSl), fließen Pfadlänge (FPL), hangabwärts Index (DI), Einzugsgebiet (CA)], und drei kombiniert topographische Metriken [topographische Nässe Index (TWI), Stream Power Index (SPI) und Länge steigungsfaktors (LS)].

<table><tbody><tr><td>Daten zur Lichterkennung und -entfernung (LiDAR)</td><td></td><td>http://www.geotree.uni.edu/lidar/</td> <td>Gesammelt aus dem GeoTREE LiDAR-Kartierungsprojekt&nbsp;</td></tr><tr><td>LECO CNS 2000 Elementaranalysator&nbsp;</td><td>LECO Corp., St. Joseph, MI</td><td></td><td></td></tr><tr><td>Canberra Genie-2000 Spektroskopie-System</td><td>CANBERRA Industries</td><td></td><td></td></tr><tr><td>Geographisches Positionierungssystem</td><td>Trimble&nbsp;</td><td>RTK 4700 GPS</td><td></td></tr><tr><td>ArcGIS</td><td>ESRI, Redlands, CA</td><td>10.2.2</td><td></td></tr><tr><td>Statistisches Analysesystem&nbsp;</td><td>SAS Institute Inc</td><td></td><td></td></tr><tr><td>System für automatisierte geowissenschaftliche Analysen&nbsp;</td><td>Universität G&ouml; ttingen, Deutschland&nbsp;</td><td>v. 2.2.5, http://www.saga-gis.org/</td> <td>GNU General Public License</td></tr></tbody></table>

verwendung der wichtigsten komponenten für die aufstockung topographische modelle zuordnen boden umverteilung und boden organischen kohlenstoff

Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon

Topographie der Landschaft ist ein entscheidender Faktor die Bodenbildung und spielt eine wichtige Rolle bei der Bestimmung von Bodeneigenschaften auf der Erdoberfläche, wie es die Schwerkraft angetriebene Boden Bewegung induziert durch Abfluss und Bodenbearbeitung Aktivitäten reguliert. Die jüngste Anwendung von Licht-Erkennung und Ranging (LiDAR) Daten hält Versprechen zur Erzeugung hoher räumlicher Auflösung topographische Metriken, die verwendet werden können, um Boden Eigenschaft Variabilität zu untersuchen. In dieser Studie wurden fünfzehn topographische Metriken abgeleitet aus LiDAR-Daten zur topographische Auswirkungen auf Umverteilung des Bodens und räumliche Verteilung von organisch gebundenem Kohlenstoff (SOC) zu untersuchen. Speziell, erkundeten wir die Verwendung der topographischen Hauptkomponenten (TPCs) zur Charakterisierung von Topographie Metriken und schrittweise Hauptbestandteil Regression (SPCR) Topographie-basierte Bodenerosion und SOC-Modelle bei Seite und Wasserscheide Maßstäben zu entwickeln. Leistung der SPCR Modelle wurde gegen schrittweise gewöhnliche zumindest quadratische (SOLSR) Regressionsmodelle bewertet. Ergebnisse zeigten, dass SPCR überflügelt SOLSR-Modelle bei der Vorhersage des Bodens Umverteilung Preise und SOC-Dichte auf unterschiedlichen räumlichen Skalen modelliert. Verwendung von TPCs entfernt mögliche Kollinearität zwischen einzelnen Eingangsgrößen und Reduzierung der Dimensionalität von Hauptkomponentenanalyse (PCA) vermindert das Risiko von Überanpassung der Vorhersagemodelle. Diese Studie schlägt einen neuen Ansatz für die Modellierung von Boden Umverteilung in verschiedenen räumlichen Skalen. Für eine Anwendung Zugriff auf privatem Land ist oft begrenzt, und die Notwendigkeit, Ergebnisse aus repräsentativen Studienzentren zu größeren Einstellungen zu extrapolieren, die private Ländereien enthalten kann wichtig sein.

Landschaft-Prozesse sind wichtige Komponenten der Bodenbildung und spielen eine wichtige Rolle bei der Bestimmung von Bodeneigenschaften und Raumstruktur in Landschaften. Wir schlagen ein neues Konzept mit schrittweisen Hauptbestandteil Regression Boden Umverteilung und organisch gebundenem Kohlenstoff in verschiedenen räumlichen Skalen vorherzusagen.

