Name: Uso de componentes principais para ampliação de modelos topográficos para mapear a redistribuição de terra e solo de carbono orgânico (Vídeo) | JoVE Journal
Uploaded: 2018-10-16T14:00:00.000+00:00
Duration: 9 min 44 s
Description: Aprenda a usar regressão por componentes principais para prever redistribuição de solo e carbono orgânico em diferentes escalas espaciais. Este método custo-efetivo auxilia pesquisadores agrícolas em áreas com dados limitados.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Esta pesquisa foi apoiada pelo USDA Natural Resources Conservation Service em associação com o componente de zonas húmidas do projeto nacional de conservação efeitos avaliação (CRN 67-3A75-13-177).

1. topográficas análises
<ol><li>Dados digitais pré-processar<ol>
<li>Colete dados de LiDAR a partir do site de projeto de mapeamento GeoTREE LiDAR. Selecione "tipo de fronteira" e "região" para aumentar o zoom em uma área específica. Desenhe um polígono para baixar LiDAR telhas para a área de estudo selecionada.</li>
		<li>Converta os dados brutos de LiDAR em um arquivo de LAS usando a ferramenta de mapeamento de informação geográfica (GIS) sistema.</li>
		<li>Gere DEMs com uma resolução espacial de 3 m, usando interpolação inversa distância ponderada.</li>
		<li>Filtro as DEMs 3 m duas vezes com um filtro passa-baixa 3-kernel para reduzir ruídos associar com variação local.</li>
	</ol>
</li>
	<li>Geração de métricas topográfica<ol>
<li>Para gerar métricas topográficas, primeiro Baixe a versão mais recente do sistema de análise geocientíficas automatizado (SAGA)23. Clique em "Importar Raster" na seção de importação/exportação para importar os filtrado DEMs de 3 m para a SAGA.</li>
		<li>Clique no módulo de "Slope, aspecto, curvatura" de SAGA com as configurações padrão para gerar a inclinação e curvatura-relacionados [Perfil curvatura (P_Cur), plano de curvatura (Pl_Cur) e curvatura geral (G_Cur)] métricas usando os filtrado DEMs (Figura 1).</li>
		<li>Clique no módulo de "Acumulação de fluxo (Top-Down)" de SAGA e selecione "Deterministico infinito" como o método para gerar a métrica de acumulação (FA) de fluxo usando os filtrado DEMs.</li>
		<li>Clique o módulo "SAGA topográfico abertura" com as configurações padrão para gerar a métrica de abertura positiva (POP), usando uma imagem amplificada filtrada do eixo z.</li>
		<li>Clique no módulo "LS-fator (campo base)" de SAGA com as configurações padrão para gerar a inclinação da curva ascendente (Upsl) e métricas de comprimento factor (LS_FB) usando os DEMs filtradas de inclinação.</li>
		<li>Clique no módulo de "Comprimento de caminho de fluxo" de SAGA com as configurações padrão para gerar a métrica de comprimento (FPL) do caminho de fluxo usando os filtrado DEMs.</li>
		<li>Clique no módulo "Gradiente descendente de distância" de SAGA com as configurações padrão para gerar a curva descendente métrica de índice (DI) usando os filtrado DEMs.</li>
		<li>Clique no módulo "SAGA Wetness Index" e selecione "área de catchment absoluta" como o tipo de área para gerar a área de captação (CA) e métricas de índice (TWI) umidade topográfico usando os filtrado DEMs.</li>
		<li>Clique no módulo de "Índice de poder de fluxo" de SAGA e selecione "área de captação específica de pseudo" como a conversão de área para gerar a métrica de índice (SPI) do poder de fluxo usando os filtrado DEMs.</li>
		<li>Gere mapas de elevação máxima com vários raios. Os mapas de elevação máxima do filtro duas vezes através de um filtro passa-baixa 3-kernel. Subtrai o filtrado 3 m DEM partir dos mapas de elevação máxima filtrada para obter uma série de mapas de relevo. Extrair uma série de variáveis de alívio para um número de locais.</li>
		<li>Realizar análise de componentes principais (PCA) sobre as variáveis de alívio para converter os relevos em componentes de relevo topográfico. Selecionar os componentes principais que explicam mais de 90% de variação do relevo dataset como as métricas do relevo topográfico.</li>
	</ol>
</li>
</ol>2. campo coleta de dados
<ol><li>Amostragem de campo<ol>
<li>Selecione um número de locais de campo de terra cultivada que podem representar adequadamente as características da paisagem da área de estudo e vários campos de terra cultivada em pequena escala representante que podem ser saboreados intensamente. Nota: As amostras de solo coletadas os dois campos de terra cultivada foram utilizadas para a calibração do modelo. Amostras de solo coletadas da área inteira do estudo foram utilizadas para validação do modelo.</li>
		<li>Carregar todas as coordenadas de localização de amostra para um código-base geográfico sistema de posicionamento (GPS) e fisicamente localizá-los nos campos.</li>
		<li>Colete 3 amostras para cada local de amostragem da camada de solo de top 30 cm, usando uma sonda de impulso (3,2 cm de diâmetro). Nota: As amostras de solo das camadas de 30 a 50 cm foram coletadas em locais onde a deposição de sedimentos era esperada. O volume de cada amostra foi 241 cm3.</li>
