Artykuł metodologiczny

Wykorzystanie głównych komponentów do skalowania modeli topograficznych w celu mapowania redystrybucji gleby i węgla organicznego w glebie

13.5K wyświetleń

⸱

DOI:

10.3791/58189

⸱

16 października 2018

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

W tym artykule

Podsumowanie

Procesy krajobrazowe są kluczowymi składnikami formowania gleby i odgrywają ważną rolę w określaniu właściwości gleby i struktury przestrzennej w krajobrazach. Proponujemy nowe podejście wykorzystujące krokową regresję głównych składowych do przewidywania redystrybucji gleby i węgla organicznego w glebie w różnych skalach przestrzennych.

Streszczenie

Topografia krajobrazu jest krytycznym czynnikiem wpływającym na formowanie się gleby i odgrywa ważną rolę w określaniu właściwości gleby na powierzchni ziemi, ponieważ reguluje napędzany grawitacją ruch gleby wywołany przez spływ i działania uprawowe. Niedawne zastosowanie danych LiDAR (Light Detection and Range) daje nadzieję na generowanie wskaźników topograficznych o wysokiej rozdzielczości przestrzennej, które można wykorzystać do badania zmienności właściwości gleby. W tym badaniu wykorzystano piętnaście wskaźników topograficznych pochodzących z danych LiDAR w celu zbadania wpływu topograficznego na redystrybucję gleby i przestrzenne rozmieszczenie węgla organicznego w glebie (SOC). W szczególności zbadaliśmy wykorzystanie głównych składowych topograficznych (TPC) do charakteryzowania wskaźników topografii i stopniowej regresji głównych składowych (SPCR) w celu opracowania opartych na topografii modeli erozji gleby i SOC w skalach lokalizacji i działu wodnego. Wydajność modeli SPCR oceniono w porównaniu z modelami krokowej zwykłej regresji najmniejszej kwadrat (SOLSR). Wyniki pokazały, że modele SPCR przewyższają modele SOLSR w przewidywaniu wskaźników redystrybucji gleby i gęstości SOC w różnych skalach przestrzennych. Zastosowanie TPC eliminuje potencjalną współliniowość między poszczególnymi zmiennymi wejściowymi, a redukcja wymiarowości za pomocą analizy głównych składowych (PCA) zmniejsza ryzyko nadmiernego dopasowania modeli predykcyjnych. W niniejszym badaniu zaproponowano nowe podejście do modelowania redystrybucji gleby w różnych skalach przestrzennych. W przypadku jednego zastosowania dostęp do gruntów prywatnych jest często ograniczony, a potrzeba ekstrapolacji wyników z reprezentatywnych ośrodków badawczych na większe środowiska, które obejmują tereny prywatne, może być istotna.

Wprowadzenie

Redystrybucja gleby (erozja i osadzanie) wywiera znaczący wpływ na zasoby i dynamikę węgla organicznego (SOC) w glebie. Coraz więcej wysiłku poświęca się zbadaniu sposobu, w jaki SOC jest odłączany, transportowany i osadzany nad krajobrazem1,2,3. Na sekwestrację węgla (C) i rozkład SOC ma wpływ ruch gleby napędzany grawitacją wywołany erozją wodną4,5,6. Na polach uprawnych translokacja gleby przez uprawę jest kolejnym ważnym procesem przyczyniającym się do redystrybucji C7,8,9. Erozja uprawowa powoduje znaczne przemieszczanie się cząstek gleby w dół zbocza netto i prowadzi do zmienności gleby w obrębie pola10. Zarówno na erozję wodną, jak i uprawę roli znaczący wpływ ma topografia krajobrazu, która określa lokalizacje miejsc erozji i depozycji11. W związku z tym skuteczna regulacja erozji gleby i dynamiczne badania C na gruntach rolnych wymagają lepszego zrozumienia kontroli topograficznych erozji gleby i ruchów gleby.

Kilka badań dotyczyło wpływu topografii na redystrybucję gleby i związaną z tym dynamikę SOC9,12,13,14,15,16,17. Van der Perk i wsp.12 poinformował, że czynniki topograficzne wyjaśniają 43% zmienności w redystrybucji gleby. Rezaei i Gilkes13 stwierdzili wyższe SOC w glebach o zacienionym aspekcie, ze względu na niższe temperatury i mniejsze parowanie w porównaniu z innymi aspektami na terenach górskich. Topografia może mieć większy wpływ na redystrybucję gleby na gruntach rolnych z tradycyjną uprawą roli niż na tych z uprawą minimalną, ze względu na interakcje między formami terenu a praktykami uprawowymi9. Odkrycia te pochodziły jednak przede wszystkim z obserwacji terenowych, które utrudniają badanie właściwości gleby w szerszej skali przestrzennej. Istnieje pilna potrzeba opracowania nowych strategii, aby skutecznie zrozumieć przestrzenne wzorce właściwości gleby w skali zlewni i w skali regionalnej.

Celem tego badania jest opracowanie efektywnych modeli do symulacji redystrybucji gleby i dystrybucji SOC. Opracowano modele topograficzne wykorzystujące wskaźniki topograficzne jako predyktory w celu ilościowego określenia procesów erozji i osadzania się gleby. W porównaniu z empirycznymi lub opartymi na procesach modelami erozji, które wykorzystywały dyskretne pobieranie próbek terenowych do symulacji erozji gleby18,19, modele topograficzne można było opracować na podstawie informacji topograficznych pochodzących z cyfrowych modeli terenu (DEM) o wysokiej rozdzielczości. Takie podejście pozwala na ciągłe symulacje właściwości gleby w skali działu wodnego lub regionalnej. W ciągu ostatnich kilku dekad dokładność informacji topograficznych znacznie się poprawiła, wraz z rosnącą dostępnością danych teledetekcyjnych o wysokiej rozdzielczości. Chociaż w poprzednich badaniach wykorzystano modele topografii do symulacji właściwości gleby12,20,21,22, większość tych badań wykorzystywała pojedynczą metrykę topograficzną lub pojedynczą kategorię wskaźników topograficznych (lokalne, nielokalne lub połączone wskaźniki topograficzne), które mogły nie zbadać wystarczająco wpływu topograficznego na aktywność mikrobiologiczną gleby. W związku z tym, aby lepiej zrozumieć kontrolę topografii gleby nad erozją gleby i dynamiką C, zbadaliśmy kompleksowy zestaw wskaźników topograficznych, w tym lokalne, nielokalne i połączone wskaźniki topograficzne, oraz opracowaliśmy wielowymiarowe modele topografii w celu symulacji dynamiki właściwości gleby. Oczekuje się, że zastosowania tych modeli zapewnią wsparcie naukowe dla lepszej kontroli erozji gleby i zarządzania gruntami rolnymi.

Metryki topograficzne są zazwyczaj klasyfikowane do jednej z trzech kategorii: a) lokalne wskaźniki topograficzne, b) nielokalne wskaźniki topograficzne, lub c) połączone wskaźniki topograficzne. Lokalne metryki topograficzne odnoszą się do lokalnych cech jednego punktu na powierzchni lądu. Nielokalne metryki topograficzne odnoszą się do względnego położenia wybranych punktów. Połączone metryki topograficzne integrują lokalne i nielokalne metryki topograficzne. W niniejszym badaniu wykorzystano zestaw wskaźników topograficznych wpływających na erozję i osadzanie się gleby w celu zbadania kontroli topograficznych ruchów gleby i zasobów węgla (tabela 1). W szczególności wykorzystaliśmy cztery lokalne wskaźniki topograficzne [nachylenie, krzywizna profilu (P_Cur), krzywizna planu (Pl_Cur), ogólna krzywizna (G_Cur)], siedem nielokalnych wskaźników topograficznych [akumulacja przepływu (FA), rzeźba topograficzna, otwarta dodatnia otwartość (POP), nachylenie nachylenia w górę (UpSl), długość ścieżki przepływu (FPL), wskaźnik zbocza w dół (DI), obszar zlewni (CA)] oraz trzy połączone wskaźniki topograficzne [topograficzny wskaźnik wilgotności (TWI), indeks mocy strumienia (SPI), i współczynnik długości nachylenia (LS)].

Protokół

1. Analizy topograficzne

  1. Wstępne przetwarzanie danych cyfrowych
    1. Zbieraj dane LiDAR ze strony internetowej projektu mapowania GeoTREE LiDAR. Wybierz "typ granicy" i "region", aby powiększyć określony obszar. Narysuj wielokąt, aby pobrać kafle LiDAR dla wybranego analizowanego obszaru.
    2. Przekonwertuj nieprzetworzone dane LiDAR na plik LAS za pomocą narzędzia do tworzenia map systemu informacji geograficznej (GIS).
    3. Generuj DEM z rozdzielczością przestrzenną 3 m przy użyciu interpolacji ważonej odwrotną odległością.
    4. Przefiltruj 3-metrowe DEM dwukrotnie za pomocą 3-jądrowego filtra dolnoprzepustowego, aby zredukować szumy związane z lokalną zmiennością.
  2. Generowanie metryk topograficznych
    1. Aby wygenerować metryki topograficzne, najpierw pobierz najnowszą wersję Systemu Zautomatyzowanych Analiz Geonaukowych (SAGA)23. Kliknij "Importuj raster" w sekcji Import/Eksport, aby zaimportować przefiltrowane 3-metrowe pliki DEM do SAGA.
    2. Kliknij moduł "Nachylenie, Proporcje, Krzywizna" w SAGA z ustawieniami domyślnymi, aby wygenerować metryki związane z nachyleniem i krzywizną [krzywizna profilu (P_Cur), krzywizna planu (Pl_Cur) i ogólna krzywizna (G_Cur)] przy użyciu przefiltrowanych DEM (Rysunek 1).
    3. Kliknij moduł "Akumulacja przepływu (od góry do dołu)" w SAGA i wybierz "Deterministyczna nieskończoność" jako metodę generowania metryki akumulacji przepływu (FA) przy użyciu przefiltrowanych DEM.
    4. Kliknij moduł "SAGA Topographic Openness" z ustawieniami domyślnymi, aby wygenerować metrykę pozytywnej otwartości (POP) przy użyciu przefiltrowanego obrazu wzmocnionego osią z.
    5. Kliknij moduł "Współczynnik LS (oparty na polu)" w SAGA z ustawieniami domyślnymi, aby wygenerować metryki nachylenia w górę (Upsl) i współczynnika długości nachylenia (LS_FB) przy użyciu przefiltrowanych DEM.
    6. Kliknij moduł "Długość ścieżki przepływu" w SAGA z ustawieniami domyślnymi, aby wygenerować metrykę długości ścieżki przepływu (FPL) przy użyciu przefiltrowanych DEM.
    7. Kliknij moduł "Downslope Distance Gradient" w SAGA z ustawieniami domyślnymi, aby wygenerować metrykę indeksu downslope (DI) przy użyciu przefiltrowanych DEM.
    8. Kliknij moduł "Indeks wilgotności SAGA" i wybierz "bezwzględny obszar zlewni" jako typ obszaru, aby wygenerować metryki obszaru zlewni (CA) i topograficznego wskaźnika wilgotności (TWI) przy użyciu przefiltrowanych DEM.
    9. Kliknij moduł "Stream Power Index" w SAGA i wybierz "pseudo specific catchment area" jako konwersję obszaru, aby wygenerować metrykę indeksu mocy strumienia (SPI) przy użyciu przefiltrowanych DEM.
    10. Generuj mapy maksymalnej wysokości z wieloma promieniami. Przefiltruj mapy maksymalnej wysokości dwukrotnie przez filtr dolnoprzepustowy z 3 jądrami. Odejmij przefiltrowane 3 m DEM od przefiltrowanych map maksymalnej wysokości, aby uzyskać serię map rzeźby terenu. Wyodrębnij serię zmiennych rzeźby terenu do wielu lokalizacji.
    11. Wykonaj analizę składowych głównych (PCA) zmiennych reliefu, aby przekształcić reliefy w topograficzne komponenty reliefu. Wybierz główne składniki, które wyjaśniają ponad 90% wariancję zestawu danych rzeźby terenu jako metryki rzeźby terenu.

2. Zbieranie danych terenowych

  1. Pobieranie próbek w terenie
    1. Należy wybrać kilka lokalizacji pól uprawnych, które mogą odpowiednio reprezentować charakterystykę krajobrazu badanego obszaru oraz kilka reprezentatywnych pól uprawnych na małą skalę, z których można intensywnie pobierać próbki.
      UWAGA: Do kalibracji modelu wykorzystano próbki gleby pobrane z dwóch pól uprawnych. Do walidacji modelu wykorzystano próbki gleby pobrane z całego obszaru badań.
    2. Prześlij wszystkie przykładowe współrzędne lokalizacji do systemu pozycjonowania geograficznego opartego na kodzie (GPS) i fizycznie zlokalizuj je w polach.
    3. Pobrać 3 próbki dla każdego miejsca pobierania próbek z górnej warstwy gleby o grubości 30 cm za pomocą sondy pchającej (o średnicy 3,2 cm).
      UWAGA: Próbki gleby z warstw o grubości 30-50 cm pobrano w miejscach, w których spodziewano się osadzania się osadów. Objętość każdej próbki wynosiła 241cm3.
    4. Rejestruj informacje o współrzędnych geograficznych lokalizacji pobierania próbek za pomocą GPS.
    5. Zważyć próbki gleby po wysuszeniu ich w temperaturze 90 °C przez 48 godzin. Obliczyć gęstość gleby, korzystając z informacji o całkowitej objętości próbki w miejscach pobierania próbek i masie. Wymieszaj trzy próbki z tego samego miejsca, aby uzyskać złożoną próbkę gleby.
  2. Przygotowanie próbki gleby
    1. Złożone próbki gleby należy przesiać przez sito o średnicy 2 mm.
    2. Zmielić 10 g podpróbki przesianej gleby na bardzo drobny proszek za pomocą młyna walcowego.
  3. Analizy próbek gleby
    1. Zmierzyć zawartość węgla całkowitego (C) w glebie w próbkach mielonych rolkowo poprzez spalanie na analizatorze elementarnym CN w temperaturze 1350 °C. Oszacować zawartość węglanu wapnia C, analizując pozostałą zawartość węgla C po wypaleniu materii organicznej w glebie w temperaturze 420 °C przez 16 godzin w piecu.
    2. Obliczyć zawartość SOC (%), odejmując zawartość węglanu wapnia C od całkowitej zawartości C w glebie. Przelicz zawartość SOC (%) na gęstość SOC (kg m-2) za pomocą gęstości gleby.
    3. Umieść przesiane próbki gleby o średnicy 2 mm w zlewkach Marinelli i zamknij je. Zmierz stężenie 137Cs w każdej próbce za pomocą analizy promieniowania gamma przy użyciu systemu spektroskopowego, który odbiera dane wejściowe z trzech współosiowych kryształów germanu o wysokiej czystości (wydajność HpCN30%) do analizatorów 8192-kanałowych (patrz tabela materiałów).
    4. Skalibruj system za pomocą analitycznego mieszanego standardu radionuklidów11. Zamień stężenie 137Cs na 137Cs inwentarza za pomocą gęstości gleby.
    5. Oblicz współczynnik redystrybucji gleby przy użyciu inwentaryzacji 137Cs, stosując Model Bilansu Masy II (MBMII) w dodatkowym programie arkusza kalkulacyjnego opracowanym przez Wallinga i wsp.24.

3. Tworzenie modeli w oparciu o topografię

  1. Topograficzna estymacja głównych składowych
    1. Wyodrębnij wskaźniki topograficzne dla lokalizacji pobierania próbek na całym badanym obszarze i na małych polach uprawnych.
    2. Standaryzacja wskaźników topograficznych miejsc pobierania próbek na całym obszarze badania za pomocą średniej i odchylenia standardowego. Oszacuj obciążenia metryczne topograficzne w każdym komponencie na podstawie znormalizowanych wskaźników topograficznych za pomocą PCA z pakietem oprogramowania statystycznego. Zbierz obciążenia metrykami topograficznymi w każdym głównym składniku topograficznym (TPC) i wybierz najważniejsze TPC, które wyjaśniają 90% wariancję wszystkich metryk.
    3. Standaryzacja wskaźników topograficznych miejsc pobierania próbek na małych polach uprawnych. Oblicz najlepsze TPC dla każdej lokalizacji na podstawie sumy znormalizowanych wskaźników topograficznych ważonych odpowiednimi ładunkami z lokalizacji próbkowania w WCW.
  2. Kalibracja modelu
    1. Wykonaj krokową zwykłą regresję metodą najmniejszych kwadratów (SOLSR) w celu opracowania opartych na topografii modeliSOLSR f dla gęstości SOC i współczynników redystrybucji gleby w oparciu o wszystkie wskaźniki topograficzne na małych polach uprawnych. Użyj kryterium informacyjnego Akaike (AIC) i pomiń jednorazową walidację krzyżową, aby wybrać optymalną kombinację wskaźników topograficznych dla najlepiej dopasowanych modeli SOLSRf.
    2. Sprawdź współliniowość zmiennych topograficznych za pomocą współczynnika inflacji wariancji (VIF). Usuń zmienne o największym numerze VIF (VIF ≥ 7.525) i ponownie sprawdź VIF. Usuń zmienne, aż VIF-y wszystkich zmiennych zostaną < 7.5. Wykonaj SOLSR, aby opracować oparte na topografii modeler SOLSR dla gęstości SOC i wskaźników redystrybucji gleby w oparciu o metryki topograficzne, z których usunięto zmienne o wysokiej współliniowości. Skorzystaj z AIC i walidacji krzyżowej typu leave-one-out, aby wybrać optymalną kombinację dla najlepiej dopasowanych modeli SOLSRr.
    3. Wykonaj krokową regresję głównych składowych (SPCR) w celu opracowania opartych na topografii modeli SPCR dla gęstości SOC i wskaźników redystrybucji gleby w oparciu o TPC na małych polach uprawnych. Użyj AIC i pomiń jedną walidację krzyżową, aby wybrać optymalną kombinację TPC dla najlepiej dopasowanych modeli SPCR.
    4. Oblicz skorygowany współczynnik determinacji (Radj2), sprawność Nasha-Sutcliffe'a (NSE) i stosunek błędu średniokwadratowego do odchylenia standardowego mierzonych danych (RSR), aby ocenić wydajność modelu.
  3. Ewaluacja modelu
    1. Oszacuj gęstość SOC i wskaźniki redystrybucji gleby na całym badanym obszarze, stosując oszacowane modele.
    2. Zweryfikuj opracowany model, porównując prognozę z zmierzonym zestawem danych dotyczących gęstości SOC i wskaźników redystrybucji gleby na całym badanym obszarze. Oceń wydajność modelu przy użyciu wartości Radj2, NSE i RSR.

Wyniki

Wykorzystaliśmy zlewnię Walnut Creek Watershed (WCW) jako obszar testowy do oceny wykonalności modeli opartych na topografii w badaniu redystrybucji gleby i dynamiki SOC. Zlewnia znajduje się w hrabstwach Boone i Story w stanie Iowa (41°55'-42°00'N; 93°32'-93°45'W) i zajmuje obszar 5 130 ha (Rysunek 2). Dominującym typem użytkowania terenu w WCW są grunty orne o względnie płaskiej rzeźbie (średnia wysokość 90 m, deniwacja topograficzna 2,29 m). Głównymi praktykami uprawy na polach są głęboka orka dłutująca, tarczowanie i bronowanie26,27; jednak kierunki uprawy różnią się ze względu na odmienne praktyki zarządzania.

W celu pozyskania informacji topograficznych w WCW losowo wybrano czterysta sześćdziesiąt lokalizacji na polach uprawnych (Rysunek 2). 100 z 460 lokalizacji, w tym dwa transekt o długości 300 m (każdy obejmujący 9 punktów poboru prób), wybrano do przeprowadzenia pobiorów terenowych oraz analizy poziomu SOC i redystrybucji gleby. Dodatkowo wybrano dwa małoskalowe obszary badawcze o topografii krajobrazu, typach gleby i praktykach uprawy podobnych do WCW w celu przeprowadzenia bardziej intensywnych pobiorów. Na każdym małoskalowym obszarze utworzono siatkę o oczkach 25 × 25 m, a 230 punktów poboru prób zlokalizowano w węzłach siatki (Rysunek 3). Dla tych 230 lokalizacji obliczono wskaźniki topograficzne oraz informacje o właściwościach gleby.

Wskaźniki topograficzne w WCW zostały wygenerowane zgodnie z powyższym protokołem. WCW charakteryzuje się niską do umiarkowanej topografią (wysokość od 260 do 325 m) przy stosunkowo niskim nachyleniu (od 0 do 0,11 radiana), nachyleniu stoku (0 do 0,09 m) oraz umiarkowanych krzywiznach (krzywizna profilu: -0,009 do 0,009 m-1, krzywizna rzutu: -0,85 do 0,85 m-1, krzywizna ogólna: -0,02 do 0,02 m-1). Wysokości pionowe DEM zostały powiększone 100-krotnie, aby zwiększyć rozróżnialność stosunkowo niskiego reliefu w skali pola występującego w WCW w celu stworzenia wskaźników otwarcia pozytywnego (POP100). Po konwersji zakres otwarcia pozytywnego zwiększył się z 0,08 radiana (POP: 1,51-1,59 radiana) do 0,86 radiana (POP100: 0,36-1,22 radiana).

W celu opracowania rzeźby terenu wygenerowano siedem map reliefu o następujących promieniach: 7,5 m, 15 m, 30 m, 45 m, 60 m, 75 m oraz 90 m. Na podstawie wyników PCA przeprowadzonych na siedmiu zmiennych reliefu wybrano dwie główne składowe. Pierwsza z nich wykazała zmienność rzeźby o niskiej rozdzielczości, w której główną zmienną był relief45m. Składową tę zdefiniowano jako rzeźbę wielkoskalową (LsRe). Druga składowa, która była silnie skorelowana z relief7,5m i przedstawiała zmienność rzeźby o wysokiej rozdzielczości, została zdefiniowana jako rzeźba małkoskalowa (SsRe).

Wyniki analiz korelacji pomiędzy wskaźnikami topograficznymi a gęstością SOC i redystrybucją gleby przedstawiono w Tabeli 2. Wskaźniki TWI i LsRe wykazały najwyższe korelacje odpowiednio z gęstością SOC i szybkością redystrybucji gleby. Wzorce przestrzenne obu wskaźników przedstawiono na Rysunku 4. Szczegóły dotyczące TWI i LsRe można lepiej zaobserwować na obszarze przekroju. Oba wskaźniki wykazały wysokie wartości w obszarach depresyjnych oraz niskie wartości w obszarach nachylonych i grzbietowych. Jednakże różnice między oboma wskaźnikami wystąpiły w obszarach rowów, gdzie TWI wykazywał ekstremalnie wysokie wartości, podczas gdy wartości LsRe nie różniły się od obszarów sąsiednich.

Po wygenerowaniu piętnastu wskaźników topograficznych, przeprowadzono analizę PCA na tych zmiennych topograficznych dla 460 punktów poboru prób w WCW. Wybrano pierwsze siedem głównych składowych topograficznych (TPCs), które wyjaśniały ponad 90% zmienności całego zbioru danych topograficznych. Pięć TPCs ostatecznie wybranych do budowy modeli opartych na topografii wymieniono w Tabeli 3. Dla pierwszej głównej składowej (TPC1) najwyższą ładowność wykazał wskaźnik G_Cur. Najważniejszymi wskaźnikami w TPC2 były Slope, TWI, Upsl oraz LS_FB, z ładownościami przekraczającymi 0,35. W TPC3 istotnymi wskaźnikami były FA, SPI oraz CA, z ładownościami wynoszącymi odpowiednio 0,482, 0,460 i 0,400. W TPC6 najważniejsze były FPL (-0,703) oraz Pl_Cur (0,485). Głównymi wskaźnikami o wysokich ładownościach w TPC7 były SsRe (0,597), DI (0,435), FPL (0,407) oraz Pl_Cur (0,383).

Koliniowość zmiennych topograficznych sprawdzono poprzez analizę VIF. Z 15 wskaźników usunięto nachylenie, TWI oraz G_Cur ze względu na wysokie wartości VIF. Na podstawie wskaźników redystrybucji gleby i danych o gęstości węgla z obszarów 1 i 2 opracowano modele SOLSR z wykorzystaniem wszystkich 15 wskaźników (SOLSRf) oraz 12 wskaźników po usunięciu koliniowych kowariantów (SOLSRr) (Tabela 4). Zazwyczaj ponad 70% i 65% zmienności gęstości SOC oraz wskaźników redystrybucji gleby wyjaśniały odpowiednio modele SOLSRf. W przypadku modeli z usuniętymi kowariantami koliniowymi (SOLSRr) efektywność symulacji była nieco niższa niż w modelach SOLSRf (68% dla gęstości SOC i 63% dla redystrybucji gleby). Wartości NSE były nieco niższe, a RSR nieco wyższe w modelach SOLSRr niż w modelach SOLSRf.

W przypadku modeli SPCR w Tabeli 4 zaobserwowano podobną efektywność symulacji jak w przypadku SOLSRr. Jednak w modelach SPCR wybrano mniej zmiennych niezależnych (mniej niż 5 zmiennych) niż w modelach SOLSRf i SOLSRr (więcej niż 6 zmiennych). TPC 1, 2, 3 i 7 wybrano jako kombinacje zmiennych niezależnych dla modelu SOC, natomiast TPC 1, 2, 3, 6 i 7 wybrano jako kombinację dla modelu redystrybucji gleby.

Stwierdzono, że modele SPCR wykazały najlepsze zdolności predykcyjne, natomiast modele SOLSRr najsłabsze w skali zlewni. Współczynniki determinacji (r2) uzyskane poprzez porównanie prognoz gęstości SOC z obserwacjami wzrosły z: 1) 0,60 w SOLSRf i 0,52 w SOLSRr do 0,66 w SPCR, a 2) NSE wzrósł z 0,21 w SOLSRf i 0,16 w SOLSRr do 0,59 w SPCR; podczas gdy RSR spadł z 0,87 w SOLSRf i 0,91 w SOLSRr do 0,64 w SPCR. Predykcja tempa redystrybucji gleby w modelu SPCR wyjaśniła 36% zmienności mierzonej zmiennej, co było wynikiem wyższym niż w przypadku predykcji SOLSRf (34%) i SOLSRr (0,35%). Wyższy wskaźnik NSE i niższy RSR w SPCR (NSE = 0,33, RSR = 0,82) w porównaniu do SOLSRf (NSE = 0,31, RSR = 0,83) i SOLSRr (NSE = 0,32, RSR = 0,82) wykazały również lepszą skuteczność symulacji tempa redystrybucji gleby przez model SPCR.

Na podstawie ocen wydajności modelu, do generowania map gęstości SOC i tempa redystrybucji gleby w skali zlewni wybrano modele SPCR. Mapy wykazały spójne wzorce pomiędzy symulacjami modelowymi a pomiarami terenowymi (Rysunek 5). Wysoki stopień zgodności między symulacjami a obserwacjami był bardziej widoczny wzdłuż transektów. Zarówno gęstość SOC, jak i tempo redystrybucji gleby wykazały wysoką korelację z topografią terenu. Wysokie wartości gęstości SOC odnotowano w strefach podnóża stoku i obszarach akumulacyjnych, gdzie następowało gromadzenie gleby, natomiast niskie wartości gęstości SOC zaobserwowano na obszarach nachylonych, gdzie występowała erozja gleby.

figure-results-1
Rysunek 1: Moduł nachylenia, ekspozycji i krzywizny (Slope, Aspect, Curvature) w Systemie Zautomatyzowanej Analizy Geonaukowej (SAGA). Poligony wskazują lokalizację obszarów badań. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-2
Rycina 2: Położenie zlewni Walnut Creek oraz punktów poboru próbek w zlewni (Iowa). Ta rycina została zaadaptowana z wcześniejszych prac17. Aby zobaczyć powiększoną wersję tej ryciny, kliknij tutaj.

figure-results-3
Rycina 3: Lokalizacja pobranych próbek a) 1 oraz b) 2 (oś z 15-krotne powiększenie wysokości). Rycina ta została opracowana na podstawie wcześniejszych prac17. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

figure-results-4
Rysunek 4: Topograficzne mapy metryczne. (a) Topograficzny wskaźnik wilgotności (TWI) oraz (b) wielkoskalowy relief topograficzny (LsRe) w zlewni Walnut Creek i obszarze przekroju (oś z 15 x wysokość). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-5
Rycina 5: Mapy szybkości redystrybucji gleby (t ha-1 roku-1) oraz mapy gęstości SOC (kg m-2). Przedstawiono mapy redystrybucji gleby (a) w obrębie zlewni Walnut Creek oraz (b) wzdłuż dwóch przekrojów. Przedstawiono mapy gęstości SOC (kg m-2) (c) w obrębie zlewni Walnut Creek oraz (d) wzdłuż dwóch przekrojów z wykorzystaniem modeli krokowej analizy głównych składowych (oś z 15x wyższa). Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Zmienne Znaczenie
Nachylenie (radiany)Prędkość spływu, wilgotność gleby28,29
Krzywizna profilu (m-1)Przyspieszenie przepływu, erozja gleby, tempo sedymentacji11,30
Krzywizna w rzucie poziomym (m-1)Konwergencja i dywergencja przepływu, zawartość wody w glebie30
Ogólna krzywizna (m-1)Prędkość spływu, erozja gleby, depozycja29
Akumulacja przepływuZawartość wody w glebie, objętość spływu20
Rzeźba terenu (m)Charakterystyka drenażu terenu, prędkość i przyspieszenie spływu21,31 
Pozytywna otwartość (radian)Charakterystyka drenażu krajobrazowego, zawartość wody w glebie32
Nachylenie stoku powyżej (m)Prędkość spływu33,34
Długość drogi przepływu (m)Ilość naniesionego osadu, tempo erozji35 
Indeks nachylenia stoku (radian)Wilgotność gleby36
Obszar zlewni (m²2)Prędkość i objętość spływu33,37 
Topograficzny Wskaźnik WilgotnościRozkład wilgotności gleby28,38,39 
Wskaźnik Mocy StrumieniaErozja gleby, konwergencja przepływu40 
Współczynnik długości stokuKonwergencja i dywergencja przepływu28,40

Tabela 1: Istotność wybranych metryk topograficznych.

NachylenieP_CurPl_CurG_CurFALsReSsRePOPUpslFPLDICATWISPILS_FB
(radian)(m-1)(m-1)(m-1)(m)(m)(radian)(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 i G_Cur oznaczają odpowiednio krzywiznę profilu, krzywiznę rzutu poziomego i krzywiznę ogólną; FA to akumulacja przepływu; RePC1 i RePC2 to odpowiednio pierwszy i drugi komponent reliefu topograficznego; POP100 to dodatnia otwartość; Upsl to nachylenie stoku powyżej punktu pomiaru; FPL to długość ścieżki przepływu; DI to wskaźnik spływu; CA to powierzchnia zlewni; TWI to topograficzny wskaźnik wilgotności; SPI to wskaźnik mocy strumienia; a LS_FB to współczynnik długości stoku (wyznaczony w terenie).
* P < 0,05, ** P < 0,005, *** P < 0.0001.
†Współczynnik korelacji >0.5, ‡Najwyższy współczynnik korelacji dla każdej właściwości gleby.

Tabela 2: Korelacja rang Spearmana (n = 560) pomiędzy wybranymi wskaźnikami topograficznymi a gęstością organicznego węgla w glebie (SOC) oraz tempem redystrybucji gleby (SR).

TPC1(25%)TPC2(24%)TPC3(14%)TPC6(5%)TPC7(4%)
Nachylenie0.0620.475†-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†
Woda dejonizowana0.103-0.220-0.1640.1840.435†
Wapń (Ca)0.326-0.1280.4†-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 oraz G_Cur oznaczają odpowiednio krzywiznę profilu, krzywiznę rzutu poziomego oraz krzywiznę ogólną; FA to akumulacja przepływu; RePC1 i RePC2 to odpowiednio komponenty rzeźby terenu 1 i 2; POP100 to otwartość dodatnia; Upsl to nachylenie stoku powyżej; FPL to długość ścieżki przepływu; DI to indeks spływu; CA to obszar zlewni; TWI to topograficzny indeks wilgotności; a SPI to indeks mocy strumienia; oraz  LS_FB to współczynnik długości stoku (oparty na pomiarach terenowych).
†Ładunki czynnikowe> 0.35.

Tabela 3: Ładunki zmiennych w głównych komponentach (TPCs) obliczone dla wskaźników topograficznych (n = 460) w zlewni Walnut Creek.

ModelR2przymiotnikNSERSR
Krokowa regresja głównych składowych (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
Krokowa regresja metodą najmniejszych kwadratów (SOLSR)f)
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
Krokowa regresja metodą najmniejszych kwadratów z usunięciem współliniowych zmiennych towarzyszących (SOLSR)r)
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
† Kolejność TPC opiera się na etapach stopniowego wyboru. 
R2przymiotnik skorygowany współczynnik determinacji; NSE to efektywność Nasha-Sutcliffe'a; RSR to stosunek pierwiastka błędu średniokwadratowego (RMSE) do odchylenia standardowego danych pomiarowych.
TPC oznacza główną składową topograficzną (topographic principal component). TWI to topograficzny indeks wilgotności (topographic wetness index); FPL to długość drogi przepływu (flow path length); P_Cur, Pl_Cur i G_Cur to odpowiednio krzywizna profilu, krzywizna rzutu poziomego i krzywizna ogólna; LS_FB to czynnik długości stoku (wyznaczony w terenie); LsRe i SsRe to odpowiednio rzeźba topograficzna w skali makro i mikro; DI to indeks spływu (downslope index); a Upsl to nachylenie stoku powyżej danego punktu (upslope slope). 

Tabela 4: Modele gęstości organicznego węgla glebowego (SOC) i szybkości redystrybucji gleby (SR) dla pól uprawnych w oparciu o wskaźniki topograficzne w lokalizacjach 1 i 2.

Dyskusja

Modele SOLSRf charakteryzowały się nieco lepszymi osiągami niż modele SPCR w kalibracji w skali polowej. Jednak niektóre wskaźniki topograficzne, takie jak SPI i CA (r > 0,80), są ze sobą ściśle skorelowane. Współliniowość może dodawać niepewności do przewidywań modelu. Ze względu na wieloliniowość wśród predyktorów, niewielkie zmiany w zmiennych wejściowych mogą znacząco wpłynąć na przewidywania modelu41. W związku z tym modelef SOLSR były zwykle niestabilne i wykazywały niską wydajność w symulacjach gęstości SOC i szybkości redystrybucji gleby w skali zlewni. Modele SPCR znacznie przewyższyły modelef SOLSR w przewidywaniu rozkładu SOC w skali działu wodnego. TPC eliminują wieloliniowość, przekształcając piętnaście metryk topograficznych w wzajemnie niezależne (ortogonalne) komponenty. Konwersja ujawniła również podstawowe zależności między wskaźnikami topograficznymi. Jak wskazują wysokie obciążenia (> 0,35) wskaźników topograficznych do składników, TPC1, TPC2, TPC3, TPC6 i TPC7 były związane odpowiednio z prędkością odpływu, zawartością wody w glebie, objętością odpływu, rozbieżnością przepływu i przyspieszeniem przepływu. Przestrzenne wzorce tempa redystrybucji gleby i rozmieszczenia SOC były silnie skorelowane z zawartością wody w glebie i rozbieżnością odpływu w WCW, co jest zgodne z badaniem Foxa i Papanicolaou2, które wykazało, że na zerodowaną glebę z wyżyn może mieć wpływ rozbieżność przepływu w zlewni rolniczej o niskiej rzeźbie.

Ponadto mniejsza liczba zmiennych predykcyjnych w modelach SPCR niż w modelach SOLSRf i SOLSRr zmniejszyła ryzyko nadmiernego dopasowania modeli predykcyjnych42,43. We wszystkich modelach SOLSR występowało więcej niż sześć zmiennych, co może zwiększać trudność interpretacji danych i indukować wysoką wariancję w symulacjach modeli 41,44,45. Może to tłumaczyć niższą skuteczność predykcji w WCW w modelach SOLSR niż w modelach SPCR.

Modele SPCR oparte na topografii mają zalety w symulowaniu redystrybucji gleby i związanej z nią dynamiki SOC. Po pierwsze, informacje topograficzne można łatwo uzyskać z DEM. Niedawny wzrost dostępności danych LiDAR o wysokiej rozdzielczości przestrzennej może pomóc w poprawie dokładności topografii krajobrazu pochodzącej z DEM i przynieść korzyści w badaniach w regionach o ograniczonych obserwacjach terenowych. Po drugie, korzystając z zestawu wskaźników topograficznych i analiz statystycznych, modele oparte na topografii mogą skutecznie określić ilościowo wzorce redystrybucji gleby i rozmieszczenia SOC. Po trzecie, zastosowanie głównego komponentu może skutecznie zmniejszyć odchylenia związane z wieloliniowością wskaźników topograficznych i zwiększyć stabilność modeli regresji krokowej w przypadku zastosowania do wielu skal przestrzennych.

Jednak modele SPCA mogą być ograniczone przez zmienne podczas opracowywania modelu. Chociaż zastosowanie danych LiDAR wzrosło w badaniach ekologicznych, metody uzyskiwania użytecznych informacji topograficznych nie zostały jeszcze w pełni zbadane. W tym badaniu TWI i LsRe wykazały najwyższe korelacje odpowiednio z gęstością SOC i wskaźnikami redystrybucji gleby. Jednak dodatkowe zmienne topograficzne, które nie są brane pod uwagę, mogą być równie lub bardziej ważne w wyjaśnianiu erozji gleby i dynamiki C. Ponadto w badaniu nie uwzględniono innych czynników, takich jak praktyki gospodarowania, które mogą powodować zmienność erozji gleby. Na przykład, gdy uprawa była równoległa do kierunku maksymalnego nachylenia, erozja gleby może się podwoić w stosunku do erozji w uprawie skośnej, która obraca glebę w górę zbocza46. W związku z tym różne praktyki uprawowe mogą być również przyczyną zmniejszonej skuteczności prognozowania modeli SPCR.

Badanie opiera się na artykule opublikowanym w czasopiśmie Catena17. Zamiast mechanistycznej analizy wpływów topograficznych na ruchy gleby i właściwości gleby, jak to zostało przeprowadzone w artykule Catena, skupiliśmy się tutaj na metodach ilościowego określania wskaźników topograficznych i opracowywaniu modeli opartych na topografii. Omówiliśmy możliwość i zalety wykorzystania modeli topografii w badaniach struktury przestrzennej właściwości gruntów. W międzyczasie udoskonaliliśmy nasze modele, aktualizując algorytmy współczynnika długości skarpy i akumulacji przepływu. Skala pomiaru współczynnika długości skarpy została ograniczona do powierzchni pola. Dodatkowo do generowania akumulacji przepływu wykorzystano algorytm deterministycznej nieskończoności. W porównaniu z metodą opisaną w Li i wsp.17 , który generował akumulację przepływu za pomocą deterministycznego algorytmu ośmiowęzłowego, algorytm nieskończoności przyjęty w tym badaniu zmniejsza pętle kątów kierunku przepływu i okazał się lepszym algorytmem dla obszarów o niskiej rzeźbieterenu 47.

Podsumowując, nasze wyniki pokazują wykonalność modeli SPCR opartych na topografii w symulacji rozkładu SOC i wzorców redystrybucji gleby na polach uprawnych. Jako opłacalna metoda szacowania zasobów SOC i wskaźników redystrybucji gleby ma zastosowanie do miejsc o ograniczonych danych obserwacyjnych i terenów prywatnych niedostępnych publicznie. W przyszłych badaniach modele predykcyjne mogą zostać ulepszone dzięki dalszemu udoskonalaniu i dostępności danych LiDAR oraz włączeniu dodatkowych wskaźników topograficznych. Wielkoskalowe mapy właściwości glebowych, które zostały opracowane w oparciu o modele, doprowadzą do lepszego zrozumienia mechanizmów leżących u podstaw wpływu topograficznego na ruchy gleby w krajobrazach rolniczych oraz losów SOC w skali działu wodnego i regionalnej.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

To badanie było wspierane przez Służbę Ochrony Zasobów Naturalnych USDA we współpracy z Komponentem Mokradeł Projektu Oceny Skutków Ochrony Przyrody (NRCS 67-3A75-13-177).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Dane detekcji i pomiaru światła (LiDAR) http://www.geotree.uni.edu/lidar/Zebrane w ramach projektu mapowania GeoTREE LiDAR 
Analizator elementarny LECO CNS 2000 LECO Corp., St. Joseph, MI
Canberra Genie-2000 System spektroskopiiCANBERRA Industries
System pozycjonowania geograficznegoTrimble RTK 4700 GPS
ArcGISESRI, Redlands, CA10.2.2
System Analizy Statystycznej SAS Institute Inc
do zautomatyzowanych analiz geologicznych Uniwersytet Gö ttingen, Niemcy v. 2.2.5, http://www.saga-gis.org/Powszechna Licencja Publiczna GNU
System

Bibliografia

  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).

Przedruki i uprawnienia

Tagi

Topograficzne składowe główneanaliza głównych składowychkrokowa regresja składowych głównychdetekcja i pomiar światłem (LiDAR)cyfrowe modele wysokościowewskaźniki topograficzneinwentaryzacja cezumodel bilansu masy II
Wykorzystanie głównych komponentów do skalowania modeli topograficznych w celu mapowania redystrybucji gleby i węgla organicznego w glebie
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.