Verwendung der wichtigsten Komponenten für die Aufstockung topographische Modelle zuordnen Boden Umverteilung und Boden organischen Kohlenstoff

Landscape topography is a critical factor affecting soil formation and plays an important role in determining soil properties on the earth surface, as it ...

Diese Methode kann helfen, wichtige Fragen im landwirtschaftlichen Bereich zu beantworten, wie die Landschaftstopographie die Bodenerosion und die Organische Stoffdynamik des Bodens beeinflussen kann. Der Hauptvorteil dieser Technik besteht darin, dass sie auf Gebiete mit begrenzten Beobachtungen anwendbar ist und eine kostengünstige Schätzung der organischen Kohlenstoffvorräte und der Umverteilungsprozesse im Boden bietet. Sammeln Sie zunächst Daten von der Website GeoTREE Light Detection and Ranging Mapping Project.Wählen Sie Begrenzungstyp und -bereich aus, um auf einen bestimmten Bereich zu zoomen. Zeichnen Sie dann ein Polygon, um die Lichterkennung und die Anordnung von Kacheln für das ausgewählte Untersuchungsgebiet herunterzuladen. Konvertieren Sie die Rohlichterkennung und -bereichitortionsdaten mithilfe des Mapping-Tools für das geografische Informationssystem in eine LAS-Datei.Generieren Sie als Nächstes digitale Höhenmodelle (DEMS) mit einer räumlichen Auflösung von drei Metern unter Verwendung einer inversen, distanzgewichteten Interpolation. Filtern Sie das Drei-Meter-DEMS zweimal mit einem Drei-Kernel-Tiefpassfilter, um Geräusche zu reduzieren, die mit lokalen Variationen verbunden sind. Um topografische Metriken zu generieren, klicken Sie im Abschnitt Importieren/Exportieren zuerst auf Raster importieren, um das gefilterte demS mit drei Zählern in SAGA zu importieren.Klicken Sie als Nächstes auf das Modul Neigung, Aspekt, Krümmung von SAGA mit den Standardeinstellungen, um die Neigung, die krümmungsbezogene Metrik und die allgemeine Krümmungsmetrik mithilfe der gefilterten DEMs zu generieren. Klicken Sie auf das Flow Accumulation Top-Down-Modul von SAGA, und wählen Sie Deterministische Unendlichkeit als Methode zum Generieren der Flow Akkumulationsmetrik mit den gefilterten DEMs aus. Klicken Sie anschließend auf das MODUL SAGA Topographic Openness mit den Standardeinstellungen, um die positive Offenheitsmetrik mithilfe eines gefilterten z-Achsen-verstärkten Bildes zu generieren.Die Vergrößerung der vertikalen Abstände in den digitalen Höhenmodellen verbessert die Unterscheidungsfähigkeit positiver Offenheit an Standorten mit einer relativ flachen Oberfläche. Klicken Sie auf das LS-Faktorfeld-basierte Modul von SAGA mit den Standardeinstellungen, um die Steigungsneigungs- und Neigungslängenfaktormetriken mithilfe der gefilterten DEMs zu generieren. Klicken Sie als Nächstes auf das Modul Flusspfadlänge von SAGA mit den Standardeinstellungen, um die Fließpfadlängenmetrik mithilfe der gefilterten DEMs zu generieren.Klicken Sie auf das Downslope Distance Gradient-Modul von SAGA mit den Standardeinstellungen, um die Downslope-Indexmetrik mit den gefilterten DEMs zu generieren. Klicken Sie nun auf das MODUL SAGA-Nassindex, und wählen Sie das absolute Einzugsgebiet als Bereich aus, um die Meter des Einzugsgebiets und der topografischen Nässeindexmetriken mithilfe der gefilterten DEMs zu generieren. Klicken Sie auf das Stream Power Index-Modul von SAGA, und wählen Sie pseudospezifisches Einzugsgebiet als Flächenkonvertierung aus, um die Stream-Power-Index-Metrik mithilfe der gefilterten DEMs zu generieren.Generieren Sie anschließend maximale Höhenkarten mit mehreren Radien. Filtern Sie die maximalen Höhenzuordnungen zweimal über einen Drei-Kernel-Tiefpassfilter. Subtrahieren Sie das gefilterte dem 3-Meter-DEM von den gefilterten maximalen Höhenkarten, um eine Reihe von Reliefkarten zu erhalten.Extrahieren Sie eine Reihe von Reliefvariablen an eine Reihe von Positionen. Führen Sie eine Hauptkomponentenanalyse für die Reliefvariablen durch, um die Reliefs in topografische Reliefkomponenten umzuwandeln. Wählen Sie Hauptkomponenten aus, die mehr als 90 % Varianz des Relief-Datasets als topografische Reliefmetriken erklären.Standardisieren Sie die sieben Reliefkarten mit Mittelwert und Standardabweichung. Erstellen Sie Relief-Hauptkomponenten nach Summe des standardisierten topographischen Reliefs, gewichtet durch die entsprechenden Belastungen. Beim