Artículo de método

Uso de componentes principales para el escalado de modelos topográficos a mapa de redistribución de la tierra y el suelo de carbono orgánico

13.4K vistas

⸱

DOI:

10.3791/58189

⸱

16 de octubre de 2018

 , 
1Department of Geographical Sciences, University of Maryland, 2Hydrology & Remote Sensing Laboratory, Agricultural Research Service, United States Department of Agriculture

En este artículo

Resumen

Procesos del paisaje son componentes críticos de formación del suelo y desempeñan un papel importante en la determinación de las propiedades del suelo y la estructura espacial en paisajes. Proponemos un nuevo enfoque mediante regresión por componentes principales para predecir la redistribución de la tierra y carbono orgánico del suelo a través de diferentes escalas espaciales.

Resumen

Paisaje de topografía es un factor crítico que afecta a la formación del suelo y desempeña un papel importante en la determinación de las propiedades del suelo en la superficie de la tierra, como lo regula el movimiento de suelo impulsada por la gravedad inducido por actividades de escurrimiento y labranza. La reciente aplicación de datos de rangos (LiDAR) y detección de luz es prometedora para generar métricas topográfica de alta resolución espacial que se pueden utilizar para investigar la variabilidad de propiedad del suelo. En este estudio, se utilizaron quince mediciones topográficos derivados de datos LiDAR para investigar efectos topográficos en redistribución del suelo y distribución espacial del carbono orgánico del suelo (COS). Específicamente, se analizó el uso de componentes principales topográficos (cursos de política comercial) para la caracterización de mediciones de la topografía y la regresión por componentes principales (SPCR) para desarrollar modelos SOC en escalas de sitio y la cuenca y la erosión del suelo basado en la topografía. Desempeño de modelos SPCR se evaluó contra paso a paso modelos de regresión de cuadrados (SOLSR) menos ordinario. Los resultados mostraron que los SPCR modelos modelos SOLSR superaron en la predicción de las tasas de redistribución de suelo y densidad SOC a diferentes escalas espaciales. Elimina el uso de cursos de política comercial potencial colinealidad entre las variables individuales de entrada y reducción de la dimensionalidad por análisis de componentes principales (PCA) disminuye el riesgo de sobreajuste de los modelos de predicción. Este estudio propone un nuevo enfoque para el modelado de redistribución de suelo a través de diferentes escalas espaciales. Para una aplicación, acceso a tierras privadas a menudo es limitado, y la necesidad de extrapolar los resultados de sitios de estudio representativos a valores más grandes que incluyen terrenos privados puede ser importante.

Introducción

Redistribución de suelo (erosión y deposición) ejerce efectos significativos sobre las reservas de carbono orgánico (SOC) de suelo y dinámica. Cada vez más esfuerzos se han dedicado a investigar cómo es separado, transportado y depositado sobre el paisaje1,2,3SOC. Carbon (C) secuestro y distribución de SOC están influenciados por movimiento de suelo impulsada por la gravedad inducida por agua erosión4,5,6. En campos cultivados, desplazamiento de suelo por labranza es otro proceso importante que contribuye a la redistribución de C7,8,9. Erosión de labranza provoca un movimiento considerable red descendente de las partículas del suelo y conduce a una variación de suelo dentro del campo10. Erosión hídrica y la labranza son afectados significativamente por topografía del paisaje, que determina la ubicación de sitios de deposicionales y erosivos11. Por lo tanto, regulación de la erosión de suelo eficaz y C investigación dinámica en las llamadas tierras agrícolas para una mejor comprensión de los controles topográficos sobre erosión del suelo y los movimientos.

Varios estudios han investigado los efectos de la topografía en la redistribución de suelo y asociados SOC dinámica9,12,13,14,15,16, 17. van der Perk et al. 12 informó que factores topográficos explicaron el 43% de la variabilidad en la redistribución de la tierra. Rezaei y Gilkes13 encontraron SOC mayor en los suelos un aspecto sombrío, debido a temperaturas más bajas y menos evaporación en comparación con otros aspectos de las dehesas. Topografía que tenga efectos más importantes de redistribución de suelo en tierras agrícolas con el tratamiento de labranza tradicional que con labranza mínima, debido a las interacciones entre accidentes geográficos y labranza prácticas9. Sin embargo, estos resultados se derivan fundamentalmente de las observaciones de campo, que presentan dificultades en la investigación de las propiedades del suelo en una escala espacial más amplia. Hay una necesidad apremiante de desarrollar nuevas estrategias para efectivamente entender patrones espaciales de las propiedades del suelo en cuencas y escalas regionales.

El objetivo de este estudio es desarrollar modelos eficientes para simular la redistribución de la tierra y la distribución de la SOC. Modelos basados en la topografía mediante mediciones topográficas como predictores han sido desarrollados para cuantificar los procesos de erosión y deposición del suelo. En comparación con empírica basada o en proceso de erosión podrían desarrollarse modelos que emplearon muestreos de campo discretas para simular suelo erosión18,19, modelos basados en la topografía basada en la información topográfica derivado de digital modelos de elevación (DEMs) con altas resoluciones. Este enfoque permite simulaciones de propiedad de suelo continuo en la cuenca o escala regional. En las últimas décadas, exactitud de la información topográfica ha mejorado sustancialmente, con el aumento de la disponibilidad de datos de alta resolución detectada remotamente. Aunque estudios previos han utilizado modelos basados en la topografía para simular suelo propiedades12,20,21,22, la mayoría de estas investigaciones utiliza una sola métrica topográfica o categoría de mediciones topográficas (métricas topográficas locales, no local o combinadas), que puede no haber suficientemente explorado topográficos impactos sobre la actividad microbiana del suelo. Por lo tanto, para obtener una mejor comprensión de los controles de la topografía en la erosión del suelo y la dinámica de C, examinamos un conjunto amplio de mediciones topográficos incluyendo métricas topográficas locales, no local y combinados y desarrollado múltiples variable basado en la topografía modelos para simular la dinámica de propiedad del suelo. Aplicaciones de estos modelos se esperan que proporcionen apoyo científico para mejor control de la erosión del suelo y la gestión de tierras agrícolas.

