Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Environment
Click here for the English version

Environment

Brug af Principal komponenter for optrapning topografisk modeller til kort jord omfordeling og jordbundens organiske kulstof

Published: October 16, 2018 doi: 10.3791/58189
Automatic Translation
1,2, 2
1Department of Geographical Sciences, University of Maryland, 2Hydrology & Remote Sensing Laboratory, Agricultural Research Service, United States Department of Agriculture

Summary

Landskab processer er kritiske komponenter i jord dannelse og spiller en vigtig rolle i fastsættelsen af jordbundsforhold og rumlige struktur i landskaber. Vi foreslår en ny fremgangsmåde ved hjælp af trinvis hovedbestanddel regression til at forudsige jord omfordeling og organisk kulstof i jorden på tværs af forskellige rumlige skalaer.

Abstract

Landskab topografi er en kritisk faktor, der påvirker jordens dannelse og spiller en vigtig rolle i bestemmelse af jordens egenskaber på jordens overflade, da det regulerer den gravity-drevet jord bevægelse induceret af afstrømning og jordbearbejdning aktiviteter. Den seneste anvendelse af Light Detection og Ranging (LiDAR) data holder løfte til at generere høje rumlige opløsning topografiske målinger, der kan bruges til at undersøge jorden ejendom variabilitet. I denne undersøgelse, blev femten topografiske målinger afledt af LiDAR data brugt til at undersøge topografisk konsekvenser for omfordeling af jord og rumlige fordeling af organisk kulstof i jorden (SOC). Specifikt, udforsket vi brugen af topografisk hovedkomponenter (TPCs) for kendetegner topografi målinger og trinvis hovedbestanddel regression (SPCR) for at udvikle topografi-baserede jorderosion og SOC modeller på webstedet og vandskel skalaer. Udførelsen af SPCR modeller blev evalueret i forhold til trinvis almindelige mindst square regression (SOLSR) modeller. Resultaterne viste, at SPCR modeller overgik SOLSR modeller til at forudsige jord omfordeling priser og SOC tæthed på forskellige rumlige skalaer. Anvendelse af TPCs fjerner potentielle kollinearitet mellem individuelle input variabler, og dimensionalitet reduktion af principal komponent analyse (PCA) mindsker risikoen for overfitting forudsigelse modeller. Dette studie foreslår en ny tilgang til modellering jord omfordeling på tværs af forskellige rumlige skalaer. Til en applikation, adgang til private jorder er ofte begrænset, og behovet for at ekstrapolere resultaterne fra repræsentative undersøgelse sites til større indstillingerne, der inkluderer private jorder kan være vigtigt.

Introduction

Jord omfordeling (erosion og aflejring) udøver betydelig indvirkning på jordbundens organiske kulstof (SOC) bestande og dynamik. Stigende indsats er afsat til at undersøge hvordan SOC aftagne, transporteres og deponeret over landskab1,2,3. Carbon (C) binding og SOC distribution er påvirket af tyngdekraften-drevet jord bevægelse induceret af vand erosion4,5,6. I dyrkede marker er jord translokation af jordbearbejdning en anden vigtig proces bidrager til C omfordeling7,8,9. Jordbearbejdning erosion forårsager en betydelige netto bagside bevægelse af jordpartikler og fører til en inden for markjord variation10. Både vand og jordbearbejdning erosion er væsentligt påvirket af landskab topografi, som bestemmer placeringen af før og depositional websteder11. Derfor, effektive jordbunden erosion forordning og C dynamisk undersøgelse i landbrugsjord opfordringer til en bedre forståelse af topografisk kontrolelementer på jorderosion og bevægelser.

Flere studier har undersøgt virkningerne af topografi på jord omfordeling og tilknyttede SOC dynamics9,12,13,14,15,16, 17. van der frynsegode et al. 12 rapporterede, at topografisk faktorer forklarede 43% af variationen i jord omfordeling. Rezaei og Gilkes13 fundet højere SOC i jord på en skyggefuld aspekt, på grund af lavere temperaturer og mindre fordampning i forhold til andre aspekter i græsområder. Topografi kan have mere betydelige virkninger på jord omfordeling i landbrugsjord med traditionel jordbearbejdning behandling end dem med minimal jordbehandling, på grund af samspillet mellem landskabsformer og jordbearbejdning praksis9. Disse resultater blev dog primært afledt fra feltet bemærkninger, som præsenterer vanskeligheder i efterforskningen af jordens egenskaber på en bredere rumlig skala. Der er et presserende behov for at udvikle nye strategier for effektivt at forstå rumlige mønstre af jordens egenskaber på vandskel og regionale skalaer.