Erstellen der Reliefmetrik ist es wichtig, Reliefbilder in verschiedenen räumlichen Maßstäben zu generieren, um Unsicherheiten im Zusammenhang mit der willkürlichen Auswahl des Radius zu begrenzen, da die Steuerung der Entlastung der Bodeneigenschaften durch räumliche Entlastungssskalen beeinflusst werden könnte.Wählen Sie eine Reihe von Ackerflächenstandorten aus, die die Landschaftsmerkmale des Untersuchungsgebiets angemessen darstellen können, sowie mehrere repräsentative kleinräumige Ackerflächen, die intensiv beprobt werden können. Laden Sie alle Standortkoordinaten des Beispiels in ein codebasiertes geografisches Positionierungssystem hoch, und suchen Sie sie physisch im Feld. Als nächstes sammeln Sie drei Proben für jeden Probenahmeort aus der obersten 30-Zentimeter-Bodenschicht mit einer Push-Sonde.Zeichnen Sie geografische Koordinateninformationen der Stichprobenpositionen mithilfe des geographischen Positionierungssystems auf. Anschließend wird die Bodenprobe mit einem Zwei-Millimeter-Bildschirm absieben. Wiegen Sie die Bodenproben nach dem Trocknen.Berechnen Sie die Bodendichte anhand der gesamten Probenvolumina an Probenahmeorten und Gewichten. Mischen Sie die drei Proben vom selben Ort, um eine zusammengesetzte Bodenprobe zu erhalten. Eine 10-Gramm-Unterprobe des gesiebten Bodens mit einem Walzenwerk zu einem sehr feinen Pulver schleifen.Messen Sie nun den Gesamtkohlenstoffgehalt des Bodens in der Walzenfräsprobe durch Verbrennung auf einem CN-Elementaranalysator bei einer Temperatur von 1350 Grad Celsius. Nach dem Backen der organischen Substanz des Bodens in einem Ofen, schätzen Sie den Calciumcarbonatgehalt, indem Sie den verbleibenden Kohlenstoff analysieren. Legen Sie nun die zwei Millimeter gesiebten Bodenproben in Marinelli-Becher und versiegeln Sie sie.Legen Sie das Becherglas in den Detektor und messen Sie die Cäsiumkonzentration jeder Probe durch Gamma-Strahlenanalyse mit einem Spektroskopiesystem, das Eingänge von drei hochreinen koaxialen Germaniumkristallen in 8, 192-Kanal-Analysatoren empfängt. Zeichnen Sie die Cäsiumkonzentrationsleistung auf. Berechnen Sie schließlich die Bodenumverteilungsrate mithilfe des Cäsiuminventars, indem Sie das Massenbilanzmodell II in einem Tabellen-Add-In-Programm anwenden.460 Feldstandorte wurden nach dem Zufallsprinzip ausgewählt, um topografische Informationen im Walnut Creek Watershed in Iowa abzuleiten. Hier werden Ergebnisse von Korrelationsanalysen zwischen topographischen Metriken und der organischen Kohlenstoffdichte des Bodens, Bodenumverteilung vorgestellt. Der topographische Nässeindex und das großangelegte topographische Relief zeigten die höchsten Korrelationen mit Dichte bzw. Bodenumverteilungsraten.Räumliche Muster der beiden Metriken zeigten hohe Werte im Depressionsbereich und niedrige Werte in schrägen und Gratbereichen. Unterschiede zwischen den beiden Metriken traten jedoch in Grabenbereichen auf, wo der topografische Nässeindex extrem hohe Werte aufwies, die Werte des groß angelegten topografischen Reliefs jedoch nicht von benachbarten Bereichen unterschieden. Fünf topografische Hauptkomponenten, die zum Erstellen von topographischen Modellen ausgewählt wurden, sind hier aufgeführt.Über 70 bzw. 65 % der Variabilität der organischen Kohlenstoffdichte und der Umverteilungsraten des Bodens wurden durch das schrittweise gewöhnliche Regressionsmodell mit den kleinsten Quadraten mit ganzen Variablen erklärt. Bei den Modellen mit entfernter kollinearer Kovariate waren die Simulationseffizienzen etwas niedriger als das schrittweise gewöhnliche Regressionsmodell mit dem Modell der kleinsten Quadrate. Bei SPCR-Modellen werden ähnliche Simulationseffizienzen wie das schrittweise gewöhnliche Regressionsmodell am kleinsten Quadrat mit entfernter kollinearer Kovariate beobachtet.Die aus SPCR-Modellen erstellten Bodenumverteilungs- und organischen Kohlenstoffdichtekarten ergaben konsistente Muster zwischen Modellsimulationen und Feldmessungen. Diese Technik ebnet forschern auf dem Gebiet der Landwirtschaft den Weg, um Bodenumverteilung und organische Materiemuster an Wassereinzugsgebieten und regionalen Skalen zu erforschen. Die Technik könnte durch eine weitere Verfeinerung der Lichterkennung und des Datenrangings und die Einbeziehung zusätzlicher topografischer Metriken verbessert werden.

