Gebruik van Principal Components voor schaalvergroting van modellen van de topografische kaart van herverdeling van de bodem en bodemverontreiniging organische koolstof

Deze methode kan helpen bij het beantwoorden van belangrijke vragen op landbouwgebied, zoals hoe landschaptopografie bodemerosie en de dynamiek van organische stoffen in de bodem kan beïnvloeden. Het belangrijkste voordeel van deze techniek is dat deze toepasbaar is op locaties met beperkte waarnemingen, en het biedt een kosteneffectieve schatting van de organische koolstofvoorraden in de bodem en bodemherverdelingsprocessen. Verzamel eerst gegevens van de Website Van GeoTREE Light Detection and Ranging Mapping Project.

Selecteer grenstype en -regio om in te zoomen op een bepaald gebied. Teken vervolgens een veelhoek om lichtdetectie en variërendtegels voor het geselecteerde studiegebied te downloaden. Converteer de ruwe lichtdetectie en variërend gegevens naar een LAS-bestand met behulp van het gereedschap voor het toewijzen van geografische informatie.

Vervolgens genereren digitale hoogtemodellen, of DEMS, met een ruimtelijke resolutie van drie meter met behulp van omgekeerde afstand gewogen interpolatie. Filter de DEMS van drie meter twee keer met een low-pass-filter met drie kernels om geluiden in verband met lokale variatie te verminderen. Als u topografische statistieken wilt genereren, klikt u eerst op Raster importeren in de sectie Importeren/exporteren om de gefilterde DEMS met drie meter in SAGA te importeren.

Klik vervolgens op de module Helling, Aspect, Kromming van SAGA met de standaardinstellingen om de helling, de krommingsgerelateerde statistiek en de algemene krommingsmetrie te genereren met behulp van de gefilterde DEM's. Klik op de top-downmodule stroomaccumulatie van SAGA en selecteer Deterministische oneindigheid als methode om de statistiek stroomaccumulatie te genereren met behulp van de gefilterde DEM's. Klik hierna op de saga-topografische openheidsmodule met de standaardinstellingen om de statistiek positieve openheid te genereren met behulp van een gefilterde z-as versterkte afbeelding.

De uitbreiding van de verticale afstanden in de digitale hoogtemodellen verbetert de onderscheidende kenmerken van positieve openheid op locaties met een relatief vlak oppervlak. Klik op de LS-Factor Field Based module van SAGA met de standaardinstellingen om de upslope hellings- en hellingslengtefactorstatistieken te genereren met behulp van de gefilterde DEM's. Klik vervolgens op de module Stroompadlengte van SAGA met de standaardinstellingen om de lengtemetriek van het stroompad te genereren met behulp van de gefilterde DEM's.

Klik op de module Verloop van de afstand downslope van SAGA met de standaardinstellingen om de statistiek downslope index te genereren met behulp van de gefilterde DEM's. Klik nu op de SAGA Wetness Index-module en selecteer het absolute verzorgingsgebied als het type gebied om het verzorgingsgebied en topografische gegevensstatistieken van de nattigheidsindex te genereren met behulp van de gefilterde DEM's. Klik op de module Stroomkrachtindex van SAGA en selecteer pseudo-specifiek verzorgingsgebied als gebiedsconversie om de statistiek stroomstroomindex te genereren met behulp van de gefilterde DEM's.

Als volgt genereert u maximale hoogtekaarten met meerdere straalen. Filter de maximale hoogtekaarten twee keer via een low-pass-filter met drie kernels. Trek de gefilterde DEM van drie meter af van de gefilterde maximale hoogtekaarten om een reeks reliëfkaarten te verkrijgen.

Haal een reeks reliëfvariabelen naar een aantal locaties. Voer de belangrijkste componentanalyse uit op de reliëfvariabelen om de reliëfs om te zetten in topografische reliëfcomponenten. Selecteer hoofdcomponenten die meer dan 90% variantie van de hulpgegevensset verklaren als de topografische reliëfstatistieken.

Standaardiseer de zeven reliëfkaarten met gemiddelde en standaarddeviatie. Maak reliëf belangrijkste componenten op som van de gestandaardiseerde topografische verlichting gewogen door de overeenkomstige ladingen. Tijdens het maken van de reliëfmetriek is het belangrijk om reliëfbeelden op verschillende ruimtelijke schaal te genereren om onzekerheden in verband met de willekeurige selectie van straal te beperken, omdat de controle op reliëf op bodemeigenschappen kan worden beïnvloed door ruimtelijke schalen van reliëf.

Selecteer een aantal akkerlocaties die de landschapskenmerken van het studiegebied en een aantal representatieve kleinschalige akkervelden die intensief kunnen worden bemonsterd, adequaat kunnen vertegenwoordigen. Upload alle voorbeeldlocatiecoördinaten naar een op code gebaseerd geografisch positioneringssysteem en lokaliseer ze fysiek in het veld. Verzamel vervolgens drie monsters voor elke bemonsteringslocatie van de bovenste bodemlaag van 30 centimeter met behulp van een duwsonde.

Noteer geografische coördinateninformatie van de bemonsteringslocaties met behulp van het geografische positioneringssysteem. Zeef hierna het bodemmonster met een twee millimeter scherm. Weeg de bodemmonsters na het drogen.

Bereken de bodemdichtheid aan de hand van de totale monstervolumes op bemonsteringslocaties en -gewichten. Meng de drie monsters van dezelfde locatie om een samengesteld bodemmonster te krijgen. Maal een substeek van 10 gram van de gezeefde grond tot een zeer fijn poeder met een rolmolen.

Meet nu het totale koolstofgehalte in het rolgefreesde monster door verbranding op een CN elemental analyzer bij een temperatuur van 1350 graden Celsius. Na het bakken van de bodem organische stof in een oven, schat calciumcarbonaat koolstofgehalte door het analyseren van de resterende koolstof. Plaats de bulk twee millimeter gezeefde bodemmonsters in Marinelli bekers en sluit ze af.

Plaats het bekerglas in de detector en meet de cesiumconcentratie van elk monster door middel van een gamma-ray analyse met behulp van een spectroscopiesysteem dat ingangen van drie hoogzuivere coaxiale germaniumkristallen in 8, 192-kanaals analyzers ontvangt. Nota van de cesiumconcentratie output. Bereken ten slotte de herverdelingssnelheid van de bodem aan de hand van cesiumvoorraad door de Mass Balance Model II toe te passen in een spreadsheetinvoegprogramma.

460 gewas veld locaties werden willekeurig geselecteerd om topografische informatie af te leiden in de Walnut Creek Watershed in Iowa. Resultaten van correlatieanalyses tussen topografische metrische gegevens en de organische koolstofdichtheid in de bodem, de herverdeling van de bodem worden hier gepresenteerd. De topografische nattigheidsindex en grootschalige topografische reliëf vertoonden de hoogste correlaties met respectievelijk dichtheids- en bodemherverdelingspercentages.

Ruimtelijke patronen van de twee metrische gegevens toonden hoge waarden in depressieve gebied en lage waarden in glooiende en nok gebieden. Echter, verschillen tussen de twee statistieken zich voordeden in sloot gebieden, waar de topografische nattigheid index vertoonde extreem hoge waarden, maar de waarden van grootschalige topografische reliëf waren niet anders dan aangrenzende gebieden. Vijf topografische hoofdcomponenten die zijn geselecteerd om op topografie gebaseerde modellen te bouwen, worden hier vermeld.

Meer dan 70 en 65% van de variabiliteit in de organische koolstofdichtheid en bodemherverdeling werden verklaard door het stapsgewijze gewone minst vierkante regressiemodel met hele variabelen. Voor de modellen met collinear covariate verwijderd, simulatie efficiëntie was iets lager dan de stapsgewijze gewone minst vierkante regressie model met hele variabelen model. Voor SPCR-modellen worden vergelijkbare simulatie-efficiëntieverbeteringen waargenomen als het stapsgewijze gewone minst vierkante regressiemodel met collinear covariate verwijderd.

De bodemherverdeling en de organische koolstofdichtheidskaarten van de bodem die uit SPCR-modellen werden gegenereerd, toonden consistente patronen tussen modelsimulaties en veldmetingen. Deze techniek maakt de weg vrij voor onderzoekers op het gebied van landbouw om bodemherverdeling en organische stofpatronen op waterscheidings- en regionale schalen te onderzoeken. De techniek kan worden verbeterd met verdere verfijning van lichtdetectie en variërende gegevens en opname van aanvullende topografische statistieken.