		<li>Registros informações geográficas coordenadas de amostragem locais usando GPS.</li>
		<li>Pese as amostras de solo depois de secá-los a 90 ° C para 48 h. Calculate solo de densidade usando informações de volumes de amostra total em pesos e locais de amostragem. Misture as três amostras do mesmo local para obter uma amostra composta de solo.</li>
	</ol>
</li>
	<li>Preparação da amostra de solo<ol>
<li>Peneire as amostras de solo composto com uma tela de 2mm.</li>
		<li>Moa uma subamostra de 10 g de solo peneirado a um pó muito fino com um moinho de rolo.</li>
	</ol>
</li>
	<li>Análises de amostras de solo<ol>
<li>Medir o solo carbono total (C) conteúdo em rolo moído amostras através de combustão em um analisador elementar de CN, a uma temperatura de 1350 ° C. Estimar o teor de carbonato de cálcio C analisando o restante C após o cozimento de matéria orgânica do solo a uma temperatura de 420 ° C, durante 16 h em uma fornalha.</li>
		<li>Calcule o teor SOC (%) subtraindo-se conteúdo de carbonato de cálcio C do teor total de solo C. Converta o conteúdo SOC (%) para densidade SOC (kg m-2) usando a densidade do solo.</li>
		<li>Colocar as amostras de solo peneirado de 2mm em massa em copos Marinelli e selá-los. Medir a concentração de Cs 137de cada amostra através da análise de raios gama usando um sistema de espectroscopia que recebe entradas de três cristais de germânio coaxial de alta pureza (HpCN30% eficiência) 8192-canal analisadores (ver tabela de materiais de ).</li>
		<li>Calibre o sistema usando um padrão analítico radionuclídeo misto11. Converta 137concentração Cs para inventário de Cs 137usando a densidade do solo.</li>
		<li>Calcular a taxa de redistribuição do solo usando o inventário de Cs 137aplicando a massa equilíbrio modelo II (MBMII) em um Adicionar-in programa de planilha eletrônica desenvolvido pela Walling et al 24.</li>
	</ol>
</li>
</ol>3. topografia-com base em modelo desenvolvimento
<ol><li>Estimativa de componentes principais topográfico<ol>
<li>Extrair as métricas topográficas para amostragem locais na área de estudo inteiro e os campos de terra cultivada em pequena escala.</li>
		<li>Padronize as métricas topográficas dos locais de amostragem na área de estudo inteiro usando-se média e desvio padrão. Estime as cargas métricas topográficas em cada componente baseada as métricas padronizadas topográficas usando PCA com pacote de software estatístico. Recolher as cargas métricas topográficas em cada componente principal topográfico (TPC) e selecione os TPCs principais que explicam a variância de 90% de todas as métricas.</li>
		<li>Padronize as métricas topográficas dos locais de amostragem nos campos de terra cultivada em pequena escala. Calcule os TPCs superiores para cada local pela soma das métricas padronizadas topográficas ponderadas mediante as cargas correspondentes nos locais de amostragem na WCW.</li>
	</ol>
</li>
	<li>Calibração do modelo<ol>
<li>Execute em etapas comuns menos quadrado regressão (SOLSR) para desenvolver modelos baseados em topografia SOLSRf para densidade SOC e taxas de redistribuição de solo com base em todas as métricas topográficas nos campos de terra cultivada em pequena escala. Use o critério de informação Akaike (AIC) e leave-one-out a validação cruzada para selecionar a combinação ideal de topográficas métricas para os modelos def SOLSR mais bem equipadas.</li>
		<li>Verifique a colinearidade entre as variáveis topográficas, usando o fator de inflação de variação (VIF). Remover as variáveis com o maior VIF (VIF ≥ 7.525) e verifique novamente o VIF. Remova as variáveis até os VIFs de todas as variáveis são < 7.5. Execute SOLSR para desenvolver modelos baseados em topografia SOLSRr para densidade SOC e taxas de redistribuição com base em métricas topográficas que foram removidos alta colinearidade variáveis do solo. Use o AIC e validação cruzada leave-one-out para selecionar a combinação ideal para os modelos der SOLSR mais bem equipadas.</li>
		<li>Realize a regressão de componentes principais em etapas (SPCR) para desenvolver modelos SPCR baseados em topografia para densidade SOC e taxas de redistribuição baseadas os TPCs nos campos de terra cultivada em pequena escala do solo. Use o AIC e validação cruzada leave-one-out para selecionar a combinação ideal de TPCs para os modelos mais bem equipados do SPCR.</li>
		<li>Calcule o coeficiente de determinação (Radj.2) e eficiência de Nash-Sutcliffe (NSE) razão entre o erro de raiz quadrada para o desvio padrão dos dados medidos (RSR) para avaliar a eficiência do modelo ajustado.</li>
	</ol>
</li>
	<li>Modelo de avaliação<ol>
<li>Estimar a densidade SOC e taxas de redistribuição na área de estudo inteiro do solo aplicando os modelos estimados.</li>
		<li>Validar o modelo desenvolvido por comparar a previsão com dataset medida de densidade SOC e taxas de redistribuição na área de estudo inteiro do solo. Avaliar os desempenhos de modelo usando RSR, NSE e Radj2valores.</li>
	</ol>
</li>
</ol>