Formålet med denne undersøgelse er at udvikle effektive modeller til at simulere jord omfordeling og SOC distribution. Topografi-baserede modeller ved hjælp af topografiske målinger som prædiktorer er blevet udviklet for at kvantificere jordbunden erosion og aflejring processer. Sammenlignet med empirisk - eller proces-baseret erosion modeller, som ansat diskrete felt prøveudtagninger at simulere jordbunden erosion18,19, topografi-baserede modeller kunne blive udviklet baseret på topografiske oplysninger stammer fra digital elevation modeller (Demokrater) med høje opløsninger. Denne tilgang giver mulighed for kontinuerlig jord ejendom simuleringer på vandskel eller regional skala. I de sidste mange årtier, er nøjagtigheden af topografiske oplysninger blevet væsentligt bedre, med stigende tilgængelighed af data i høj opløsning fjernt sanses. Men tidligere undersøgelser har ansat topografi-baserede modeller til at simulere jordens egenskaber12,20,21,22, brugt de fleste af disse undersøgelser en enkelt topografisk metrisk eller enkelt kategori topografiske målinger (lokale, ikke-lokale eller kombinerede topografiske målinger), som kan ikke har tilstrækkeligt udforskede topografisk virkninger på jordmikrobiel aktivitet. Derfor, for at få en bedre forståelse af topografi kontrol af jorderosion og C dynamics, undersøgte vi en omfattende sæt af topografiske målinger herunder lokale, ikke-lokale og kombinerede topografiske målinger og udviklet flere variable topografi-baseret modeller til at simulere jord ejendom dynamics. Anvendelser af disse modeller forventes at yde videnskabelig støtte til bedre jordbunden erosionskontrol og forvaltning af landbrugsjord.

Topografiske målinger er generelt kategoriseret i en af tre kategorier: a) lokale topografiske målinger, b) ikke-lokale topografiske målinger eller c) kombinerede topografiske målinger. Lokale topografiske målinger henvises til lokale funktioner i ét punkt på jordoverfladen. Ikke-lokale topografiske målinger henvises til de relative placeringer af valgte punkter. Kombinerede topografiske målinger integrere lokale og ikke lokale topografiske målinger. Et sæt af topografiske målinger påvirker jordbunden erosion og aflejring blev brugt i denne undersøgelse til at undersøge de topografiske kontrolelementer på jord bevægelse og C bestande (tabel 1). Specifikt, vi brugte fire lokale topografiske målinger [hældning, profil krumning (P_Cur), planlægge krumning (Pl_Cur), generelle krumning (G_Cur)], syv ikke-lokale topografiske målinger [flow ophobning (FA), topografisk relief, positiv åbenhed (POP), toppens Forside hældning (UpSl), flow lysvej (FPL), bagside index (DI), opland (CA)], og tre kombineret topografiske målinger [topografisk fugtighed index (TWI), stream power index (SPI) og hældning længde faktor (LS)].

Protocol

1. topografiske analyser

  1. Digital data forbehandle
    1. Indsamle LiDAR data fra GeoTREE LiDAR kortlægning Projektets website. Vælg "grænsen type" og "region" for at zoome ind på et bestemt område. Tegn en polygon for at hente LiDAR fliser til den valgte undersøgelse område.
    2. Konvertere LiDAR rådata til en LAS fil ved hjælp af geografisk information ordning (GIS) kortlægning værktøj.
    3. Generere Demokrater med en 3-m rumlige opløsning ved hjælp af invers afstand vægtet interpolation.
    4. Filter 3-m Demokrater to gange med en 3-kerne lavpasfilter at reducere lyde knytte til lokal variation.
  2. Topografisk metriske generation
    1. For at generere topografiske målinger, først downloade den nyeste version af System for automatiseret Geoscientific analyse (SAGA)23. Klik på "Importer Raster" i afsnittet Importer/eksporter for at importere de filtrerede 3-m Demokrater i SAGAEN.
    2. Klik på modulet "Skråning, aspekt, krumning" af SAGA med standardindstillingerne til at generere hældningen og krumning-relaterede [profil krumning (P_Cur), planen krumning (Pl_Cur) og generelle krumning (G_Cur)] målinger ved hjælp af filtreret Demokrater (figur 1).
    3. Klik på modulet "Flow ophobning (Top-Down)" af SAGA og vælg "Deterministisk infinity" som metode til at generere strøm ophobning (FA) metrisk ved hjælp af filtreret Demokrater.
    4. Klik på modulet "SAGA topografisk åbenhed" med standardindstillingerne til at generere positive åbenhed (POP) metrikværdien bruger en filtreret z-aksen forstærket billede.
    5. Klik på modulet "LS-faktor (felt baseret)" af SAGA med standardindstillingerne til at generere toppens Forside hældning (Upsl) og skråner længde faktor (LS_FB) målinger ved hjælp af filtreret Demokrater.
    6. Klik på modulet "Flow stilængde" af SAGA med standardindstillingerne til at generere flow sti længde (FPL) metrisk ved hjælp af filtreret Demokrater.
    7. Klik på modulet "Bagside afstand Gradient" af SAGA med standardindstillingerne til at generere den bagside index (DI) måling ved hjælp af filtreret Demokrater.
    8. Klik på modulet "SAGA fugtighed Index" og vælg "absolutte afvandingsområde" som Type område til at generere opland (CA) og topografiske fugtighed index (TWI) målinger ved hjælp af filtreret Demokrater.
    9. Klik på modulet "Stream Power Index" af SAGA og vælg "pseudo specifikke afvandingsområde" som område konvertering til at generere stream power index (SPI) metrisk ved hjælp af filtreret Demokrater.
    10. Generere maksimale højde kort med flere radius. Filtrere de maksimale højde kort to gange gennem en 3-kerne lavpasfilter. Fratræk den filtrerede 3-m DEM fra de filtrerede maksimale højde kort for at få en række relief kort. Udtrække en række relief variabler til en række steder.
    11. Udføre principal komponent analyse (PCA) på relief variabler til at konvertere relieffer i topografisk relief komponenter. Vælg hovedkomponenter, der forklarer mere end 90% afvigelse af relief datasæt som topografisk relief målinger.