Mediciones topográficas se clasifican generalmente en tres categorías: Mediciones topográficas a) local, mediciones topográficas b) no locales o mediciones topográficas c) combinado. Mediciones topográficas locales se refieren a características locales de un punto en la superficie de la tierra. Mediciones topográficas no locales se refieren a las ubicaciones relativas de los puntos seleccionados. Mediciones topográficas combinados integran mediciones topográficas locales y no locales. Una serie de mediciones topográficas que afectan a la erosión del suelo y deposición se utilizaron en este estudio para investigar los controles topográficos de movimiento de suelo y las poblaciones de C (tabla 1). En concreto, hemos utilizado cuatro mediciones topográficas locales [pendiente, curvatura de perfil (P_Cur), plan de curvatura (Pl_Cur), curvatura general (G_Cur)], siete mediciones topográficas no locales [acumulación de flujo (FA), relieve topográfico, apertura positiva (POP), ascendente pendiente (UpSl), longitud de la trayectoria de flujo (FPL), índice de pendiente (DI), Cuenca (CA)], y tres mediciones topográficos [índice de humedad topográfica (TWI), índice de alimentación de corriente (SPI) y factor longitud de pendiente (LS)].

Protocolo

1. levantamiento topográficos análisis

  1. Preprocesar los datos digitales
    1. Recopilar datos LiDAR de la página web del proyecto GeoTREE LiDAR mapping. Seleccione el "tipo de límite" y "región" para hacer zoom en un área específica. Traza un polígono para descargar azulejos LiDAR para el área de estudio seleccionada.
    2. Convertir los datos LiDAR originales en un archivo de LAS mediante la herramienta de asignación de información geográfica (SIG) del sistema.
    3. Generar DEMs con una resolución espacial de 3 m, mediante la interpolación del inverso de la distancia ponderado.
    4. Filtro de los demócratas de 3 m dos veces con un filtro de paso bajo 3-kernel para reducir ruidos asociado con variaciones locales.
  2. Generación de métricas topográfica
    1. Para generar mediciones topográficas, primero descarga la última versión del sistema automatizado de análisis Geoscientific (SAGA)23. Haga clic en "Importar Raster" en la sección de importación y exportación para importar los demócratas filtrados de 3 m en la SAGA.
    2. Haga clic en el módulo de "Curvatura de la pendiente, aspecto," de la SAGA con la configuración predeterminada para generar la pendiente y curvatura [perfil de curvatura (P_Cur), curvatura del plan (Pl_Cur) y curvatura general (G_Cur)] métricas utilizando el DEM filtrada (figura 1).
    3. Haga clic en el módulo de "Acumulación de flujo (Top-Down)" de la SAGA y seleccione "Determinista infinito" como el método para generar métricas de acumulación (FA) de flujo con los DEMs filtradas.
    4. Haga clic en el módulo de "SAGA topográfico apertura" con la configuración predeterminada para generar la métrica de apertura positiva (POP) usando una imagen ampliada del filtrado del eje z.
    5. Haga clic en el módulo "LS-factor (campo base)" de la SAGA con la configuración predeterminada para generar la pendiente ascendente (Upsl) y métricas de factor (LS_FB) de longitud con los DEMs filtradas de la cuesta.
    6. Haga clic en el módulo de "Longitud de la ruta de flujo" de la SAGA con la configuración predeterminada para generar el flujo camino longitud (FPL) sistema métrico usando los demócratas filtrados.
    7. Haga clic en el módulo "Gradiente descendente de distancia" de la SAGA con la configuración predeterminada para generar la métrica de índice (DI) descendente con los DEMs filtradas.
    8. Haga clic en el módulo de "Índice de humedad de la SAGA" y seleccione "área de captación absoluta" como el tipo de área para generar el área de captación (CA) y métricas de índice (TWI) de humedad topográfica con los DEMs filtradas.
    9. Haga clic en el módulo de "Índice de poder de corriente" de la SAGA y seleccione "pseudo cuenca específicas" como la conversión de área a generar la métrica de index (SPI) de energía corriente usando los demócratas filtrados.
    10. Generar mapas de elevación máxima con múltiples radios. Los mapas de elevación máxima del filtro dos veces a través de un filtro de paso bajo 3-kernel. Reste el DEM filtrada de 3 m de los mapas de elevación máxima de filtrado para obtener una serie de mapas de relieve. Extracto de una serie de variables ayuda a un número de localizaciones.
    11. Realizar análisis de componentes principales (PCA) en las variables ayuda a convertir los relieves en componentes de relieve topográfico. Seleccione componentes principales que explican más de 90% de variación del conjunto de datos de relieve como las métricas de relieve topográfico.

2. recopilación de datos de campo

  1. Muestreo de campo
    1. Seleccione un número de localizaciones de campo tierras de cultivo que pueden representar adecuadamente las características del paisaje de la zona de estudio y varios campos de cultivo en pequeña escala representativa que se pueden degustar intensamente.
      Nota: Las muestras de suelo recogidas de los dos campos de tierra de cultivo fueron utilizadas para la calibración del modelo. Las muestras de suelo de la zona de estudio todo fueron utilizadas para la validación del modelo.
    2. Sube todas las coordenadas de ubicación de muestra para un código geográfico sistema de posicionamiento (GPS) y ubicarlos físicamente en los campos.
    3. Recolectar 3 muestras para cada ubicación de muestreo de la capa de suelo de 30 cm superior con una sonda de presión (3,2 cm de diámetro).
      Nota: Se recolectaron muestras de suelo de las capas de 30-50 cm en los sitios donde se espera deposición de sedimentos. El volumen de cada muestra fue de 241 cm3.
    4. Registro información de coordenadas geográfica de muestreo ubicación mediante GPS.
    5. Pesar las muestras de suelo después del secado a 90 ° C densidad de suelo 48 h. calcular utilizando información de volúmenes de la muestra total en pesos y lugares de muestreo. Mezclar las tres muestras de la misma ubicación para obtener una muestra compuesta de suelo.
  2. Preparación de la muestra de suelo
    1. Las muestras compuestas de suelo con una pantalla de 2 mm del tamiz.
    2. Moler una submuestra de 10 g de suelo tamizado a un polvo muy fino con un molino de rodillos.
  3. Análisis de muestra de suelo
    1. Medir el carbono total del suelo (C) contenido en las muestras de rodillo blanqueado a través de la combustión en un analizador elemental de CN a una temperatura de 1350 ° C. Estimar el contenido de carbonato de calcio C mediante el análisis de lo restantes C después de la cocción de la materia orgánica del suelo a una temperatura de 420 ° C durante 16 horas en un horno.
    2. Calcular el contenido de cos (%) restando el contenido de carbonato de calcio C del contenido de C total en el suelo. Convertir contenido de cos (%) densidad SOC (kg m-2) utilizando la densidad del suelo.
    3. Poner las muestras de suelo tamizado de 2 mm a granel en vasos Marinelli y sellarlas. Medir la concentración de Cs 137de cada muestra a través de análisis de rayos gamma mediante un sistema de espectroscopia que recibe entradas de tres cristales de germanio coaxial de alta pureza (HpCN30% eficiencia) en analizadores de 8192-canal (véase tabla de materiales de ).
    4. Calibrar el sistema usando un estándar de radionúclido mixta analítica11. Convertir 137concentración Cs a la inventario de Cs 137usando densidad del suelo.
    5. Calcular tasa de redistribución de suelo utilizando el inventario de Cs 137aplicando el II de modelo de Balance de masa (MBMII) en un hoja de cálculo programa desarrollado por Walling et al. 24.