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

Os autores não têm nada para divulgar.

Os modelos def SOLSR tinham desempenhos ligeiramente melhores do que os modelos SPCR na calibração da escala de campo. No entanto, algumas das métricas topográficas, tais como a SPI e CA (r > 0,80), estão estreitamente correlacionadas uns com os outros. A colinearidade pode adicionar as incertezas para as previsões do modelo. Por causa da Multicolinearidade entre os preditores, pequenas alterações nas variáveis de entrada pode afetar significativamente as previsões do modelo41. Portanto, os modelos def SOLSR tendiam a ser instável e mostrou baixos eficiência em simulações de taxa de redistribuição densidade e solo SOC em escala de bacia hidrográfica. Os modelos SPCR substancialmente superaram os modelos def SOLSR na previsão da distribuição de SOC em escala de bacia hidrográfica. TPCs eliminar a Multicolinearidade, convertendo as métricas topográficas quinze em componentes (ortogonais) independentes entre si. A conversão também descobriu relações subjacentes entre métricas topográficas. Conforme indicado pelas altas cargas elevadas (> 0.35) de topográficas métricas para os componentes, o TPC1, TPC2, TPC3, TPC6 e TPC7 foram associados com a velocidade de escoamento superficial, teor de água do solo, volume de escoamento superficial, divergência de fluxo e aceleração do fluxo, respectivamente. Padrões espaciais de taxas de redistribuição do solo e distribuição SOC foram altamente correlacionados com o conteúdo de água de solo e divergência de escoamento na WCW, que é consistente com o estudo de Fox e Papanicolaou2, que demonstrou que erosão de solo de Planalto poderia ser atingido pela divergência do fluxo em um divisor de águas agrícola de baixo-relevo.
Além disso, menos variáveis predictor nos modelos SPCR do que os modelos der SOLSR de SOLSRf e reduziram o risco de excesso, encaixe os modelos de previsão42,43. Havia mais de seis variáveis em todos os modelos SOLSR, que podem aumentar a dificuldade de interpretação dos dados e induzir a mudança alta no modelo simulações41,44,45. Isto explica as eficiências de previsão inferiores na WCW pelos modelos SOLSR do que pelos modelos SPCR.
Topografia-baseado SPCR modelos têm vantagens simulando a redistribuição do solo e dinâmica SOC associada. Informação de primeira, topográfica pode ser facilmente derivada de DEMs. Acessibilidade de aumentada recente da alta resolução espacial dados LiDAR pode ajudar a melhorar a precisão da topografia da paisagem DEM-derivado e beneficiar as investigações em regiões com observações de campo limitada. Em segundo lugar, usando um conjunto de métricas topográficas e análises estatísticas, os modelos baseados em topografia podem eficientemente quantificar redistribuição de solo e padrões de distribuição da SOC. Em terceiro lugar, a aplicação do componente principal pode eficazmente reduzir preconceitos associados a Multicolinearidade das métricas topográficas e aumentar a estabilidade dos modelos de regressão gradual, quando aplicado a várias escalas espaciais.
No entanto, os modelos de SPCA podem ser limitados por variáveis durante o desenvolvimento do modelo. Apesar da aplicação dos dados LiDAR aumentado em estudos ecológicos, os métodos úteis de informação topográfica não ainda sido totalmente explorados. Neste estudo, o TWI e LsRe mostraram as maiores correlações com densidade SOC e taxas de redistribuição do solo, respectivamente. No entanto, variáveis topográficas adicionais que não são consideradas podem ser igualmente ou mais importante em explicar a erosão do solo e dinâmica C. Além disso, outros fatores tais como as práticas de gestão, que podem causar a variabilidade de erosão do solo, não foram incluídos neste estudo. Por exemplo, quando o plantio direto foi paralelo à direção de inclinação máxima, erosão do solo pode dobrar em relação a erosão no slantwise plantio direto fazendo solo curva ascendente46. Portanto, práticas de manejo diferentes também podem ser uma razão para as eficiências de previsão reduzida dos modelos SPCR.
O estudo baseia-se no documento publicado em Catena17. Em vez de uma análise baseada em mecanicista de influências topográficas no movimento de solo e propriedades do solo, como realizado no jornal Catena, aqui enfocamos os métodos para quantificar métricas topográficas e criar modelos baseados em topografia. Discutimos a viabilidade e as vantagens do uso de modelos baseados em topografia em estudos da estrutura espacial de propriedades do solo. Enquanto isso, melhoramos nossos modelos, atualizando algoritmos de acumulação de fator e fluxo de comprimento de declive. Escala de medição de fator de comprimento de inclinação foi limitada a área do campo. Além disso, o algoritmo determinístico infinito foi usado para a geração de acumulação de fluxo. Em comparação com o método relatado em Li et al. 17 que gerou a acumulação de fluxo com um algoritmo de oito nós determinista, o algoritmo de infinito adoptado neste estudo reduz loops nos ângulos de direção de fluxo e provou para ser um algoritmo melhor para áreas de baixo relevo47.
Concluindo, nossos resultados demonstram a viabilidade de modelos baseados em topografia SPCR em simular a distribuição SOC e padrões de redistribuição de solo em campos de agricultura. Como um método de baixo custo para estimar estoques SOC e taxas de redistribuição de solo, é aplicável a sites com dados observacionais limitados e falta de acesso público de terras privadas. No futuro os estudos, a previsão de modelos podem ser melhorados com mais requinte e disponibilidade dos dados LiDAR e inclusão de métricas topográficas adicionais. Os solo em grande escala Propriedade mapas que foram desenvolvidos com base nos modelos levará a maior compreensão dos mecanismos subjacentes os impactos topográficos sobre movimento de solo em paisagens agrícolas e o destino do SOC na bacia hidrográfica e escalas regionais.