2. felt dataindsamling

  1. Feltet prøveudtagning
    1. Vælg en række dyrkede felt steder, der kan tilstrækkeligt repræsenterer landskab Karakteristik af området undersøgelse og flere repræsentative små dyrkede områder, der kan udtages intensivt.
      Bemærk: Jordprøver indsamles fra de to dyrkede marker blev brugt til model kalibrering. Jordprøver indsamles fra området hele undersøgelsen blev brugt til model validering.
    2. Uploade alle prøve-positionskoordinater til en kode-baserede geografiske positioning system (GPS) og placere dem fysisk i felterne.
    3. Indsamle 3 prøver for hver prøveudtagning placering fra de øverste 30 cm jordlag ved hjælp af en push sonde (3,2 cm i diameter).
      Bemærk: Jordprøver fra 30-50 cm lag blev indsamlet på steder hvor sediment deposition blev forventet. Mængden af hver prøve var 241 cm3.
    4. Optag geografiske koordinatoplysninger stikprøver placeringer ved hjælp af GPS.
    5. Veje Jordprøverne efter tørring dem ved 90 ° C i 48 h. Beregn jord tæthed ved hjælp af oplysninger af samlede diskenheder på prøvetagning steder og vægte. Bland de tre prøver fra samme sted at få en sammensat jordprøve.
  2. Jordbearbejdning prøven
    1. Sigtes de sammensatte jordprøver med en 2-mm skærm.
    2. Slibe en 10 g delprøve af den sigtede jord til et meget fint pulver med en roller mill.
  3. Jord analyseresultat
    1. Måle jordens samlede kulstof (C) indhold i valsen males prøver gennem forbrænding på et KN-elementært analyzer ved en temperatur på 1350 ° C. Anslå calciumcarbonat C indhold ved at analysere de resterende C efter bagning jordbundens organiske materiale ved en temperatur på 420 ° C efter 16 h i en ovn.
    2. Beregne SOC indhold (%) ved at fratrække calciumcarbonat C indhold fra samlede jord C indhold. Konvertere SOC indhold (%) til SOC tæthed (kg m-2) ved hjælp af jordens massefylde.
    3. Sætte de bulk 2-mm sigtede jordprøver i Marinelli bægre og forsegle dem. Måle 137Cs koncentration af hver prøve igennem gamma-ray analyse ved hjælp af en spektroskopi system, der modtager input fra tre høj renhed koaksial germanium krystaller (HpCN30% effektivitet) i 8192-kanal analysatorer (Se tabel af materialer ).
    4. Kalibrere systemet ved hjælp af et analytisk blandet radionuklid standard11. Konvertere 137Cs koncentration til 137Cs lageret ved hjælp af jordens massefylde.
    5. Beregne jord omfordeling sats ved hjælp af 137Cs lageret ved at anvende Mass Balance Model II (MBMII) i et regneark-tilføjelsesprogram program udviklet af Walling et al. 24.