use-principal-components-for-scaling-up-topographic-models-to-map

Research

Forschung

JoVE Journal

Environment

Umwelt

Wiederholte Entnahme von Bodenproben hat ein effektiver Weg erwiesen, um Waldboden Wechsel über Jahre und Jahrzehnte zu überwachen kürzlich. Um seine Verwendung zu unterstützen, ein Protokoll vorgestellt, um die neuesten Informationen über den Boden Resampling Methoden synthetisiert in der Konzeption und Umsetzung von erfolgreichen Bodenbeobachtung zu unterstützen.

Methoden der Boden Resampling zur Überwachung von Veränderungen in der chemischen Konzentrationen von Waldböden

Räumliche Muster von Erosion und Ablagerung Boden Höhenunterschiede abgebildet bei gegebener Zeit-Schritten entnehmen. Solche Änderungen in der Höhe beziehen sich auf Änderungen in oberflächennahen Böden Karbonate. Wiederholbare Methoden für Feld- und Laborversuche Messungen dieser Mengen und Daten-Analyse-Methoden werden hier beschrieben.

Messung und Mapping-Muster von Erosion und Ablagerung im Zusammenhang mit Boden-Karbonat-Konzentrationen unter Landbewirtschaftung

Das traditionelle Boden-Stichprobenverfahren bestimmt die Anzahl der Bodenproben willkürlich. Hier bieten wir eine einfache, aber effiziente Boden Stichprobenplan gruppierten zu demonstrieren Boden räumliche Heterogenität und quantitativ bestimmen die Anzahl der Bodenproben benötigt und die damit verbundenen Stichproben-Genauigkeit.

Plot-Probenahme Böden in einer heterogenen Forschung

Dieses Protokoll stellt einen Workflow für die Sub-mm-2D-Visualisierung mehrerer lamitischer anorganischer Nährstoff- und Schadstoffspezies mit diffusiven Gradienten in Dünnschichten (DGT) in Kombination mit Massenspektrometrie-Bildgebung dar. Solute Probenahme und hochauflösende chemische Analyse werden detailliert für die quantitative Kartierung von Gelösten in der Rhizosphäre von terrestrischen Pflanzen beschrieben.

Zweidimensionale Visualisierung und Quantifizierung von labilen, anorganischen Pflanzennährstoffen und Verunreinigungen im Boden

Die hier beschriebene Nachweismethode ist anpassbar für die Überwachung der pedogenen anorganischen Kohlenstoffbindung in verschiedenen landwirtschaftlichen Böden, die mit Erdalkalimetallsilikat-haltigen Gesteinen wie Wollastonit, Basalt und Olivin ergänzt werden. Diese Art der Validierung ist für Emissionsgutschriftenprogramme unerlässlich, von denen Landwirte profitieren können, die Kohlenstoff auf ihren Feldern binden.