3. topografía basada en modelo desarrollo

  1. Estimación de componentes principales topográfico
    1. Extracto de la mediciones topográficas para el muestreo de localidades en el área de estudio todo y los campos de cultivo en pequeña escala.
    2. Estandarizar las mediciones topográficas de los lugares de muestreo en el área de estudio todo mediante media y desviación estándar. Estimar las cargas métricas topográficas en cada componente basado en las métricas topográficas estandarizadas mediante PCA con paquete de software estadístico. Recoger las cargas métricas topográficas en cada componente principal topográfico (TPC) y seleccione los cursos de política comercial superior que explican 90% varianza de los indicadores.
    3. Estandarizar las mediciones topográficas de los lugares de muestreo en los campos de cultivo en pequeña escala. Calcular el superior cursos de política comercial de cada localidad por la suma de las métricas topográficas estandarizadas ponderadas por las cargas correspondientes de los lugares de muestreo en WCW.
  2. Calibración del modelo
    1. Realizar paso a paso ordinario menos cuadrada regresión (SOLSR) desarrollar topografía SOLSRf modelos de densidad SOC y las tasas de redistribución de suelo basadas en mediciones topográficas todos en los campos de cultivo en pequeña escala. Utilice el criterio de información Akaike (AIC) y la validación cruzada de licencia-one-out para seleccionar la combinación óptima de parámetros topográficos para los modelos def SOLSR mejor equipados.
    2. Compruebe la colinealidad entre las variables topográficas usando el factor de inflación de varianza (VIF). Eliminar las variables con el VIF más grande (VIF ≥ 7.525) y volver a comprobar VIF. Quite las variables hasta que el VIFs de todas las variables son < 7.5. Realizar SOLSR para desarrollar topografía SOLSRr modelos de densidad SOC y las tasas de redistribución basadas en mediciones topográficas que fueron quitados alta colinealidad variables del suelo. Utilice el AIC y validación cruzada de dejar uno de salida para seleccionar la combinación óptima para los modelos der SOLSR mejor equipadas.
    3. Realizar la regresión por componentes principales (SPCR) para desarrollar modelos SPCR basados en topografía para la densidad SOC y las tasas de redistribución basadas en los cursos de política comercial en los campos de cultivo en pequeña escala del suelo. Utilice el AIC y validación cruzada de dejar uno de salida para seleccionar la combinación óptima de cursos de política comercial para los modelos mejor equipados del SPCR.
    4. Calcular el coeficiente ajustado de determinación (Radj2), eficiencia de Nash-Sutcliffe (NSE) y proporción del error cuadrático para la desviación estándar de datos medidos (RSR) para evaluar la eficiencia del modelo.
  3. Modelo de evaluación
    1. Estimar la densidad de la SOC y tasas de redistribución en el área de estudio todo el suelo mediante la aplicación de los modelos estimados.
    2. Validar el modelo desarrollado por comparando la predicción con datos medidos de densidad SOC y tasas de redistribución en el área de estudio todo el suelo. Evaluar las prestaciones del modelo usando Radj2, NSE y RSR valores.

Resultados

Utilizamos la cuenca de Walnut Creek (WCW) como un banco de pruebas para evaluar la viabilidad de los modelos basados en la topografía en instrucción redistribución de suelo y la dinámica de la SOC. La cuenca es en los condados de Boone y la historia dentro del estado de Iowa (41 ° 55'-42 ° 00 ' n, 93 ° 32'-93 ° 45' W) con una superficie de 5.130 ha (figura 2). Tierras de cultivo es la tierra dominante tipo en WCW, con un terreno relativamente plano (promedio 90 m, relieve topográfico 2,29 m). Cincel de arar, servicios, y operaciones terribles son las prácticas de labranza principal en los campos de cultivo26,27; sin embargo, las direcciones de labranza varían debido a diferencias en las prácticas de manejo.

Lugares del campo de cultivo ciento sesenta se seleccionaron al azar para derivar información topográfica en el WCW (figura 2). transectos de 100 de los 460 puntos, incluyendo dos 300 m (cada uno tiene 9 lugares de muestreo), fueron seleccionados para llevar a cabo muestreos de campo y análisis de niveles de redistribución de suelo y SOC. Además, se seleccionaron dos sitios de campo en pequeña escala con el paisaje topográfico, tipos de suelo y labranza prácticas similares al WCW para muestreos más intensivos. En cada sitio de campo en pequeña escala, fue creada un 25 × 25 m cuadrícula y 230 lugares de muestreo fueron localizados en los nodos de rejilla (figura 3). Información topográfica de la propiedad de la métrica y el suelo se calculó para las ubicaciones de los 230.