3. topografi-baseret modeludvikling

  1. Topografisk hovedbestanddel estimering
    1. Uddrag den topografiske målinger for prøvetagning steder i området hele undersøgelsen og de små dyrkede områder.
    2. Standardisere de topografiske målinger af prøveudtagning placeringer i området hele undersøgelse ved hjælp af middelværdi og standardafvigelse. Anslå de topografiske metriske belastninger i hver komponent baseret på den standardiserede topografiske målinger ved hjælp af partnerskabs-og samarbejdsaftalen med statistisk software-pakke. Indsamle de topografiske metriske belastninger i hver topografisk vigtigste komponent (TPC) og vælg de øverste TPCs, der forklarer 90% variansen af alle målinger.
    3. Standardisere de topografiske målinger af prøveudtagning placeringer i felterne små dyrkede. Beregne de øverste TPCs for hver lokation med summen af de standardiserede topografiske målinger vejet med de tilsvarende belastninger fra prøveudtagning placeringer i WCW.
  2. Model kalibrering
    1. Udfør trinvis almindelige mindst square regression (SOLSR) at udvikle topografi-baserede SOLSRf modeller for SOC tæthed og jord omfordeling satser baseret på alle topografiske målinger på små dyrkede områder. Brug Akaike oplysninger kriterium (AIC) og orlov-one-out cross-validering til at vælge den optimale kombination af topografiske målinger for de bedst udstyrede SOLSRf modeller.
    2. Kontrollere kollinearitet blandt de topografiske variabler ved hjælp af variansen inflation faktor (VIF). Fjerne variabler med den største VIF (VIF ≥ 7.525), og kontrollere VIF igen. Fjerne variabler, indtil VIFs af alle variabler er < 7.5. Udføre SOLSR for at udvikle topografi-baserede SOLSRr modeller for SOC tæthed og jord omfordeling satser baseret på topografiske målinger, der blev fjernet høj kollinearitet variabler. Brug AIC og orlov-one-out cross-validering til at vælge den optimale kombination for de bedst monteret SOLSRr modeller.
    3. Udfør trinvis hovedbestanddel regression (SPCR) for at udvikle topografi-baserede SPCR modeller for SOC tæthed og jord omfordeling satser baseret på TPCs på de små dyrkede områder. Brug AIC og orlov-one-out cross-validering til at vælge den optimale kombination af TPCs for de bedst udstyrede SPCR-modeller.
    4. Beregne den tilpassede koefficient bestemmelse (Radj2), Nash-Sutcliffe effektivitet (NSE) og forholdet mellem den kvadratiske fejl at standardafvigelsen af målte data (RSR) at vurdere model effektivitetsgevinster.
  3. Model evaluering
    1. Anslå SOC tæthed og jord omfordeling satser i området hele undersøgelsen ved at anvende de anslåede modeller.
    2. Validere den udviklede model ved at sammenligne forudsigelse med målte datasæt af SOC tæthed og jord omfordeling satser i området hele undersøgelsen. Vurdere de model forestillinger ved hjælp af Radj2, NSE og RSR værdier.

Representative Results

Vi brugte Walnut Creek Watershed (WCW) som en testbed for at vurdere gennemførligheden af topografi-baserede modeller i behandlende jord omfordeling og SOC dynamik. Afvanding er i Boone og historien amter i staten Iowa (41 ° 55'-42 ° 00'N; 93 ° 32'-93 ° 45' W) med et areal på 5,130 ha (figur 2). Landbrugsjord er den dominerende arealanvendelse type i WCW, med et forholdsvis fladt terræn (mean 90 m, topografisk relief 2,29 m). Mejsel pløjning, disking, og rystende operationer er den vigtigste jordbearbejdning praksis i afgrøde felter26,27; men jordbearbejdning retninger varierer på grund af forskelle i praksis.

Fire hundrede og tres afgrøde felt steder var tilfældigt udvalgt til at udlede topografiske oplysninger i WCW (figur 2). 100 ud af de 460 steder, herunder to 300 m transekter (hver har 9 prøveudtagning steder), blev valgt til at udføre felt prøveudtagninger og til analyse af SOC og jord omfordeling niveauer. Desuden blev to små områder med topografisk landskab, jordtyper og jordbearbejdning praksis svarende til WCW udvalgt til mere intensiv prøveudtagninger. Paa enhver mindre felt en 25 × 25 m gittercelle blev lavet, og 230 prøveudtagning steder var placeret på gitteret noder (figur 3). Topografiske målinger og jord egenskabsoplysninger var beregnet for de 230 lokationer.

De topografiske målinger i WCW blev dannet efter den ovennævnte protokol. I WCW er karakteriseret med lav til moderat topografi (elevation spænder fra 260 til 325 m) med en relativ lav hældning (spænder fra 0 til 0,11 radian), toppens Forside hældning (0 til 0,09 m) og moderat krumninger (profil krumning:-0.009 til 0,009 m-1, planlægge krumning:-0.85 til 0,85 m-1, generelle krumning:-0.02 til 0,02 m-1). De lodrette stigninger af Demokrater blev udvidet 100 gange øge distinguishability af forholdsvis lav markskala lindring fundet i WCW for at skabe positiv åbenhed målinger (POP100). Efter konvertering, rækken af positiv åbenhed steg fra 0,08 radianer (POP: 1,51-1,59 radianer) til 0,86 radianer (POP100: 0,36-1,22 radianer).

Den topografiske relief, vi genereret syv relief kort med følgende radius: 7.5 m, 15 m, 30 m, 45 m, 60 m, 75 m og 90 m. To relief principal komponenter blev udvalgt på grundlag af resultaterne af PCA på syv relief variabler. Først viste grove opløsning relief variation med relief45 m som den vigtigste variabel. Vi defineret denne komponent som det store relief (LsRe). Den anden komponent, som var stærkt korreleret med relief7.5 m og præsenteret fine opløsning relief variation, blev defineret som de små relief (SsRe).