Überwachung der anorganischen Kohlenstoffakkumulation pedogener Kohlenstoff aufgrund der Verwitterung von geänderten Silikatmineralien in landwirtschaftlichen Böden.

Die Bodendichtefraktionierung trennt die organische Bodensubstanz in verschiedene Pools mit unterschiedlichen Stabilisierungsmechanismen, Chemikalien und Umschlagzeiten. Natriumpolywolframatlösungen mit spezifischen Dichten ermöglichen die Trennung von freiem partikulärem organischem Material und mineralassoziiertem organischem Material, was zu Fraktionen organischer Substanz führt, die zur Beschreibung der Reaktion des Bodens auf Bewirtschaftung und Klimawandel geeignet sind.

Nutzung der Bodendichtefraktionierung zur Trennung unterschiedlicher Bodenkohlenstoffspeicher

Dieses Protokoll umfasst eine vierstufige großflächige bildgebende Erhebungsmethode, die zur Extraktion von Metriken der strukturellen Komplexität, der Zusammensetzung der Gemeinschaft und der Populationsdemografie für Korallenriffgemeinschaften verwendet wird. Die Qualität der erfassten Bilder und der integrierte Zugriff auf die Quellbilder werden in jedem Schritt des Protokolls priorisiert.

Messung der Struktur, Zusammensetzung und Veränderung von Unterwasserumgebungen mit großflächiger Bildgebung

Das Protokoll besteht aus vier integrierten Phasen: Untersuchung von unbemannten Luftfahrzeugen (UAV), Erhebung von Bodenwahrheitsdaten, Berechnung des Vegetationsindex sowie KI-unterstützte Klassifikation und Kartierung von Pflanzengemeinschaften an Küstenfeuchtgebieten. Das Ergebnis ist ein mehrschichtiger georäumlicher Datensatz, der Anwendungen in Ökologie, Umweltüberwachung und Entscheidungsfindung für den Schutz und das Management von Küstenfeuchtgebieten unterstützt.

Halbautomatisierte Methode zur Kartierung und Klassifizierung borealer Küstenfeuchtgebieten-Pflanzengemeinschaften mithilfe von Drohnen- und Bodendaten

Dieses Verfahren wird erläutert, wie Bau und Betrieb einer kontinuierlichen 13 C-und 15 N-Isotopenmarkierung Kammer für eine einheitliche oder Differenzpflanzengewebe Kennzeichnung. Repräsentative Ergebnisse aus Stoffwechsel-und Struktur Kennzeichnung von Andropogon gerardii werden diskutiert.

Aufbau und Betrieb einer Dauer<sup&gt; 13</sup&gt; C und<sup&gt; 15</sup&gt; N Labeling Kammer für Uniform oder Differential, Stoffwechsel-und Struktur, Pflanze Isotope Labeling

Labiler organischer Kohlenstoff (LOC) und die potenzielle Kohlenstoffumsatzrate sind empfindliche Indikatoren für Veränderungen in den Prozessen des Nährstoffkreislaufs im Boden. Es werden Einzelheiten zu einer Methode bereitgestellt, die auf der Begasung und Inkubation von Böden in einer Reihe von Zyklen und der Verwendung des während der Inkubationsperioden akkumulierten CO2 zur Abschätzung dieser Parameter basiert.

Bewertung von Labile organischer Kohlenstoff im Boden Mit Sequential Begasung Incubation Procedures

Erfahren Sie die schrittweise Hauptkomponentenregression zur Vorhersage von Bodenumverteilung und organischem Kohlenstoff in der Landwirtschaft. Diese Methode ermöglicht kostengünstige Schätzungen auch bei begrenzten Beobachtungsdaten.

Verwendung der wichtigsten Komponenten für die Aufstockung topographische Modelle zuordnen Boden Umverteilung und Boden organischen Kohlenstoff (Video) | JoVE Journal

Verwendung der wichtigsten Komponenten für die Aufstockung topographische Modelle zuordnen Boden Umverteilung und Boden organischen Kohlenstoff

Weitere Videos entdecken