Redistribuição de solo (erosão e deposição) exerce impactos significativos sobre os estoques de carbono orgânico (SOC) do solo e dinâmica. Os crescentes esforços têm se dedicado a investigar como SOC é desanexado, transportado e depositado sobre a paisagem1,2,3. Sequestro de Carbon (C) e distribuição de SOC são influenciados pelo movimento movido a gravidade solo induzido pela erosão de água a4,5,6. Em campos cultivados, translocação de solo por plantio direto é outro processo importante contribuindo para C redistribuição7,8,9. Preparo do solo erosão provoca um movimento descendente de líquido considerável de partículas de solo e leva a uma variação de solo dentro de campo10. Erosão tanto a água e a lavoura são significativamente afetados pela topografia da paisagem, que determina a localização dos sites erosivas e deposicionais11. Portanto, regulamento de erosão do solo eficaz e C investigação dinâmica em chamadas de terras agrícolas para uma melhor compreensão dos controles topográficos sobre erosão do solo e os movimentos.
Vários estudos têm investigado os impactos de topografia na redistribuição de solo e associados SOC dinâmica9,12,13,14,15,16, 17. van der Perk et al 12 relatou que fatores topográficos explicaram 43% da variabilidade na redistribuição do solo. Rezaei e Gilkes13 encontrados SOC mais elevado em solos sobre um aspecto sombrio, devido a temperaturas mais baixas e menos evaporação quando comparado a outros aspectos em pastagens. Topografia pode ter impactos mais significativos na redistribuição do solo em terras agrícolas com o tratamento tradicional de plantio direto do que aqueles com preparo mínimo, devido as interações entre Geografia e práticas de plantio direto9. No entanto, esses achados foram principalmente derivados de observações de campo, que apresentam dificuldades na investigação de propriedades do solo em uma escala espacial mais ampla. Há uma necessidade urgente de desenvolver novas estratégias para efetivamente compreender padrões espaciais de propriedades do solo em bacias hidrográficas e escalas regionais.
O objetivo deste estudo é desenvolver modelos eficientes para simular a redistribuição do solo e distribuição de SOC. Modelos baseados em topografia usando métricas topográficas como preditores foram desenvolvidas para quantificar os processos de erosão e deposição de solo. Em comparação com empírico - ou baseada em processo erosão poderiam ser desenvolvidos modelos que empregavam amostragens de discretos campo para simular o solo da erosão18,19, modelos baseados em topografia baseado em informações topográficas derivadas digital modelos de elevação (DEMs) com alta resolução. Esta abordagem permite simulações de propriedade contínua do solo na bacia hidrográfica ou escala regional. Nas últimas décadas, precisão de informação topográfica substancialmente melhorou, com o aumento da disponibilidade de dados de alta resolução detetado remotamente. Embora estudos anteriores têm empregado modelos baseados em topografia para simular solo propriedades12,20,21,22, a maioria destas investigações usados uma única métrica topográfica ou categoria única de topográficas métricas (métricas topográficas locais, não-local ou combinadas), que podem não ter suficientemente explorado topográficos impactos sobre a atividade microbiana do solo. Portanto, para obter uma melhor compreensão dos controles de topografia na erosão do solo e dinâmica de C, examinamos um conjunto abrangente de métricas topográficos incluindo métricas topográficas locais, não-local e combinadas e desenvolvido multi variável baseada em topografia modelos para simular a dinâmica de Propriedade do solo. Aplicações destes modelos são esperadas para fornecer suporte científico para melhor controle de erosão do solo e gestão de terras agrícolas.
Topográficas métricas geralmente são classificadas em três categorias: métricas topográficas um) locais, b) não-local topográficas métricas ou métricas topográficas c) combinadas. Métricas topográficas locais referem-se a características locais de um ponto sobre a superfície da terra. Non-local topográficas métricas referem-se a localização relativa dos pontos selecionados. Combinado métricas topográficas integram métricas topográficas locais e não locais. Um conjunto de métricas topográficos que afetam a erosão do solo e a deposição foram utilizados neste estudo para investigar os controles topográficos no movimento de solo e estoques de C (tabela 1). Especificamente, usamos quatro métricas topográficas locais [inclinação, curvatura do perfil (P_Cur), plano de curvatura (Pl_Cur), curvatura geral (G_Cur)], sete não-local topográficas métricas [acumulação de fluxo (FA), relevo topográfico, abertura positiva (POP), curva ascendente inclinação (UpSl) comprimento do caminho de fluxo (FPL), descendente (DI), o índice hidrológica (CA)], e três combinadas métricas topográficas [índice de umidade topográfico (TWI), índice de poder de fluxo (SPI) e fator de comprimento de declive (LS)].