Korrelation analyseresultater mellem topografiske målinger og SOC tæthed/jord omfordeling er præsenteret i tabel 2. TWI og LsRe viste de højeste korrelationer med SOC tæthed og jord omfordeling priser, henholdsvis. Rumlige mønstre af de to målinger er præsenteret i figur 4. Detaljer af TWI og LsRe kan observeres bedre fra transect området. Begge målinger viste høje værdier i depressional område og lave værdier på skrånende og ridge områder. Men forskellene mellem de to målinger opstod i grøften områder, hvor TWI udstillet meget høje værdier men værdierne af LsRe var ikke forskellig fra tilstødende områder.

Efter skaber de femten topografiske målinger, brugte vi PCA på disse topografiske variabler over for 460 prøveudtagning steder i WCW. De første syv topografisk hovedkomponenter (TPCs), der forklares mere end 90% variation af hele topografisk datasættet blev valgt. Fem TPCs, der var endelige valgt at bygge topografi-baserede modeller er anført i tabel 3. For det første vigtigste komponent (TPC1) viste G_Cur den højeste belastning. Hældning, TWI, Upsl og LS_FB var den vigtigste målinger i TPC2, med belastninger større end 0,35. I TPC3, FA, SPI og CA var vigtige målinger med belastninger af 0.482, 0.460 og 0.400, henholdsvis. FPL (-0.703) og Pl_Cur (0,485) var den vigtigste i TPC6. De vigtigste målinger med høj belastning i TPC7 var SsRe (0.597), DI (0.435), FPL (0.407) og Pl_Cur (0.383).

Kollinearitet af topografisk variabel blev kontrolleret ved at undersøge VIF. Af de 15 målinger, blev hældning, TWI og G_Cur fjernet på grund af de høje VIFs. Baseret på jord omfordeling priser og carbon tæthed data fra sider 1 og 2, SOLSR modeller blev udviklet ved hjælp af alle 15 målinger (SOLSRf) og de 12 målinger med kolineære covariate fjernet (SOLSRr) (tabel 4). Generelt, over 70% og 65% af variationen i SOC tæthed og jord omfordeling priser blev forklaret af SOLSRf modeller, henholdsvis. For modeller med kolineære covariate fjernet (SOLSRr) var simulation effektivitetsgevinster lidt lavere end SOLSRf modeller (68% for SOC tæthed og 63% for jord omfordeling). NSEs var lidt lavere og RSR var lidt højere i SOLSRr modeller end i SOLSRf modeller.

SPCR-modeller er lignende simulation effektivitetsfordele som SOLSRr observeret i tabel 4. Imidlertid blev færre uafhængige variabler udvalgt i SPCR modeller (mindre end 5 variabler) end det SOLSRf og SOLSRr modeller (mere end 6 variabler). TPCs 1, 2, 3 og 7 blev valgt som de uafhængige variabel kombinationer for SOC model og TPCs 1, 2, 3, 6 og 7 blev valgt som kombinationen for jord omfordeling model.

Vi fandt, at SPCR-modeller havde de bedste forudsigelser og SOLSRr modeller viste de fattigste forestillinger på vandskel skala. Koefficienter til bestemmelse (r2) ved at sammenligne SOC tæthed forudsigelse til observation steg fra: 1) 0,60 i SOLSRf og 0,52 i SOLSRr til 0.66 i SPCR og 2) NSE steget fra 0,21 i SOLSRf og 0,16 i SOLSRRasmussen til 0,59 i SPCR; mens RSR reduceret fra 0.87 i SOLSRf og 0.91 i SOLSRr til 0,64 i SPCR. Jord omfordeling sats forudsigelse i SPCR tegnede sig for 36% af variationen i den målte variabel og var højere end forudsigelserne af SOLSRf (34%) og SOLSRr (0,35%). En højere NSE og lavere RSR i SPCR (NSE = 0,33, RSR = 0,82) i forhold til SOLSRf (NSE = 0.31, RSR = 0,83) og SOLSRr (NSE = 0,32, RSR = 0,82) viste også en bedre ydeevne i jord omfordeling sats simulering af SPCR.

Ifølge Ydeevneevalueringer model SPCR modeller blev udvalgt til at generere SOC tæthed og jord omfordeling sats kort på vandskel skala. Kortene afslørede konsekvent mønstre mellem model simuleringer og feltmålinger (figur 5). De høje konsistenser mellem simulationer og observationer blev tydeligere langs den transekter. Begge SOC tæthed og jord omfordeling priser viste høj korrelationer med landskab topografi. Høje værdier af SOC tæthed kan findes i footslope og depositional områder, hvor jordbunden deposition opstod, mens lave værdier af SOC tæthed blev observeret i skrånende områder, hvor jorderosion fandt sted.

Figure 1
Figur 1 : The skråning, aspekt, krumning modul i System for automatiseret Geoscientific analyse (SAGA). Polygoner viser placeringen af undersøgelse områder. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2 : Placering af Walnut Creek vandskel og prøveudtagning websteder i watershed (Iowa). Dette tal blev tilpasset fra tidligere arbejde17. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3 : Placering af stikprøven websteder en) 1 og b) 2 (z-aksen 15 x højde). Dette tal blev tilpasset fra tidligere arbejde17. Venligst klik her for at se en større version af dette tal. 