Las mediciones topográficas en la WCW se obtuvieron siguiendo el protocolo anterior. El WCW se caracteriza con topografía de baja a moderada (elevación que van de 260 a 325 m) con una relativa baja pendiente (desde 0 a 0,11 en radianes), pendiente ascendente (0 a 0,09 m) y curvaturas moderadas (curvatura del perfil:-0.009 a 0,009 m-1, plan curvatura:-0.85 a 0,85 m-1, curvatura general: -0,02 a 0,02 m-1). Las elevaciones verticales de DEMs fueron agrandadas 100 veces para aumentar el distinguishability del relieve escala de campo relativamente bajo en el WCW para crear los indicadores de apertura positiva (POP100). Después de la conversión, el rango de apertura positivo aumento de 0,08 radianes (POP: 1.59 1.51 radianes) a radianes 0,86 (POP100: 0.36-1.22 radianes).

Para el relieve topográfico, generamos siete mapas de relieve con los siguientes radios: 7,5 m, 15 m, 30 m, 45 m, 60 m, 75 m y 90 m. Dos componentes principales de la relevación fueron seleccionados en base a resultados de PCA en las variables de siete alivio. Los primeros mostraron una variación alivio resolución gruesa con relieve45 m como variable principal. Define este componente como el alivio a gran escala (LsRe). El segundo componente, que fue altamente correlacionado con alivio de7,5 m y presentado variación alivio de resolución fina, se definió como el relieve en pequeña escala (SsRe).

En la tabla 2se presentan resultados de análisis de correlación entre mediciones topográficas y redistribución de densidad, suelo SOC. El TWI y LsRe mostraron las mayores correlaciones con densidad SOC y tasas de redistribución de suelo, respectivamente. Distribución espacial de las dos mediciones se presenta en la figura 4. Detalles del TWI y LsRe pueden observarse mejor desde el área del transecto. Ambos indicadores mostraron valores altos en depresivo y valores bajos en zonas de pendiente y cresta. Sin embargo, las diferencias entre las dos métricas ocurrieron en las áreas de la zanja, donde el TWI exhibió valores extremadamente altos pero los valores de LsRe no eran diferentes de las áreas adyacentes.

Después de generar los parámetros topográficos de la quince, utilizamos PCA en estas variables topográficas sobre los 460 sitios de muestreo en el WCW. El primeros siete componentes principales topográficos (cursos de política comercial) que explicaban más de 90% la variabilidad del conjunto de datos conjunto topográfico fueron seleccionada. Cinco cursos de política comercial que eran finales seleccionados para construir modelos basados en la topografía se enumeran en la tabla 3. Para el primer componente principal (TPC1), G_Cur demostró la carga más alta. Pendiente, TWI, Upsl y LS_FB fueron las métricas más importantes en TPC2, con cargas mayores de 0.35. En el TPC3 FA, SPI y CA fueron importantes indicadores, con cargas de 0.482 0.460 y 0,400, respectivamente. FPL (-0.703) y Pl_Cur (0,485) eran los más importantes en la TPC6. Las principales métricas con altas cargas en el TPC7 fueron SsRe (0.597), DI (0.435), FPL (0.407) y Pl_Cur (0.383).

Colinealidad de variable topográfica se comprobó mediante el examen de VIF. De los 15 indicadores, pendiente, TWI y G_Cur fueron retirados debido a las alta VIFs. Basado en tasas de redistribución de suelo y datos de densidad de carbono de los sitios 1 y 2, se desarrollaron modelos SOLSR utilizando 15 métricas todos (SOLSRf) y las 12 métricas con covariable colineal quitados (SOLSRr) (tabla 4). Por lo general, más de 70% y 65% de la variabilidad en la redistribución de densidad y suelo SOC tarifas fueron explicadas por los modelos SOLSR def , respectivamente. Para los modelos con covariables colineales quitados (SOLSRr), eficiencia de simulación fueron ligeramente más baja que los modelosf SOLSR (68% para la densidad SOC y 63% para la redistribución de la tierra). NSEs fueron ligeramente inferiores y RSR fueron ligeramente superiores en SOLSRr los modelos que en los modelosf SOLSR.

Para los modelos SPCR, similar eficiencia de simulación como SOLSRr se observa en la tabla 4. Sin embargo, menos variables independientes fueron seleccionadas en los modelos SPCR (menos de 5 variables) que el SOLSRf y SOLSRr modelos (más de 6 variables). Cursos de política comercial 1, 2, 3 y 7 fueron seleccionados como las combinaciones de la variable independiente para el modelo SOC y cursos de política comercial 1, 2, 3, 6 y 7 fueron seleccionados como la combinación para el modelo de redistribución de suelo.

Encontramos que los modelos SPCR tenían las mejores predicciones y los modelos der SOLSR mostraron los rendimientos más pobres en la escala de cuenca. Los coeficientes de determinación (r2) comparando la predicción de densidad SOC a observación aumentaron de: 1) 0.60 en SOLSRf y 0,52 en SOLSRr a 0,66 en SPCR y 2) NSE incrementó de 0.21 en SOLSRf y 0,16 en SOLSRr a 0,59 en SPCR; mientras que RSR reducido de 0,87 en SOLSRf y 0,91 en SOLSRr a 0,64 en SPCR. Predicción de tasa de redistribución de suelo en SPCR representaron el 36% de la variabilidad en la variable medida y era más alto que las predicciones por SOLSRf (34%) y SOLSRr (0,35%). Un NSE más alto y más bajo RSR en SPCR (NSE = 0.33, RSR = 0,82) en comparación con SOLSRf (NSE = 0.31, RSR = 0,83) y SOLSRr (NSE = 0.32, RSR = 0,82) también demostró un mejor desempeño en simulación de tasa de redistribución de suelo por SPCR.

Según las evaluaciones de desempeño del modelo, se seleccionaron modelos SPCR generar densidad SOC y tasa de redistribución de suelo mapas a escala de cuenca. Los mapas revelaron patrones consistentes entre simulaciones y mediciones de campo (figura 5). Las alta consistencias entre simulaciones y observaciones eran más evidentes a lo largo de los transectos. Ambas tasas de redistribución SOC densidad y el suelo mostraron alta correlación con la topografía del paisaje. Valores altos de densidad SOC pueden encontrarse en áreas deposicionales, donde ocurrió la deposición del suelo, mientras que se observaron valores bajos de densidad SOC en pendiente y footslope áreas, donde la erosión del suelo llevó a cabo.

figure-results-1
Figura 1 : La pendiente, aspecto, módulo de curvatura en el sistema automatizado de análisis Geoscientific (SAGA). Los polígonos muestran la ubicación de áreas de estudio. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-2
Figura 2 : Ubicación de la cuenca de Walnut Creek y sitios de muestreo en la cuenca (Iowa). Esta figura es una adaptación del anterior trabajo17. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-3
Figura 3 : Ubicación de sitios muestreados a) 1 y 2 b) (elevación de 15 x de z). Esta figura es una adaptación del anterior trabajo17. Haga clic aquí para ver una versión más grande de esta figura. 

figure-results-4
Figura 4 : Mapas topográfico métrica. (a) índice de humedad topográfica (TWI) y (b) gran relieve topográfico (LsRe) en la cuenca de Walnut Creek y zona (elevación de 15 x eje z) del transecto. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-5
Figura 5 : Tasa de redistribución de suelo (t ha-1 año-1) todos los mapas y SOC densidad (kg m-2) mapas .  Se muestran mapas de redistribución de suelo (a) dentro de la cuenca de Walnut Creek y (b) a lo largo de dos transectos. Se muestran densidad SOC (kg m-2) mapas (c) dentro de la cuenca de Walnut Creek y (d) a lo largo de dos transectos utilizando los modelos de análisis de componente principal paso a paso (elevación de 15 x de z). Haga clic aquí para ver una versión más grande de esta figura.

VariablesSignificado
Pendiente (radianes)Velocidad de escurrimiento, suelo agua contenido28,29
Curvatura del perfil (m-1)Flujo, aceleración, erosión del suelo, deposición tipo11,30
Plan de curvatura (m-1)Flujo de convergencia y divergencia, contenido de agua de suelo30
General de curvatura (m-1)Velocidad de escurrimiento, erosión, deposición29
Acumulación de flujoSuelo agua contenido, escurrimiento volumen20
Relieve topográfico (m)Del paisaje características de drenaje, velocidad de escurrimiento y aceleración21,31 
Apertura positiva (radianes)Características de drenaje del paisaje, del suelo contenido de agua32
Pendiente ascendente (m)Velocidad de escurrimiento33,34
Longitud de la ruta del flujo (m)Producción de sedimentos, la erosión tipo35 
Índice de pendiente (radianes)Contenido de agua de suelo36
Área de captación (m2)Escurrimiento de33,la velocidad y volumen37 
Índice de humedad topográficaSuelo humedad distribución28,38,39 
Índice de poder de corrienteErosión del suelo, convergencia de flujo40 
Factor de longitud de pendienteFlujo de convergencia y divergencia de28,40

Tabla 1: Significados de las mediciones topográficas.

PendienteP_CurPl_CurG_CurFALsReSsRePOPUpslFPLDICATWISPILS_FB
(radianes)(m-1)(m-1)(m-1)(m)(m)(radianes)(m)(m)(°)(m2)
SOC-0.687-0.159-0.333-0.2880.1650.698-0.171-0.451-0.3150,4990.4130.5880.7350.165-0.453
, †***********, †***************, †, ‡******
SR-0.65-0.205-0.274-0.2820.1560.687-0.099-0.427-0.2170.4870.3610.5650.6470.156-0.438
, †***********, ‡*************, †, †******
P_Cur, Pl_Cur y G_Cur son curvatura del perfil, plan curvatura y curvatura general, respectivamente; FA es acumulación de flujo; RePC1 y RePC2 son componentes de relieve topográfico 1 y 2, respectivamente; POP100 es apertura positiva; Upsl es pendiente ascendente; FPL es la longitud de la trayectoria de flujo; DI es el índice de pendiente descendente; CA es cuenca; TWI es índice de humedad topográfica; y SPI es índice de alimentación de corriente; y LS_FB es el factor longitud de pendiente (campo base).
* P < 0.05, ** P < 0.005, *** P < 0.0001.
Coeficiente de †Correlation > coeficiente de correlación de ‡Highest 0.5, para cada propiedad del suelo.

Tabla 2: Correlación de rango de Spearman (n = 560) entre las mediciones topográficas, densidad de carbono orgánico (COS) del suelo y tasas de redistribución de suelo (SR).

TPC1(25%)TPC2(24%)TPC3(14%)TPC6(5%)TPC7(4%)
Pendiente0,0620.475†-0.035-0.013-0.183
P_Cur-0.2900.0000.346-0.070-0.002
Pl_Cur-0.2830.107-0.0010.485†0.383†
G_Cur-0.353†0.0540.2750.0250.100
FA0.297-0.0420.482†0.1790.131
LsRe0.309-0.193-0.2370.113-0.116
SsRe0.2340.266-0.1180,0840.597†
POP100-0.3300.0920.258-0.2920.217
Upsl0.1870.419†-0.143-0.0660.012
FPL0.147-0.168-0.088-0.703†0.407†
DI0.103-0.220-0.1640,1840.435†
CA0.326-0.1280.4†-0.160-0.092
TWI0.053-0.465†-0.0670.185-0.047
SPI0.345-0.0140.46†0.1690,080
LS_FB0.2560.396†0.0500.011-0.072
P_Cur, Pl_Cur y G_Cur son curvatura del perfil, plan curvatura y curvatura general, respectivamente; FA es acumulación de flujo; RePC1 y RePC2 son componentes de relieve topográfico 1 y 2, respectivamente; POP100 es apertura positiva; Upsl es pendiente ascendente; FPL es la longitud de la trayectoria de flujo; DI es el índice de pendiente descendente; CA es cuenca; TWI es índice de humedad topográfica; y SPI es índice de alimentación de corriente; y LS_FB es el factor longitud de pendiente (campo base).
†Loadings > 0.35.

Tabla 3: Cargas variables en los componentes principales (cursos de política comercial) calculan para mediciones topográficas (n = 460) en Walnut Creek.

ModeloR2adj NSERSR
Regresión por componentes principales (SPCR)
SOC2.932-0.058TPC2 - 0.025TPC3 + 0.051TPC7 + 0.037TPC1†0,680.690,56
SR2.111 + 0.013TPC1 + 0.032TPC7-0.028TPC2-0.016TPC3-0.010TPC60,630,630,61
Paso a paso ordinario menos cuadrada regresión (SOLSRf)
SOC2.755 + 0.021TWI + 0.0004FPL-6.369G_Cur-5.580Slope+ 0.011LsRe + 0.091DI + 0.013SsRe + 0.125LS_FB0,70.710.55
SR2.117 + 0.007LsRe-3.128Slope + 0.109DI + 0.010SsRe + 0.0002FPL+ 0.801Upsl - 4.442P_Cur0.650.650,59
Paso a paso ordinario menos cuadrada regresión con covariable colineal quitados (SOLSRr)
SOC2.951 + 0.033LsRe-2.869Upsl + 0.0006FPL + 0.028SsRe + 0.124DI-0.163LS_FB + 0.007SPI-10.187P_Cur0,680,680,56
SR2.042 + 0.016LsRe-0.146LS_FB + 0.118DI + 0.017SsRe + 0.0003FPL+ 0.070POP0,630,640.6
† El orden de los cursos de política comercial se basa en los pasos de selección paso a paso
R2adj es coeficiente ajustado de determinación; NSE es la eficacia de Nash-Sutcliffe; RSR es relación entre el error cuadrático (RMSE) para la desviación estándar de datos medidos.
TPC representa el principal componente topográfico. TWI es índice de humedad topográfica; FPL es la longitud de la trayectoria de flujo; P_Cur, Pl_Cur y G_Cur son curvatura del perfil, plan curvatura y curvatura general, respectivamente; LS_FB es el factor longitud de pendiente (campo base); LsRe y SsRe son relieves topográficos a gran escala y en pequeña escala, respectivamente; DI es el índice de pendiente descendente; y Upsl pendiente ascendente.

Tabla 4: Modelos de densidad de carbono orgánico (COS) del suelo y tasas de redistribución de suelo (SR) para campos agrícolas, basados en mediciones topográficas en los sitios 1 y 2.

Discusión

Los modelos def SOLSR tenían ligeramente mejor rendimiento que los modelos SPCR en la calibración en la escala de campo. Sin embargo, algunas de las métricas topográficas, como SPI y CA (r > 0.80), están correlacionados entre sí. La colinealidad puede añadir incertidumbre a las predicciones del modelo. Debido a la multicolinealidad entre predictores, pequeños cambios en las variables de entrada pueden afectar significativamente las predicciones modelo del41. Por lo tanto, los modelos def SOLSR tienden a ser inestables y mostraron baja eficiencia en simulaciones de SOC densidad y suelo redistribución a escala de cuenca. Los modelos SPCR superaron sustancialmente los modelos def SOLSR de predicción de distribución SOC en la escala de cuenca. Cursos de política comercial eliminan la multicolinealidad mediante la conversión de los parámetros topográficos de la quince en componentes mutuamente independientes (ortogonales). La conversión también destapó las relaciones subyacentes entre mediciones topográficas. Según lo indicado por las cargas altas (> 0.35) de mediciones topográficas a los componentes, el TPC1 TPC2, TPC3, TPC6 y TPC7 se asociaron con velocidad de escurrimiento, contenido hídrico del suelo, volumen de escurrimiento, divergencia de flujo y aceleración de flujo, respectivamente. Distribución espacial de las tasas de redistribución de suelo y distribución de SOC se correlacionaron altamente con contenido de agua del suelo y divergencia de escurrimiento en el WCW, que es consistente con el estudio de la Fox y Papanicolaou2, que demostró que erosionado suelo de Upland podría ser impactada por divergencia del flujo en una cuenca agrícola de bajo relieve.

Por otra parte, menos variables predictoras en los modelos SPCR SOLSRf y los modelosr SOLSR redujeron el riesgo de sobre-montaje de los modelos de predicción42,43. Había más de seis variables en todos los modelos SOLSR, que pueden aumentar la dificultad de interpretación de datos e inducir alta varianza en el modelo simulaciones41,44,45. Esto puede explicar los rendimientos más bajos de la predicción en WCW en los modelos SOLSR que por los modelos SPCR.

Topografía-basada en modelos SPCR tienen ventajas en simulación de redistribución de suelo y asociados SOC dinámica. Primera información topográfica puede derivarse fácilmente de demócratas. Reciente mayor accesibilidad de lo datos LiDAR de alta resolución espacial puede ayudar a mejorar la exactitud de la topografía del paisaje derivado de DEM y beneficiarse de las investigaciones en regiones con observaciones de campo limitada. En segundo lugar, mediante un conjunto de mediciones topográficas y los análisis estadísticos, los modelos basados en la topografía pueden cuantificar eficientemente redistribución de suelo y patrones de distribución de SOC. En tercer lugar, la aplicación de componentes principales puede eficazmente reducir prejuicios asociados con multicolinealidad de mediciones topográficas y aumentar la estabilidad de los modelos de regresión paso a paso cuando se aplica a múltiples escalas espaciales.

Sin embargo, los modelos de SPCA pueden verse limitados por las variables durante el desarrollo del modelo. Aunque la aplicación de los datos LiDAR aumentó en estudios ecológicos, los métodos para derivar información útil topográfico no todavía sido totalmente explorados. En este estudio, el TWI y LsRe mostraron las correlaciones más altas con densidad SOC y tasas de redistribución de suelo, respectivamente. Sin embargo, variables topográficas adicionales que no se consideran pueden ser igualmente o más importante en la explicación dinámica de C y la erosión del suelo. Además, otros factores como prácticas de manejo, que pueden ocasionar variabilidad de la erosión del suelo, no se incluyeron en este estudio. Por ejemplo, cuando la labranza era paralela a la dirección de máxima pendiente, la erosión del suelo puede doble en relación con la erosión en labranza oblicua girar suelo ascendente46. Por lo tanto, las prácticas de labranza diferentes también pueden ser una razón para las eficiencias de reducción de predicción de los modelos SPCR.

El estudio se basa en el trabajo publicado en Catena17. En lugar de un análisis mecanicista basado en influencias topográficas en movimiento de suelo y las propiedades del suelo ya que se realiza en el papel de Catena, aquí nos centramos en los métodos para cuantificar mediciones topográficas y el desarrollo de modelos basados en la topografía. Hablamos de la viabilidad y ventajas de la utilización de modelos basados en topografía en los estudios de la estructura espacial de las propiedades del suelo. Mientras tanto, hemos mejorado nuestros modelos mediante la actualización de algoritmos de acumulación de flujo y factor de longitud de cuesta. La escala de medición de factor de longitud de pendiente fue limitada al área del campo. Además, se usó el algoritmo determinista infinito para la generación de acumulación de flujo. En comparación con el método divulgado en Li et al. 17 que genera acumulación de flujo con un algoritmo determinista de ocho nodos, el algoritmo infinito adoptado en este estudio reduce lazos en los ángulos de dirección de flujo y resultó para ser un mejor algoritmo para áreas de bajo relieve47.

En conclusión, nuestros resultados demuestran la viabilidad de modelos SPCR basados en topografía en simulando patrones de redistribución de suelo en los campos de la agricultura y distribución de la SOC. Como un método rentable para estimar poblaciones SOC y las tasas de redistribución de suelo, es aplicable a sitios con limitados datos observacionales y terrenos privados que carecen de acceso público. Estudios en el futuro, la predicción modelos podrían mejorarse con más refinamiento y la disponibilidad de datos LiDAR y la inclusión de mediciones topográficos adicionales. El suelo a gran escala propiedad mapas que fueron desarrollados basados en los modelos conducirá a más comprensión de los mecanismos subyacentes a los efectos topográficos en movimiento de suelo en los paisajes agropecuarios y el destino de SOC en la cuenca y escalas regionales.

Divulgaciones

Los autores no tienen nada que revelar.

Agradecimientos

Esta investigación fue apoyada por el servicio de conservación de recursos naturales de USDA en asociación con el componente de humedales del proyecto nacional de conservación de efectos evaluación (NRCS 67-3A75-13-177).

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Datos de detección y medición de luz (LiDAR) http://www.geotree.uni.edu/lidar/Recopilado del proyecto de mapeo LiDAR GeoTREE 
Analizador elemental LECO CNS 2000 LECO Corp., St. Joseph, MI
Canberra Genie-2000 Sistema de espectroscopíaCANBERRA Industries
Sistema de posicionamiento geográficoTrimble RTK 4700 GPS
ArcGISESRI, Redlands, CA10.2.2
Sistema de análisis estadístico SAS Institute Inc
para Análisis Geocientífico Automatizado Universidad de Gö ttingen, Alemania  v. 2.2.5, http://www.saga-gis.org/GNU Licencia Pública General
Sistema

Referencias

  1. Lal, R. Soil erosion and carbon dynamics. Soil and Tillage Research. 81 (2), 137-142 (2005).
  2. Fox, J. F., Papanicolaou, A. N. The use of carbon and nitrogen isotopes to study watershed erosion processes. Journal of the American Water Resources Association. 43 (4), 1047-1064 (2007).
  3. Hemelryck, H. V., Fiener, P., Van Oost, K., Govers, G., Merckx, R. The effect of soil redistribution on soil organic carbon: An experimental study. Biogeosciences. 7 (12), 3971-3986 (2010).
  4. McCarty, G. W., Ritchie, J. C. Impact of soil movement on carbon sequestration in agricultural ecosystems. Environmental Pollution. 116 (3), 423-430 (2002).
  5. Quine, T. A., van Oost, K. Quantifying carbon sequestration as a result of soil erosion and deposition: Retrospective assessment using caesium-137 and carbon inventories. Global Change Biology. 13 (12), 2610-2625 (2007).
  6. Polyakov, V. O., Lal, R. Soil organic matter and CO2 emission as affected by water erosion on field runoff plots. Geoderma. 143 (1-2), 216-222 (2008).
  7. Balesdent, J., Mariotti, A., Boisgontier, D. Effect of tillage on soil organic carbon mineralization estimated from 13C abundance in maize fields. Journal of Soil Science. 41, 587-596 (1990).
  8. Van Oost, K., et al. Landscape-scale modeling of carbon cycling under the impact of soil redistribution: The role of tillage erosion. Global Biogeochemical Cycles. 19 (4), 1-13 (2005).
  9. De Gryze, S., Six, J., Bossuyt, H., Van Oost, K., Merckx, R. The relationship between landform and the distribution of soil C, N and p under conventional and minimum tillage. Geoderma. 144 (1-2), 180-188 (2008).
  10. Zhang, J., Quine, T. A., Ni, S., Ge, F. Stocks and dynamics of SOC in relation to soil redistribution by water and tillage erosion. Global Biogeochemical Cycles. 12, 1834-1841 (2006).
  11. Ritchie, J. C., McCarty, G. W., Venteris, E. R., Kaspar, T. C. Soil and soil organic carbon redistribution on the landscape. Geomorphology. 89, 163-171 (2007).
  12. Vander Perk, M., Slávik, O., Fulajtár, E. Assessment of spatial variation of cesium-137 in small catchments. Journal of Environmental Quality. 31 (6), 1930-1939 (2002).
  13. Rezaei, S. A., Gilkes, R. J. The effects of landscape attributes and plant community on soil physical properties in rangelands. Geoderma. 125 (1-2), 145-154 (2005).
  14. Rieke-Zapp, D. H., Nearing, M. A. Slope shape effects on erosion: a laboratory study. Soil Science Society of America Journal. 69 (5), 1463-1471 (2005).
  15. Schwanghart, W., Jarmer, T. Linking spatial patterns of soil organic carbon to topography - A case study from south-eastern Spain. Geomorphology. 126 (1-2), 252-263 (2011).
  16. Dialynas, Y. G., et al. Topographic variability and the influence of soil erosion on the carbon cycle. Global Biogeochemical Cycles. 30, 644-660 (2016).
  17. Li, X., McCarty, G. W., Karlen, D. L., Cambardella, C. A. Topographic metric predictions of soil redistribution and organic carbon in Iowa cropland fields. Catena. 160, 222-232 (2018).
  18. Amore, E., Modica, C., Nearing, M. A., Santoro, V. C. Scale effect in USLE and WEPP application for soil erosion computation from three Sicilian basins. Journal of Hydrology. 293 (1-4), 100-114 (2004).
  19. Doetterl, S., et al. Erosion, deposition and soil carbon: A review of process-level controls, experimental tools and models to address C cycling in dynamic landscapes. Earth-Science Reviews. 154, 102-122 (2016).
  20. Gessler, P. E., Chadwick, O. A., Chamran, F., Althouse, L., Holmes, K. Modeling soil-landscape and ecosystem properties using terrain attributes. Soil Science Society of America Journal. 64 (6), 2046-2056 (2000).
  21. Montgomery, D. R., Brandon, M. T. Topographic controls on erosion rates in tectonically active mountain ranges. Earth and Planetary Science Letters. 201 (3-4), 481-489 (2002).
  22. Pan, B., Geng, H., Hu, X., Sun, R., Wang, C. The topographic controls on the decadal-scale erosion rates in Qilian Shan Mountains N.W. China. Earth and Planetary Science Letters. 292 (1-2), 148-157 (2010).
  23. Conrad, O., et al. System for Automated Geoscientific Analyses (SAGA) v . 2.1.4. Geoscientific Model Development. 8, 1991-2007 (2015).
  24. Walling, D. E., Zhang, Y., He, Q. 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). International Atomic Energy Agency. , 11-33 (2011).
  25. Sindayihebura, A., Ottoy, S., Dondeyne, S., Van Meirvenne, M., Van Orshoven, J. Comparing digital soil mapping techniques for organic carbon and clay content Case study in Burundi's central plateaus. Catena. 156, 161-175 (2017).
  26. Schumacher, J. A., Kaspar, T. C., Ritchie, J. C., Schumacher, T. E., Karlen, D. L. Identifying spatial patterns of erosion for use in precision conservation. Journal of Soil and Water Conservation. 60 (6), 355-362 (2005).
  27. Young, C. J., et al. 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. Geoderma. 232, 437-448 (2014).
  28. Afshar, F. A., Ayoubi, S., Jalalian, A. Soil redistribution rate and its relationship with soil organic carbon and total nitrogen using 137Cs technique in a cultivated complex hillslope in western Iran. Journal of Environmental Radioactivity. 101 (8), 606-614 (2010).
  29. Li, Q. Y., Fang, H. Y., Sun, L. Y., Cai, Q. G. 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. Land Degradation & Development. 25 (4), 350-359 (2014).
  30. Troch, P., Van Loon, E., Hilberts, A. Analytical solutions to a hillslope-storage kinematic wave equation for subsurface flow. Advances in Water Resources. 25 (6), 637-649 (2002).
  31. Tucker, G. E., Bras, R. L. Hillslope processes, drainage density, and landscape morphology. Water Resources Research. 34 (10), 2751-2764 (1998).
  32. Seijmonsbergen, A. C., Hengl, T., Anders, N. S. Semi-Automated Identification and Extraction of Geomorphological Features Using Digital Elevation Data. Developments in Earth Surface Processes. 15, (2011).
  33. Moore, I. D., Grayson, R. B., Ladson, D. A. R. Digital terrain modelling: A review of hydrological, geomorphological, and biological applications. Hydrological Processes. 5, 3-30 (1991).
  34. Kirkby, M. J. Do not only connect: A model of infiltration-excess overland flow based on simulation. Earth Surface Processes and Landforms. 39 (7), 952-963 (2014).
  35. Sharpley, A., Kleinman, P. Effect of rainfall simulator and plot scale on overland flow and phosphorus transport. Journal of Environmental Quality. 32 (6), 2172-2179 (2003).
  36. Hjerdt, K. N. A new topographic index to quantify downslope controls on local drainage. Water Resources Research. 40 (5), 1-6 (2004).
  37. Kasai, M., Marutani, T., Reid, L. M., Trustrum, N. A. Estimation of temporally averaged sediment delivery ratio using aggradational terraces in headwater catchments of the Waipaoa River, North Island, New Zealand. Earth Surface Processes and Landforms. 26 (1), 1-16 (2001).
  38. Lang, M. W., McCarty, G. W., Oesterling, R., Yeo, I. Y. Topographic metrics for improved mapping of forested wetlands. Wetlands. 33 (1), 141-155 (2013).
  39. Li, X., et al. Topographic and physicochemical controls on soil denitrification in prior converted croplands located on the Delmarva Peninsula, USA. Geoderma. 309, 41-49 (2018).
  40. Conforti, M., Aucelli, P. P. C., Robustelli, G., Scarciglia, F. Geomorphology and GIS analysis for mapping gully erosion susceptibility in the Turbolo stream catchment (Northern Calabria, Italy). Natural Hazards. 56 (3), 881-898 (2011).
  41. Dormann, C. F., et al. Collinearity: A review of methods to deal with it and a simulation study evaluating their performance. Ecography. 36 (1), 027-046 (2013).
  42. Fodor, I. K. A survey of dimension reduction techniques. 9, Center for Applied Scientific Computing. Lawrence Livermore National Laboratory. 1-18 (2002).
  43. Quijano, L., Gaspar, L., Navas, A. Spatial patterns of SOC, SON, 137 Cs and soil properties as affected by redistribution processes in a Mediterranean cultivated field (Central Ebro Basin). Soil and Tillage Research. 155, 318-328 (2016).
  44. Næs, T., Martens, H. Principal component regression in NIR analysis: Viewpoints, background details and selection of components. Journal of Chemometrics. 2 (2), 155-167 (1988).
  45. Shlens, J. A Tutorial on Principal Component Analysis. Measurement. 51, 52(2014).
  46. Heckrath, G., et al. Tillage erosion and its effect on soil properties and crop yield in Denmark. Journal of Environmental Quality. 34, 312-324 (2005).
  47. Tarboron, G. A new method for the determination of flow directions and upslope areas in grid digital elevation models. Water Resources Research. 33 (2), 309-319 (1997).

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Componentes Principales Topogr ficosAn lisis de Componentes PrincipalesRegresi n de Componentes Principales Paso a PasoDetecci n y Medici n de LuzModelos Digitales de Elevaci nM tricas Topogr ficasInventario de CesioModelo de Balance de Masas II

Artículos relacionados