<table><tbody><tr><td>Dados de detecção e alcance de luz (LiDAR)</td><td></td><td>http://www.geotree.uni.edu/lidar/</td> <td>Coletado do projeto de mapeamento GeoTREE LiDAR&nbsp;</td></tr><tr><td>Analisador elementar LECO CNS 2000</td><td>LECO Corp., St. Joseph, MI</td><td></td><td></td></tr><tr><td>Sistema de Espectroscopia Canberra Genie-2000</td><td>CANBERRA Industries</td><td></td><td></td></tr><tr><td>Sistema de posicionamento geográfico</td><td>Trimble&nbsp;</td><td>RTK 4700 GPS</td><td></td></tr><tr><td>ArcGIS</td><td>ESRI, Redlands, CA</td><td>10.2.2</td><td></td></tr><tr><td>Sistema de Análise Estatística&nbsp;</td><td>SAS Institute Inc</td><td></td><td></td></tr><tr><td>Sistema para Análise Geocientífica Automatizada</td><td>Universidade de G&ouml; ttingen, Alemanha&nbsp;</td><td>v. 2.2.5, Licença Pública</td> <td>Geral http://www.saga-gis.org/ GNU</td></tr></tbody></table>

uso de componentes principais para ampliação de modelos topográficos para mapear a redistribuição de terra e solo de carbono orgânico

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

Topografia da paisagem é um fator crítico que afetam a formação do solo e desempenha um papel importante na determinação de propriedades de solo na superfície da terra, como regula o movimento do solo movido a gravidade induzido por atividades de escoamento e plantio direto. A recente aplicação de detecção de luz e Ranging (LiDAR) dados é uma promessa para gerar métricas topográfico de alta resolução espacial que podem ser usadas para investigar a variabilidade de Propriedade do solo. Neste estudo, quinze métricas topográficas derivadas de dados LiDAR foram usadas para investigar impactos topográficos na redistribuição do solo e a distribuição espacial do carbono orgânico do solo (SOC). Especificamente, nós exploramos o uso de componentes principais topográficos (TPCs) para caracterizar as métricas de topografia e regressão de componentes principais em etapas (SPCR) para desenvolver modelos SOC em escalas local e bacias hidrográficas e erosão do solo baseada em topografia. O desempenho dos modelos SPCR foi avaliado contra gradual modelos menos comuns de quadrados regressão (SOLSR). Os resultados mostraram que o SPCR modela superou modelos SOLSR em prever taxas de redistribuição de solo e densidade SOC em diferentes escalas espaciais. Uso de TPCs remove potencial colinearidade entre as variáveis de entrada individuais, e redução de dimensionalidade por análise de componentes principais (PCA) diminui o risco de sobreajuste os modelos de previsão. Este estudo propõe uma nova abordagem para a modelagem de redistribuição do solo através de várias escalas espaciais. Para um aplicativo, acesso a terras privadas é muitas vezes limitado, e a necessidade de extrapolar os resultados de sites de estudo representativo para configurações maiores que incluem terras privadas pode ser importante.

Processos de paisagem são componentes críticos de formação do solo e desempenham um papel importante na determinação de propriedades do solo e estrutura espacial em paisagens. Propomos uma nova abordagem usando regressão de componentes principais etapas para prever a redistribuição de solo e carbono orgânico do solo em várias escalas espaciais.

Uso de componentes principais para ampliação de modelos topográficos para mapear a redistribuição de terra e solo de carbono orgânico

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

Esse método pode ajudar a responder a perguntas-chave no campo agrícola, como como a topografia paisagística pode afetar a erosão do solo e a dinâmica da matéria orgânica do solo. A principal vantagem dessa técnica é que ela é aplicável a locais com observações limitadas, e fornece uma estimativa econômica dos estoques de carbono orgânico do solo e processos de redistribuição do solo. Primeiro, colete dados do site do GeoTREE Light Detection and Ranging Mapping Project.Selecione o tipo de limite e a região para ampliar para uma área específica. Em seguida, desenhe um polígono para baixar a detecção de luz e as telhas para a área de estudo selecionada. Converta a detecção de luz bruta e os dados de variação para um arquivo LAS usando a ferramenta de mapeamento do sistema de informações geográficas.Em seguida, gere modelos de elevação digital, ou DEMS, com uma resolução espacial de três metros usando interpolação inversa ponderada à distância. Filtre o DEMS de três metros duas vezes com um filtro de passagem baixa de três núcleos para reduzir os ruídos associados à variação local. Para gerar métricas topográficas, clique primeiro em Importar Raster na seção Importação/Exportação para importar o DEMS filtrado de três metros em SAGA.Em seguida, clique no módulo Inclinação, Aspecto, Curvatura da SAGA com as configurações padrão para gerar a inclinação, a métrica relacionada à curvatura e a métrica de curvatura geral usando os DEMs filtrados. Clique no módulo de topo de divisão de acúmulo de fluxo da SAGA e selecione O Infinito Determinístico como o método para gerar a métrica de acumulação de fluxo usando os DEMs filtrados. A seguir, clique no módulo SAGA Topographic Openness com as configurações padrão para gerar a métrica de abertura positiva usando uma imagem amplificada do eixo Z filtrada.O alargamento das distâncias verticais nos modelos de elevação digital melhora a distinção da abertura positiva em locais com uma superfície relativamente plana. Clique no módulo baseado em campo LS-Factor da SAGA com as configurações padrão para gerar as métricas do fator de inclinação e comprimento de inclinação de inclinação usando os DEMs filtrados. Em seguida, clique no módulo Flow Path Length da SAGA com as configurações padrão para gerar a métrica de comprimento do caminho de fluxo usando os DEMs filtrados.Clique no módulo Gradiente de Distância downslope da SAGA com as configurações padrão para gerar a métrica do índice downslope usando os DEMs filtrados. Agora, clique no módulo ÍNDICE DE Umidade saga e selecione a área de captação absoluta como o tipo de área para gerar a área de captação e métricas do índice de umidade topográfica usando os DEMs filtrados. Clique no módulo Stream Power Index da SAGA e selecione a área de captura pseudo específica como a conversão de área para gerar a métrica do índice de energia de fluxo usando os DEMs filtrados.Depois disso, gere mapas de elevação máxima com vários raios. Filtre os mapas de elevação máxima duas vezes através de um filtro de passagem baixa de três núcleos. Subtraia o DEM filtrado de três metros dos mapas de elevação máxima filtrados para obter uma série de mapas de alívio.Extrair uma série de variáveis de alívio para vários locais. Realize a análise dos componentes principais nas variáveis de alívio para converter os relevos em componentes de relevo topográfico. Selecione os principais componentes que explicam mais de 90% de variância do conjunto de dados de alívio como as métricas de alívio topográficas.Padronize os sete mapas de alívio usando desvio médio e padrão. Criar componentes principais de alívio por soma do relevo topográfico padronizado ponderado pelos carregamentos correspondentes. Ao criar a métrica de alívio, é importante gerar imagens de alívio em várias escalas espaciais para limitar as incertezas associadas à seleção arbitrária de raios porque os controles de alívio nas propriedades do solo poderiam ser influenciados por escalas espaciais de alívio.Selecione uma série de locais de campo de cultivo que possam representar adequadamente as características paisagísticas da área de estudo e vários campos representativos de pequenas escalas que podem ser amostrados intensamente. Carregue todas as coordenadas de localização da amostra para um sistema de posicionamento geográfico baseado em código e localize-as fisicamente no campo. Em seguida, colete três amostras para cada local de amostragem da camada superior de solo de 30 centímetros usando uma sonda push.Registo geográfico coordena informações dos locais de amostragem utilizando o sistema de posicionamento geográfico. Na sequência, peneirar a amostra do solo com uma tela de dois milímetros. Pesar as amostras do solo após a secagem.Calcule a densidade do solo utilizando os volumes totais da amostra em locais e pesos amostrais. Misture as três amostras do mesmo local para obter uma amostra de solo composto. Triture um subsample de 10 gramas do solo peneirado para um pó muito fino com um moinho de rolo.Agora, meça o teor total de carbono do solo na amostra de rolos moídos através da combustão em um analisador elementar CN a uma temperatura de 1350 graus Celsius. Depois de assar a matéria orgânica do solo em um forno, estime o teor de carbono carbonato de cálcio analisando o carbono restante. Agora, coloque as amostras de solo peneiradas a granel de dois milímetros em béquers Marinelli, e seque-os.Coloque o béquer no detector e meça a concentração de césio de cada amostra através da análise de raios gama usando um sistema de espectroscopia que recebe entradas de três cristais de germânio coaxial de alta pureza em analisadores de 8,192 canais. Regisso recorde a saída de concentração de césio. Por fim, calcule a taxa de redistribuição do solo usando o inventário de césio aplicando o Modelo de Equilíbrio de Massa II em um programa de complementação de planilha.460 locais de campo de cultivo foram selecionados aleatoriamente para obter informações topográficas na Bacia hidrográfica de Walnut Creek, em Iowa. Resultados de análises de correlação entre métricas topográficas e densidade orgânica de carbono do solo, a redistribuição do solo é apresentada aqui. O índice de umidade topográfica e o relevo topográfico em larga escala apresentaram as maiores correlações com as taxas de densidade e redistribuição do solo, respectivamente.Os padrões espaciais das duas métricas apresentaram altos valores na área depressal e baixos valores em áreas inclinada e de cume. No entanto, as diferenças entre as duas métricas ocorreram em áreas de vala, onde o índice de umidade topográfica apresentou valores extremamente elevados, mas os valores de relevo topográfico em larga escala não foram diferentes das áreas adjacentes. Cinco componentes principais topográficos selecionados para construir modelos baseados em topografia estão listados aqui.Mais de 70 e 65% da variabilidade na densidade orgânica de carbono do solo e nas taxas de redistribuição do solo foram explicadas pelo modelo de regressão igualmente quadrado com variáveis inteiras, respectivamente. Para os modelos com covariada collinear removido, a eficiência da simulação foi ligeiramente inferior ao modelo de regressão quadrado ordinário com modelo de variáveis inteiras. Para os modelos SPCR, são observadas eficiências de simulação semelhantes ao modelo de regressão quadrado de forma escalonada com covariada collinear removida.Os mapas de redistribuição de carbono orgânico do solo gerados a partir de modelos SPCR revelaram padrões consistentes entre simulações de modelos e medições de campo. Essa técnica abre caminho para pesquisadores do campo da agricultura explorarem a redistribuição do solo e os padrões de matéria orgânica em escalas divisoras e regionais. A técnica poderia ser melhorada com maior refinamento da detecção de luz e dados variados e inclusão de métricas topográficas adicionais.

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

Research

JoVE Journal

Environment

Ambiente

amostragem de solo repetida foi recentemente mostrado ser uma forma eficaz para monitorar a mudança solo da floresta ao longo de anos e décadas. Para apoiar a sua utilização, um protocolo é apresentada que sintetiza as últimas informações sobre métodos de reamostragem do solo para ajudar na concepção e implementação de programas de monitorização do solo de sucesso.

Métodos de Reamostragem do solo para monitorar as mudanças nas concentrações químicas de Solos Florestais

Padrões espaciais de deposição e erosão do solo podem ser inferidos diferenças na elevação de terreno mapeado em incrementos de tempo apropriado. Tais mudanças na elevação estão relacionadas a alterações no solo perto da superfície de carbonatos. Métodos repetíveis para medições de campo e laboratório destes métodos de análise de dados e quantidades são descritos aqui.

Medição e mapeamento de padrões de erosão e deposição relacionadas às concentrações de carbonato de solo sob gestão agrícola

O tradicional procedimento de amostragem de solo determina o número de amostras de solo arbitrariamente. Aqui, nós fornecemos um simples mas eficiente agrupado projeto solo-amostragem para demonstrar a heterogeneidade espacial do solo e determinar quantitativamente o número de amostras de solo necessárias e a precisão da amostragem associado.

Amostragem de solos em uma pesquisa heterogêneo Plot

Este protocolo apresenta um fluxo de trabalho para visualização sub-mm 2D de múltiplas espécies de nutrientes inorgânicos labile e súute contaminante usando gradientes difusivos em filmes finos (DGT) combinados com imagens de espectrometria de massa. A amostragem de soluto e a análise química de alta resolução são descritas em detalhes para mapeamento quantitativo de solutos na rizosfera das plantas terrestres.

Visualização bidimensional e quantificação de labile, nutrientes vegetais inorgânicos e contaminantes no solo

O método de verificação descrito aqui é adaptável para monitorar o sequestro de carbono inorgânico pedogênico em vários solos agrícolas alterados com rochas alcalinas contendo silicato de metais terrestres, como wollastonita, basalto e olivina. Esse tipo de validação é essencial para programas de crédito de carbono, que podem beneficiar agricultores que sequenciam carbono em seus campos.

Monitoramento do acúmulo de carbono inorgânico pedogênico devido ao intemperismo de minerais de silicato alterados em solos agrícolas.

O fracionamento da densidade do solo separa a matéria orgânica do solo em pools distintos com diferentes mecanismos de estabilização, química e tempos de rotação. Soluções de politungstato de sódio com densidades específicas permitem a separação da matéria orgânica particulada livre e da matéria orgânica associada ao mineral, resultando em frações de matéria orgânica adequadas para descrever a resposta do solo ao manejo e às mudanças climáticas.

Utilizando o Fracionamento da Densidade do Solo para Separar Pools de Carbono do Solo Distintos

Este protocolo abrange uma metodologia de pesquisa de imagem de grande área de quatro etapas usada para extrair métricas de complexidade estrutural, composição da comunidade e demografia da população para comunidades de recifes de coral. A qualidade das imagens coletadas e o acesso integrado às imagens de origem são priorizados em cada etapa do protocolo.

Medindo a estrutura, composição e mudança de ambientes subaquáticos com imagens de grande área

O protocolo compreende quatro fases integradas: levantamento com Veículo Aéreo Não Tripulado (UAV), coleta de dados de precisão do solo, cálculo de índice de vegetação e classificação e mapeamento assistidos por IA das comunidades vegetais de áreas úmidas costeiras. O resultado é um conjunto de dados geoespacial multilayer que apoia aplicações em ecologia, monitoramento ambiental e tomada de decisão para a conservação e manejo de habitats úmidos costeiros.

Método Semi-Automatizado para Mapear e Classificar Comunidades Vegetais de Áreas Úmidas Costeiras Boreais Usando Dados de Drone e Terreno

Este método explica como construir e operar um contínuo de 13 C e 15 N isótopo câmara de rotulagem para a rotulagem tecido diferencial planta uniforme ou. Os resultados representativos de metabólica e rotulagem estrutural de gerardii Andropogon são discutidos.

Projeto e operação de uma contínua<sup&gt; 13</sup&gt; C e<sup&gt; 15</sup&gt; N Labeling Câmara de uniforme ou Diferencial, metabólica e estrutural, Fábrica de Marcação por Isótopo

O carbono orgânico (LOC) lábil e a taxa potencial de renovação de carbono são indicadores sensíveis de mudanças nos processos de ciclagem de nutrientes do solo. São fornecidos pormenores sobre um método baseado na fumigação e incubação do solo numa série de ciclos e utilizando o CO2 acumulado durante os períodos de incubação para estimar estes parâmetros.

Avaliação da lábil carbono orgânico no solo usando procedimentos seqüenciais Fumigação de incubação

Aprenda a usar regressão por componentes principais para prever redistribuição de solo e carbono orgânico em diferentes escalas espaciais. Este método custo-efetivo auxilia pesquisadores agrícolas em áreas com dados limitados.

Uso de componentes principais para ampliação de modelos topográficos para mapear a redistribuição de terra e solo de carbono orgânico (Vídeo) | JoVE Journal

Uso de componentes principais para ampliação de modelos topográficos para mapear a redistribuição de terra e solo de carbono orgânico

Explorar mais vídeos