Figure 4
Figur 4 : Topografiske metriske maps. a topografisk fugtighed index (TWI) og (b) store topografiske relief (LsRe) i Walnut Creek afvanding og Transekttællinger område (z-aksen 15 x højde). Venligst klik her for at se en større version af dette tal.

Figure 5
Figur 5 : Jord omfordeling sats (t ha-1 år-1) kort og SOC tæthed (kg m-2) kort .  Vist er jord omfordeling kort (a) i Walnut Creek vandskel og (b) langs to transekter. Vist er SOC tæthed (kg m-2) kort (c) i Walnut Creek vandskel og (d) langs to transekter ved hjælp af trinvis principal komponent analysemodeller (z-aksen 15 x højde). Venligst klik her for at se en større version af dette tal.

Variabler Betydning
Hældning (radian) Afstrømning hastighed, jord vand indhold28,29
Profil krumning (m-1) Flow acceleration, jorderosion, deposition sats11,30
Planlægge krumning (m-1) Flow konvergens og divergens, jord vand indhold30
General krumning (m-1) Afstrømning hastighed, jorderosion, deposition29
Flow ophobning Jord vand indhold, afstrømning bind20
Topografisk Relief (m) Landskab dræning egenskaber, afstrømning hastighed og acceleration21,31 
Positiv åbenhed (radian) Landskab dræning egenskaber, jord vand indhold32
Toppens Forside hældning (m) Afstrømning velocity33,34
Flow stilængde (m) Sediment udbytte, erosion sats35 
Bagside indeks (radian) Jord vand indhold36
Afvandingsområdet (m2) Afstrømning hastighed og volumen33,37 
Topografisk fugtighed Index Jord fugt distribution28,38,39 
Stream Power Index Jorderosion, konvergens af flow40 
Hældning længde faktor Flow konvergens og divergens28,40

Tabel 1: Betydninger af valgte topografiske målinger.

Hældning P_Cur Pl_Cur G_Cur FA LsRe SsRe POP Upsl FPL DI CA TWI SPI LS_FB
(radian) (m-1) (m-1) (m-1) (m) (m) (radian) (m) (m) (°) (m2)
SOC -0.687 -0.159 -0.333 -0.288 0.165 0.698 -0.171 -0.451 -0.315 0.499 0.413 0.588 0.735 0.165 -0.453
, † ** *** *** *** , † *** *** *** *** *** , † , ‡ *** ***
SR -0.65 -0.205 -0.274 -0.282 0.156 0.687 -0.099 -0.427 -0.217 0.487 0.361 0.565 0.647 0.156 -0.438
, † *** *** *** ** , ‡ * *** *** *** *** , † , † *** ***
P_Cur, Pl_Cur og G_Cur henholdsvis profil krumning, plan krumning og generelle krumning, FA er flow ophobning; RePC1 og RePC2 er topografisk relief komponent 1 og 2, henholdsvis; POP100 er positiv åbenhed; Upsl er toppens Forside hældning; FPL er flow stilængde; DI er bagside indeks; CA er afvandingsområde; TWI er topografisk fugtighed index; og SPI er stream power indeks; og LS_FB er hældningen længde faktor (felt baseret).
* P < 0,05, ** P < 0,005, *** P < 0,0001.
†Correlation koefficient > 0.5, ‡Highest korrelationskoefficienten for hver jord ejendom.

Tabel 2: Spearmans rang korrelation (n = 560) mellem valgte topografiske målinger og jordbundens organiske kulstof (SOC) og jord omfordeling satser (SR).

TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%)
Hældning 0.062 0.475† -0.035 -0.013 -0.183
P_Cur -0.290 0.000 0.346 -0.070 -0.002
Pl_Cur -0.283 0.107 -0.001 0.485† 0.383†
G_Cur -0.353† 0,054 0,275 0,025 0,100
FA 0,297 -0.042 0.482† 0.179 0.131
LsRe 0.309 -0.193 -0.237 0,113 -0.116
SsRe 0.234 0.266 -0.118 0.084 0.597†
POP100 -0.330 0.092 0,258 -0.292 0.217
Upsl 0,187 0.419† -0.143 -0.066 0,012
FPL 0.147 -0.168 -0.088 -0.703† 0.407†
DI 0.103 -0.220 -0.164 0.184 0.435†
CA 0.326 -0.128 0.4† -0.160 -0.092
TWI 0.053 -0.465† -0.067 0.185 -0.047
SPI 0.345 -0.014 0.46† 0.169 0.080
LS_FB 0.256 0.396† 0,050 0.011 -0.072
P_Cur, Pl_Cur og G_Cur henholdsvis profil krumning, plan krumning og generelle krumning, FA er flow ophobning; RePC1 og RePC2 er topografisk relief komponent 1 og 2, henholdsvis; POP100 er positiv åbenhed; Upsl er toppens Forside hældning; FPL er flow stilængde; DI er bagside indeks; CA er afvandingsområde; TWI er topografisk fugtighed index; og SPI er stream power indeks; og LS_FB er hældningen længde faktor (felt baseret).
†Loadings > 0,35.

Tabel 3: Variabel belastninger i hovedkomponenter (TPCs) beregnet for topografiske målinger (n = 460) i Walnut Creek vandskel.

Model R2adj NSE RSR
Trinvis hovedbestanddel regression (SPCR)
SOC 2.932-0.058TPC2 - 0.025TPC3 + 0.051TPC7 + 0.037TPC1† 0,68 0,69 0,56
SR 2.111 + 0.013TPC1 + 0.032TPC7-0.028TPC2-0.016TPC3-0.010TPC6 0,63 0,63 0,61
Trinvis almindelige mindst square regression (SOLSRf)
SOC 2.755 + 0.021TWI + 0.0004FPL-6.369G_Cur-5.580Slope+ 0.011LsRe + 0.091DI + 0.013SsRe + 0.125LS_FB 0,7 0,71 0,55
SR 2.117 + 0.007LsRe-3.128Slope + 0.109DI + 0.010SsRe + 0.0002FPL+ 0.801Upsl - 4.442P_Cur 0,65 0,65 0,59
Trinvis almindelige mindst square regression med kolineære covariate fjernet (SOLSRr)
SOC 2.951 + 0.033LsRe-2.869Upsl + 0.0006FPL + 0.028SsRe + 0.124DI-0.163LS_FB + 0.007SPI-10.187P_Cur 0,68 0,68 0,56
SR 2.042 + 0.016LsRe-0.146LS_FB + 0.118DI + 0.017SsRe + 0.0003FPL+ 0.070POP 0,63 0,64 0,6
† Rækkefølgen af TPCs er baseret på trinvis udvælgelsen trin
R2adj er justeret determinationskoefficienten; NSE er Nash-Sutcliffe effektivitet; RSR er forholdet mellem den kvadratiske fejl (RMSE) at standardafvigelsen af målte data.
TPC repræsenterer topografisk hovedbestanddel. TWI er topografisk fugtighed index; FPL er flow stilængde; P_Cur, Pl_Cur og G_Cur henholdsvis profil krumning, plan krumning og generelle krumning, LS_FB er hældningen længde faktor (felt baseret); LsRe og SsRe er store og små topografisk relieffer, henholdsvis; DI er bagside indeks; og Upsl er toppens Forside skråning.

Tabel 4: Modeller af jordens organiske kulstof (SOC) tæthed og jord omfordeling satser (SR) for landbrugsmarker baseret på topografiske målinger på websteder 1 og 2.

Discussion

SOLSRf modeller havde lidt bedre præstationer end SPCR modeller i kalibrering på Feltskalaen. Dog er nogle af de topografiske målinger, som SPI og CA (r > 0,80), tæt korreleret med hinanden. Kollinearitet kan tilføje usikkerheder til model forudsigelser. På grund af multicollinearity blandt prædiktorer, kan små ændringer i de inputvariable betydeligt påvirke model forudsigelser41. Derfor SOLSRf modeller tendens til at være ustabil og viste lav effektivitet i simuleringer af SOC tæthed og jord omfordeling sats på vandskel skala. SPCR modeller overgik betydeligt SOLSRf modeller i forudsigelse af SOC distribution på vandskel skala. TPCs fjerne multicollinearity ved at konvertere de femten topografiske målinger i indbyrdes uafhængige (ortogonale) komponenter. Konverteringen også afdækket underliggende relationer blandt topografiske målinger. Som det fremgår af de høje belastninger (> 0,35) af topografiske målinger til komponenter, var TPC1, TPC2, TPC3, TPC6 og TPC7 forbundet med afstrømning hastighed, jordens vandindhold, afstrømning volumen, flow divergens og flow acceleration, henholdsvis. Rumlige mønstre af jord omfordeling priser og SOC fordeling var stærkt korreleret med jordvand indhold og afstrømning divergens i WCW, som er i overensstemmelse med studiet af Fox og Papanicolaou2, som viste at eroderet jord fra Upland kunne være påvirket af flow divergens i en lav-relief landbrugs vandskel.

Desuden reduceret færre prædiktor variabler i SPCR modeller end SOLSRf og SOLSRr modeller risikoen for over montering forudsigelse modeller42,43. Der var mere end seks variabler i alle de SOLSR modeller, som kan gøre sværere for data fortolkning og inducere høj varians i model simuleringer41,44,45. Dette kan udgøre for de lavere forudsigelse effektivitetsfordele i WCW af SOLSR modeller end af SPCR-modeller.

Topografi-baseret SPCR modeller har fordele simulering jord omfordeling og tilknyttede SOC dynamics. Første, topografiske oplysninger kan let udledes af Demokrater. Nylig øget tilgængelighed af den høje rummæssige LiDAR data kan hjælpe forbedre nøjagtigheden af DEM-afledte landskab topografi og gavne undersøgelser i regioner med begrænset felt observationer. For det andet kan ved hjælp af et sæt af topografiske målinger og statistiske analyser, topografi-baserede modeller effektivt kvantificere jord omfordeling og SOC spredningsmønstre. For det tredje kan anvendelsen af principal komponent effektivt reducere fordomme forbundet med multicollinearity af topografiske målinger og øge stabiliteten i trinvis regression modeller når de påføres flere rumlige skalaer.

Men SPCA modellerne kan begrænses af variabler under modeludvikling. Selv om anvendelsen af LiDAR data steg i økologiske studier, har metoder til at udlede nyttige topografiske oplysninger endnu ikke er fuldt udforsket. I denne undersøgelse viste TWI og LsRe de højeste korrelationer med SOC tæthed og jord omfordeling priser, henholdsvis. Yderligere topografisk variabler, der ikke betragtes som kan dog være lige så eller mere vigtigt i forklarer jorderosion og C dynamik. Derudover var andre faktorer såsom ledelsespraksis, som kan forårsage jordbunden erosion variabilitet, ikke inkluderet i denne undersøgelse. For eksempel, når jordbearbejdning var parallel med retningen af maksimale hældning, kan jorderosion fordobles i forhold til udhulingen i slantwise jordbearbejdning dreje jord toppens Forside46. Derfor kan forskellige jordbearbejdning praksis også være en årsag til nedsat forudsigelse effektivitetsgevinster af SPCR-modeller.

Undersøgelsen er baseret på den, der blev offentliggjort i Catena17. I stedet for en mekanistisk-baseret analyse af topografisk påvirkninger på jord bevægelse og jordbundens egenskaber som udføres i Catena papir, fokuseret her vi på metoder til kvantificering topografiske målinger og udvikle topografi-baserede modeller. Vi diskuterede gennemførlighed og fordelene ved at bruge topografi-baserede modeller i undersøgelser af den rumlige struktur af jordens egenskaber. I mellemtiden har forbedret vi vores modeller ved at opdatere algoritmer skråning længde faktor og flow akkumulering. Omfanget af hældningen længde faktor måling var begrænset til feltets område. Derudover blev deterministiske infinity algoritme brugt til flow ophobning generation. Sammenlignet med den metode, der er rapporteret i Li et al. 17 der genereres flow ophobning med en deterministisk 8-noders algoritme, infinity algoritme vedtaget i denne undersøgelse reducerer sløjfer i flow retning vinkler og viste sig for at være en bedre algoritme for lavt relief områder47.

Afslutningsvis, viser vores resultater gennemførligheden af topografi-baserede SPCR modeller i simulering SOC distribution og jord omfordeling mønstre i landbrug felter. Som en omkostningseffektiv metode til at estimere SOC bestande og jord omfordeling priser, finder det anvendelse på steder med begrænset observationsdata og private jorder mangler offentlighedens adgang. I fremtidige undersøgelser, forudsigelse modeller kunne forbedres med yderligere raffinement og tilgængeligheden af LiDAR data og medtagelse af yderligere topografiske målinger. De store ejendom jordbundskort der blev udviklet baseret på modeller vil føre til yderligere forståelse af mekanismerne bag de topografiske virkninger på jord bevægelse i landbruget landskaber og skæbne af SOC på vandskel og regionale skalaer.

Disclosures

Forfatterne har ikke noget at oplyse.

Acknowledgments

Denne forskning blev støttet af USDA Natural Resources Conservation Service i forening med komponenten vådområde af nationale bevarelse effekter vurdering projektet (referencecentre 67-3A75-13-177).

Materials

Name Company Catalog Number Comments
Light Detection and Ranging (LiDAR) data  http://www.geotree.uni.edu/lidar/ Collected from the GeoTREE LiDAR mapping project 
LECO CNS 2000 elemental analyzer  LECO Corp., St. Joseph, MI
Canberra Genie-2000 Spectroscopy System CANBERRA Industries
Geographic positioning system Trimble  RTK 4700 GPS
ArcGIS ESRI, Redlands, CA 10.2.2
Statistical Analysis System  SAS Institute Inc
System for Automated Geoscientific Analysis  University of Göttingen, Germany  v. 2.2.5, http://www.saga-gis.org/ GNU General Public License

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Miljøvidenskab spørgsmål 140 topografi-baseret model trinvis hovedbestanddel regression trinvis almindelig lineær regression digital elevation model jord omfordeling organisk kulstof i jorden
Brug af Principal komponenter for optrapning topografisk modeller til kort jord omfordeling og jordbundens organiske kulstof
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Li, X., McCarty, G. W. Use of… More

Li, X., McCarty, G. W. Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon. J. Vis. Exp. (140), e58189, doi:10.3791/58189 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter