Waiting
Login processing...

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

Environment

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

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

Landschap processen zijn kritieke onderdelen van bodemvorming en spelen een belangrijke rol bij het bepalen van de bodemeigenschappen en ruimtelijke structuur in landschappen. Wij stellen voor een nieuwe aanpak met stapsgewijze belangrijkste component regressie te voorspellen van herverdeling van de bodem en organische koolstof van de bodem op verschillende ruimtelijke schalen.

Abstract

Topografie van het landschap is een kritische factor die bodemvorming en speelt een belangrijke rol bij het bepalen van de bodemeigenschappen op het oppervlak van de aarde, zoals het regelt het verkeer van de zwaartekracht-gedreven bodem geïnduceerd door afvoer en grondbewerking activiteiten. De afgelopen toepassing van licht Detection and Ranging (LiDAR) gegevens houdt belofte voor het genereren van hoge ruimtelijke resolutie topografische statistieken die kan worden gebruikt voor het onderzoeken van de bodem eigenschap variabiliteit. In deze studie werden vijftien topografische metriek afgeleid van LiDAR gegevens gebruikt om te onderzoeken topografische gevolgen voor herverdeling van de bodem en de ruimtelijke spreiding van de bodem organische koolstof (SOC). Specifiek, verkenden we het gebruik van topografische principale componenten (TPCs) voor het karakteriseren van de topografie metrics en stapsgewijze belangrijkste component regressie (SPCR) om topografie gebaseerde bodemerosie en SOC modellen op site en waterscheiding schalen te ontwikkelen. Prestaties van SPCR-modellen werd geëvalueerd tegen stapsgewijze gewone minste vierkante (SOLSR) regressiemodellen. Resultaten toonden aan dat SPCR presteerde beter dan SOLSR modellen modellen in het voorspellen van de bodem herverdeling tarieven en SOC dichtheid op verschillende ruimtelijke schalen. Gebruik van TPCs verwijdert potentiële collineariteit tussen individuele invoervariabelen en dimensionaliteit vermindering door belangrijkste componenten analyse (PCA) vermindert het risico van overfitting van de voorspellingsmodellen. Deze studie stelt een nieuwe aanpak voor het modelleren van herverdeling van de bodem op verschillende ruimtelijke schalen. Voor één toepassing, kan toegang tot particuliere landerijen is vaak beperkt, en de noodzaak om te extrapoleren van bevindingen uit representatieve studieplaatsen aan grotere instellingen waarin particuliere landerijen belangrijk.

Introduction

Herverdeling van de bodem (erosie en afzetting) oefent significante effecten op bodem organische koolstof (SOC) voorraden en dynamiek. Toenemende inspanningen hebben besteed aan het onderzoeken hoe SOC is vrijstaand, vervoerd en gestort meer dan het landschap1,2,3. Carbon (C) sekwestratie en SOC distributie worden beïnvloed door de zwaartekracht-gedreven bodem beweging geïnduceerd door water erosie4,5,6. In akkers is bodem translocatie door grondbewerking een ander belangrijk proces bij te dragen tot en met C herverdeling7,8,9. Grondbewerking erosie veroorzaakt een aanzienlijke netto top beweging van deeltjes van de bodem en leidt tot een binnen-veld bodem variatie10. Zowel water als grondbewerking erosie zijn sterk beïnvloed door de topografie van het landschap, die bepalend is voor de locaties van geërodeerd en energetisch sites11. Daarom effectieve bodemerosie verordening en C dynamisch onderzoek in landbouwgronden oproepen voor een beter begrip van topografische besturingselementen op bodemerosie en bewegingen.

Verschillende studies hebben onderzocht de effecten van topografie op bodem herverdeling en bijbehorende SOC dynamics9,12,13,14,15,16, 17. van der Perk et al. 12 gemeld dat topografische factoren verklaard 43% van de variabiliteit in de herverdeling van de bodem. Rezaei en Gilkes13 gevonden hogere SOC in de bodem op een schaduwrijke aspect, als gevolg van lagere temperaturen en minder verdamping in vergelijking met andere aspecten van de woeste gronden. Topografie wellicht meer significante effecten op bodem herverdeling in landbouwgronden met traditionele grondbewerking behandeling dan die met minimale grondbewerking, als gevolg van de interacties tussen landvormen en grondbewerking praktijken9. Echter, deze bevindingen werden voornamelijk ontleend veldwaarnemingen, die de huidige moeilijkheden bij het onderzoeken van de bodemeigenschappen op een breder ruimtelijke schaal. Er is een dringende behoefte aan het ontwikkelen van nieuwe strategieën om effectief begrijpen ruimtelijke patronen van bodemeigenschappen watershed en regionale schaal.

Het doel van deze studie is om efficiënte modellen te simuleren van herverdeling van de bodem en SOC distributie te ontwikkelen. Topografie-gebaseerde modellen gebruik van topografische statistieken zoals voorspellers zijn ontwikkeld om te kwantificeren van erosie en afzetting processen van de bodem. In vergelijking met empirische of proces-gebaseerde erosie modellen die discreet veld bemonsteringen te simuleren bodemerosie18,19, topografie-gebaseerde modellen ingezet zou kunnen worden ontwikkeld op basis van topografische gegevens afgeleid van digitale hoogte modellen (DEM) met hoge resoluties. Deze aanpak zorgt voor continue bodem eigenschap simulaties op de waterscheiding of regionale schaal. In de afgelopen decennia, is nauwkeurigheid van topografische informatie aanzienlijk verbeterd, met de toenemende beschikbaarheid van gegevens met hoge resolutie op afstand voelde. Hoewel eerdere studies hebt gebruikt topografie-gebaseerde modellen te simuleren van bodem eigenschappen12,20,21,22, de meeste van deze onderzoeken gebruikt een enkele topografische metrisch of één categorie van topografische metrics (lokaal, interlokaal of gecombineerde topografische metrics), die kan niet hebben voldoende onderzocht topografische effecten op bodem microbiële activiteit. Daarom, om te krijgen een beter begrip van topografie controles van bodemerosie en C dynamiek, onderzochten we een uitgebreide set van topografische statistieken, met inbegrip van lokaal, interlokaal en gecombineerde topografische statistieken en meerdere variabele topografie gebaseerde ontwikkeld modellen te simuleren van bodem eigenschap dynamiek. Toepassingen van deze modellen wordt verwacht dat zij wetenschappelijke ondersteuning voor betere bodem erosiebestrijding en het beheer van landbouwgrond.

Topografische statistieken zijn over het algemeen gecategoriseerd in drie categorieën: a) lokale topografische metrics, b) niet-lokale topografische statistieken of c) gecombineerde topografische statistieken. Lokale topografische statistieken verwijzen naar lokale kenmerken van één punt op het landoppervlak. Non-lokale topografische statistieken verwijzen naar de relatieve plaatsen van geselecteerde punten. Gecombineerde topografische statistieken integreren lokale en niet-lokale topografische statistieken. Een set van topografische statistieken op het gebied van bodemerosie en afzetting gewend waren in deze studie onderzoeken de topografische besturingselementen op beweging van de bodem en C voorraden (tabel 1). Specifiek, gebruikten we vier lokale topografische statistieken [helling, profiel kromming (P_Cur), plan kromming (Pl_Cur), algemene kromming (G_Cur)], zeven niet-lokale topografische statistieken [stroom accumulatie (FA) topografische opluchting, positieve openheid (POP), buigpunten helling (UpSl), stroom weglengte (FPL), top index (DI), stroomgebied (CA)], en drie gecombineerd topografische statistieken [topografische nattigheid index (TWI), stream macht index (SPI) en factor van de lengte van de helling (LS)].

Protocol

1. topografische Analyses

  1. Digitale gegevens voorbehandelen
    1. LiDAR gegevens verzamelen van de GeoTREE LiDAR website van het project van de toewijzing. Selecteer "grens type" en "regio" in te zoomen in een specifiek gebied. Een veelhoekige hotspot om te downloaden van LiDAR tegels voor het geselecteerde studiegebied tekenen.
    2. De ruwe LiDAR gegevens omzetten in een LAS-bestand met behulp van het hulpprogramma voor toewijzing van geografische informatie systeem (GIS).
    3. DEMs genereren met een 3-m ruimtelijke resolutie met behulp van inverse afstand gewogen interpolatie.
    4. Filter de 3-m DEMs tweemaal met een 3-kernel low-pass filter om geluiden koppelen aan lokale variatie.
  2. Topografische metrische generatie
    1. Topografische statistieken te genereren, moet u eerst de nieuwste versie van het systeem voor geautomatiseerde geowetenschappelijke analyse (SAGA)23downloaden. Klik op "Importeren Raster" in de sectie importeren/exporteren om de gefilterde 3-m DEMs importeren SAGA.
    2. Klik op de "Helling, Aspect, kromming" module van SAGA met de standaardinstellingen voor het genereren van de helling en kromming-gerelateerde [profiel kromming (P_Cur), plan kromming (Pl_Cur), en algemene kromming (G_Cur)] statistieken met behulp van de gefilterde DEMs (Figuur 1).
    3. Klik op de "Flow accumulatie (Top-Down)" module van SAGA en selecteer "Deterministische infinity" als de methode voor het genereren van stroom accumulatie (FA) metrisch met behulp van de gefilterde DEMs.
    4. Klik op de "SAGA topografische openheid"-module met de standaardinstellingen voor het genereren van de metric van de positieve openheid (POP) met behulp van een versterkte beeld van gefilterde z-as.
    5. Klik op de "LS-factor (veld gebaseerd)" module van SAGA met de standaardinstellingen voor het genereren van de buigpunten helling (Upsl) en lengte factor (LS_FB) statistieken met behulp van de gefilterde DEMs helling.
    6. Klik op de "Flow weglengte" module van SAGA met de standaardinstellingen voor het genereren van de stroom pad lengte (FPL) metric met behulp van de gefilterde DEMs.
    7. Klik op de "Top afstand Gradient" module van SAGA met de standaardinstellingen voor het genereren van de index (DI)-metric van top met behulp van de gefilterde DEMs.
    8. Klik op de module "SAGA nattigheid Index" en selecteer "absolute stroomgebied" als het tekstvlak voor het genereren van het stroomgebied (CA) en topografische nattigheid index (TWI) statistieken met behulp van de gefilterde DEMs.
    9. Klik op de "Index van de macht van de Stream" module van SAGA en selecteer "pseudo-specifieke stroomgebied" als de conversie van de ruimte voor het genereren van de stream macht index (SPI) metric met behulp van de gefilterde DEMs.
    10. Maximale hoogte kaarten met meerdere radiuses genereren. Filtreer de maximale hoogte kaarten tweemaal door een 3-kernel low-pass filter. De gefilterde 3-m DEM uit de gefilterde maximale hoogte kaarten om te krijgen een aantal kaarten van de vrijstelling aftrekken. Pak een aantal opluchting variabelen op een aantal locaties.
    11. Belangrijkste componenten analyse (PCA) op de opluchting variabelen om te zetten van de reliëfs in topografische verlichting onderdelen uitvoeren. Selecteer principale componenten die verklaren meer dan 90% variantie van de dataset van opluchting als de topografische opluchting statistieken.

2. het verzamelen van de gegevens van veld

  1. Veld bemonstering
    1. Selecteer een aantal akkerland veld locaties die de kenmerken van het landschap van het studiegebied adequaat kunnen vertegenwoordigen en verschillende representatieve kleinschalige akkerland velden die intensief kunnen worden bemonsterd.
      Opmerking: De bodemmonsters verzameld uit de twee akkerland velden werden gebruikt voor het kalibreren van het model. Bodemmonsters verzameld uit het gehele studiegebied werden gebruikt voor modelvalidatie.
    2. De coördinaten voor de locatie monster uploaden naar een op basis van code geografische positiebepalingssysteem (GPS) en fysiek zoek hen in de velden.
    3. 3 monsters voor elke bemonstering locatie ophalen door de bodemlaag van de bovenste 30 cm met een push-sonde (3.2 cm diameter).
      Opmerking: Bodemmonsters uit 30-50 cm lagen werden verzameld op sites waar de afzetting van sediment werd verwacht. Het volume van elk monster was 241 cm3.
    4. Geografische coördinaten recordgegevens van bemonstering van locaties met behulp van GPS.
    5. Weeg de bodemmonsters na het drogen ze bij 90 ° C gedurende 48 h. berekenen bodem dichtheid met behulp van informatie van totale steekproef volumes op bemonstering locaties en gewichten. Meng de drie monsters van dezelfde locatie om een samengestelde bodemmonster.
  2. Bereiding van de monsters van de bodem
    1. Zeef de samengestelde bodemmonsters met een 2-mm-scherm.
    2. Een deelmonster van 10 g van het gezeefde grond tot een zeer fijn poeder vermalen met een roller molen.
  3. Bodem monster analyses
    1. Meten van de bodem totale koolstofgehalte (C) in roller gemalen monsters door verbranding op een CN elemental analyzer bij een temperatuur van 1350 ° C. Schatten calciumcarbonaat C inhoud door het analyseren van de resterende C na het bakken van organisch bodemmateriaal, bij een temperatuur van 420 ° C gedurende 16 uur in een oven.
    2. Bereken SOC inhoud (%) door calciumcarbonaat C inhoud van totale bodem C inhoud af te trekken. SOC inhoud (%) omzetten in SOC dichtheid (kg m-2) met behulp van de dichtheid van de bodem.
    3. Zet de bulk 2-mm gezeefde bodemmonsters in Marinelli bekers en verzegelen. Meten van 137Cs concentratie van elk monster door gammastraling analyse met behulp van een systeem van spectroscopie die ingangen ontvangt van drie hoge zuiverheid coaxiale germanium kristallen (HpCN30% rendement) in 8192 vierkanaals Analysers (Zie tabel van materialen ).
    4. Kalibreer het systeem met behulp van een analytische gemengde radionuclide standaard11. 137Cs concentratie omzetten in 137Cs inventaris met behulp van de dichtheid van de bodem.
    5. Bodem herverdeling tarief met behulp van 137Cs inventaris door het toepassen van de massa balans Model II (MBMII) in een werkblad toe: voegen-in programma ontwikkeld door Walling et al. berekenen 24.

3. topografie-gebaseerde Model ontwikkeling

  1. Topografische belangrijkste component schatting
    1. Pak de topografische statistieken voor bemonstering van locaties in het hele studiegebied en de kleinschalige akkerland velden.
    2. De topografische statistieken van de bemonstering locaties in het hele studiegebied standaardiseren met behulp van de gemiddelde en de opgegeven standaarddeviatie. Schatten van de topografische metrische belastingen in elk onderdeel op basis van de gestandaardiseerde topografische statistieken partnerschaps-en samenwerkingsovereenkomst met statistische softwarepakket. Verzamelen van de topografische metrische belastingen in elke topografische belangrijkste component (TPC) en selecteer de bovenste TPCs die 90% variantie van alle statistieken te verklaren.
    3. Standaardiseren van de topografische statistieken van de locaties van de bemonstering op het gebied van kleinschalige akkerland. Bereken de hoogste TPCs voor elke locatie door de som van de gestandaardiseerde topografische statistieken gewogen met de overeenkomstige belastingen vanaf de locaties van de bemonstering in WCW.
  2. Model kalibratie
    1. Stapsgewijze gewone minste vierkante regressie (SOLSR) te ontwikkelen topografie-gebaseerde SOLSRf modellen voor SOC dichtheid en bodem herverdeling tarieven op basis van alle topografische statistieken op de kleinschalige akkerland velden uit te voeren. Gebruik Akaike informatie criterium (AIC) en verlof-one-out cross-validatie selecteren de optimale combinatie van topografische statistieken voor de best uitgeruste SOLSRf -modellen.
    2. Controleer de collineariteit onder de topografische variabelen met behulp van de variantie inflatie factor (VIF). Verwijderen van de variabelen met de grootste VIF (VIF ≥ 7.525), en controleer nogmaals VIF. De variabelen verwijderen totdat de VIFs van alle variabelen < 7.5 zijn. Uitvoeren van SOLSR voor het ontwikkelen van topografie-gebaseerde SOLSRr modellen voor SOC dichtheid en herverdeling tarieven op basis van topografische statistieken die verwijderd hoge collineariteit variabelen werden in de bodem. Kunt de AIC en verlof-one-out cross-validatie selecteren de optimale combinatie voor de best uitgeruste SOLSRr modellen.
    3. Stapsgewijze belangrijkste component regressie (SPCR-) ontwikkelen van topografie-gebaseerde SPCR-modellen voor SOC dichtheid en herverdeling tarieven op basis van de TPCs op de velden van kleinschalige akkerland in de bodem uit te voeren. Kunt de AIC en verlof-one-out cross-validatie selecteren de optimale combinatie van TPCs voor de best uitgeruste SPCR-modellen.
    4. Berekening van de gecorrigeerde coëfficiënt van bepaling (Radj2), Nash-Sutcliffe efficiëntie (NSE) en verhouding van de kwadratische gemiddelde fout de standaardafwijking van meetgegevens (RSR) te beoordelen van de efficiëntie van het model.
  3. Model-evaluatie
    1. Schatten van de SOC dichtheid en herverdeling tarieven in het gehele studiegebied in de bodem door de geschatte modellen toe te passen.
    2. Valideren van het ontwikkelde model door het vergelijken van voorspelling met gemeten dataset van SOC dichtheid en herverdeling tarieven in het gehele studiegebied in de bodem. Evalueren van de prestaties van de model met behulp van Radj2, NSE en RSR waarden.

Representative Results

We gebruikten de waterscheiding van Walnut Creek (WCW) als een testbed voor de beoordeling van de haalbaarheid van topografie-gebaseerde modellen in behandelende bodem herverdeling en SOC dynamiek. De waterscheiding is binnen de staat Iowa, en valt bestuurlijk gezien onder Boone en Story County (41 ° 55'-42 ° 00'N; 93 ° 32'-93 ° 45' WL) met een oppervlakte van 5,130 ha (Figuur 2). Akkerland is de dominante landgebruik type in de WCW, met een relatief vlak terrein (gemiddelde 90 m, topografische opluchting 2,29 m). Beitel ploegen, disking, en de schrijnende bewerkingen worden de belangrijkste grondbewerking praktijken in het gewas velden26,27; Grondbewerking richtingen lopen echter uiteen als gevolg van verschillen in de beheerspraktijken.

Vier honderd zestig gewas veld locaties werden willekeurig geselecteerd voor het afleiden van topografische informatie in de WCW (Figuur 2). 100 uit de 460 locaties, waaronder twee 300 meter transecten (elk hebben 9 bemonstering locaties), werden geselecteerd om het voeren van veld bemonsteringen en voor analyse van SOC en bodem herverdeling niveaus. Bovendien werden twee kleinschalige veld sites met topografische landschap, bodemsoorten en grondbewerking-praktijken die vergelijkbaar zijn met de WCW geselecteerd voor intensievere proeverijen. Op elke site kleinschalige veld, een 25 × 25 m rastercel is gemaakt, en 230 bemonstering locaties waren gelegen op de knooppunten van het raster (Figuur 3). Topografische metrics en bodem eigenschappeninformatie werden berekend voor de 230 locaties.

De topografische statistieken in de WCW werden gegenereerd na het bovenstaande protocol. Het WCW wordt gekenmerkt met lage tot matige topografie (hoogte variërend van 260 tot 325 m) met een relatief lage helling (variërend van 0 tot 0.11 radiaal), buigpunten helling (0 tot 0,09 m) en gematigde kromming (profile kromming:-0.009 naar 0.009 m-1, plan kromming:-0.85 naar 0,85 m-1, algemene kromming:-0.02 naar 0,02 m-1). Verticale bergketens DEMs werden 100 keer vergroot tot het verhogen van de distinguishability van de relatief lage veld-schaal opluchting gevonden in de WCW voor het maken van de positieve openheid statistieken (POP100). Na de conversie, het bereik van positieve openheid verhoogd van 0,08 radialen (POP: 1.51-1,59 radialen) naar 0,86 radialen (POP100: 0.36-1.22 radialen).

Voor het topografische reliëf, wij zeven relief kaarten met volgende radiuses gegenereerd: 7,5 m, 15 m, 30 m, 45 m, 60 m, 75 m en 90 m. Twee opluchting principale componenten werden geselecteerd op basis van resultaten van PSO op de zeven opluchting variabelen. De eerste toonden grove resolutie opluchting variatie met vrijstelling45 m als de belangrijkste variabele. We dit onderdeel gedefinieerd als het grootschalige reliëf (LsRe). De tweede component, die was sterk gecorreleerd met vrijstelling7,5 m en prima resolutie opluchting variatie presenteerde, werd gedefinieerd als het kleinschalige reliëf (SsRe).

Resultaten van de analyses van de correlatie tussen topografische metrics en SOC dichtheid/bodem herverdeling worden gepresenteerd in tabel 2. De TWI en LsRe is gebleken de hoogste correlatie met SOC dichtheid en bodem herverdeling tarieven, respectievelijk. Ruimtelijke patronen van de twee statistieken worden weergegeven in Figuur 4. Details van de TWI en LsRe kunnen beter worden waargenomen vanuit het transect gebied. Beide statistieken toonde hoge waarden in depressional gebied en lage waarden in hellende en ridge gebieden. Verschillen tussen de twee statistieken is echter in de greppel gebieden, waar de TWI tentoongesteld extreem hoge waarden waren, maar de waarden van de LsRe niet anders dan aangrenzende gebieden.

Na het genereren van de vijftien topografische statistieken, we PCA op deze topografische variabelen gebruikt boven de 460 bemonsteringsplaatsen in de WCW. De eerste zeven topografische principale componenten (TPCs) die verklaard meer dan 90% variabiliteit van de hele topografische dataset werden geselecteerd. Vijf TPCs die laatste waren geselecteerd om te bouwen van topografie-gebaseerde modellen zijn vermeld in tabel 3. Voor de eerste belangrijkste component (TPC1) toonde G_Cur het hoogste laden. Helling, TWI, Upsl en LS_FB waren de belangrijkste statistieken in TPC2, met ladingen die groter is dan 0.35. In de TPC3, FA, SPI en CA respectievelijk belangrijke statistieken, met ladingen van 0.482, 0.460 en 0.400. FPL (-0.703) en Pl_Cur (0.485) waren de belangrijkste in de TPC6. De belangrijkste statistieken met hoge belastingen in de TPC7 waren SsRe (0.597), DI (0.435), FPL (0.407) en Pl_Cur (0.383).

Collineariteit van topografische variabele werd gecontroleerd door onderzoek van de VIF. Van de 15 statistieken, waren helling, TWI en G_Cur wegnemen te danken aan de hoge VIFs. Gebaseerd op bodem herverdeling tarieven en koolstof dichtheid gegevens op sites 1 en 2, SOLSR modellen zijn ontwikkeld met behulp van alle 15 statistieken (SOLSRf) en de 12 metrics met collineaire covariate verwijderd (SOLSRr) (tabel 4). In het algemeen over de 70% en 65% van de variabiliteit in SOC dichtheid en bodem herverdeling werden tarieven toegelicht door de SOLSRf modellen, respectievelijk. Voor de modellen met collineaire covariate verwijderd (SOLSRr) waren simulatie efficiëntie iets lager dan SOLSRf modellen (68% voor SOC dichtheid en 63% voor herverdeling van de bodem). NSEs waren iets lager en RSR iets hoger in de modellen van der SOLSR dan in SOLSRf modellen.

Voor SPCR-modellen, zijn soortgelijke simulatie efficiëntie als SOLSRr waargenomen in tabel 4. Echter werden minder onafhankelijke variabelen geselecteerd in SPCR-modellen (minder dan 5 variabelen) dan de SOLSRf en SOLSRr modellen (meer dan 6 variabelen). TPCs 1, 2, 3 en 7 werden geselecteerd als de onafhankelijke variabele combinaties voor de SOC model en TPCs 1, 2, 3, 6 en 7 werden geselecteerd als de combinatie voor de bodem herverdeling model.

We vonden dat de SPCR-modellen de beste voorspellingen hadden en de SOLSRr modellen de armste prestaties op de schaal van de waterscheiding toonde. De coëfficiënten van bepaling (r2) door het vergelijken van de voorspelling van de dichtheid van de SOC aan de waarneming van verhoogd: 1) 0,60 in SOLSRf en 0.52 in SOLSRr aan 0,66 in SPCR-, en 2) NSE steeg van 0.21 in SOLSRf en 0.16 in SOLSRr naar 0,59 in SPCR; terwijl RSR van 0.87 in SOLSRf en 0.91 in SOLSRr tot 0.64 in SPCR teruggebracht. Tarief voorspelling van de herverdeling van de bodem in de SPCR-goed voor 36% van de variabiliteit in de gemeten variabele en hoger was dan de voorspellingen door SOLSRf (34%) en SOLSRr (0,35%). Een hogere NSE en lagere RSR in SPCR (NSE = 0,33, RSR = 0.82) in vergelijking met SOLSRf (NSE = 0.31, RSR = 0.83) en SOLSRr (NSE = 0.32, RSR = 0.82) ook blijk gegeven van een betere performance in tarief simulatie van de herverdeling van de bodem door SPCR.

Volgens de evaluaties van de prestaties model SPCR-modellen werden geselecteerd voor het genereren van SOC dichtheid en bodem herverdeling tarief kaarten op de schaal van de waterscheiding. De kaarten onthuld consistente patronen tussen modelsimulaties en veldmetingen (Figuur 5). De hoge consistentie tussen de simulaties en opmerkingen waren duidelijker langs de transecten. Beide SOC dichtheid en bodem herverdeling tarieven toonde hoge correlaties met de topografie van het landschap. Hoge waarden van SOC dichtheid kunnen worden gevonden in footslope en energetisch gebieden, waar bodem afzetting voorgedaan, terwijl lage waarden van SOC dichtheid werden waargenomen in hellende gebieden, waar de bodemerosie plaatsvond.

Figure 1
Figuur 1 : De helling, Aspect, kromming module in het systeem voor geautomatiseerde geowetenschappelijke analyse (SAGA). De veelhoeken Toon de locaties van de studieplekken. Klik hier voor een grotere versie van dit cijfer.

Figure 2
Figuur 2 : Locatie van Walnut Creek waterscheiding en bemonsteringsplaatsen in het stroomgebied (Iowa). Dit cijfer werd aangepast van eerdere werk17. Klik hier voor een grotere versie van dit cijfer.

Figure 3
Figuur 3 : Locatie van gesamplede sites 1 a) en b) 2 (z-as 15 x hoogte). Dit cijfer werd aangepast van eerdere werk17. Klik hier voor een grotere versie van dit cijfer. 

Figure 4
Figuur 4 : Topografische metric toegewezen. (a) topografische nattigheid index (TWI) en (b) grootschalige topografische verlichting (LsRe) in het stroomgebied van Walnut Creek en transect gebied (z-as 15 x hoogte). Klik hier voor een grotere versie van dit cijfer.

Figure 5
Figuur 5 : Bodem herverdeling tarief (t ha-1 jaar-1) kaarten en SOC dichtheid (kg m-2) kaarten .  Weergegeven zijn herverdeling bodemkaarten (a) binnen het stroomgebied van Walnut Creek en (b) langs twee transecten. Weergegeven zijn SOC dichtheid (kg m-2) kaarten (c) binnen het stroomgebied van Walnut Creek en (d) langs twee transecten met behulp van de stapsgewijze belangrijkste component analyse modellen (z-as 15 x hoogte). Klik hier voor een grotere versie van dit cijfer.

Variabelen Betekenis
Helling (radiaal) Afvoer snelheid, bodem water inhoud28,29
Profiel kromming (m-1) Stroom versnelling, bodemerosie, afzetting tarief11,30
Plan kromming (m-1) Stromen van de convergentie en divergentie, bodem water inhoud30
Generaal kromming (m-1) Afvoer snelheid, bodemerosie, afzetting29
Stroom accumulatie Bodem water inhoud, afvoer volume20
Topografische Relief (m) Landschap drainage kenmerken, afvoer snelheid en versnelling21,31 
Positieve openheid (radiaal) Landschap drainage kenmerken, bodem water inhoud32
Buigpunten helling (m) Afvoer snelheid33,34
Stroom weglengte (m) Sediment yield, erosie tarief35 
Top Index (radiaal) Bodem water inhoud36
Stroomgebied (m2) Afvoer snelheid en volume33,37 
Topografische nattigheid Index Bodem vocht distributie28,38,39 
Stream Power Index Bodemerosie, convergentie van stroom40 
De Factor van de lengte van de helling Stromen van convergentie en divergentie28,40

Tabel 1: Betekenissen van geselecteerde topografische metrics.

Helling P_Cur Pl_Cur G_Cur FA LsRe SsRe POP Upsl FPL DI CA TWI SPI LS_FB
(radiaal) (m-1) (m-1) (m-1) (m) (m) (radiaal) (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 en G_Cur zijn profiel kromming, plan kromming en algemene kromming, respectievelijk; FA is stroom accumulatie; RePC1 en RePC2 zijn onderdeel van de topografische verlichting 1 en 2, respectievelijk; POP100 is een positieve openheid; Upsl is buigpunten helling; FPL is stroom weglengte; DI is top index; CA is stroomgebied; TWI is topografische nattigheid index; en SPI is stream macht index; en LS_FB is de factor van de lengte van de helling (veld gebaseerd).
* P < 0,05, ** P < 0.005, *** P < 0,0001.
†Correlation-coëfficiënt > 0.5, ‡Highest correlatiecoëfficiënt voor elke eigenschap van de bodem.

Tabel 2: De Spearman rank correlatie (n = 560) tussen geselecteerde topografische statistieken en bodem organische koolstof (SOC) dichtheid en bodem herverdeling tarieven (SR).

TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%)
Helling 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 en G_Cur zijn profiel kromming, plan kromming en algemene kromming, respectievelijk; FA is stroom accumulatie; RePC1 en RePC2 zijn onderdeel van de topografische verlichting 1 en 2, respectievelijk; POP100 is een positieve openheid; Upsl is buigpunten helling; FPL is stroom weglengte; DI is top index; CA is stroomgebied; TWI is topografische nattigheid index; en SPI is stream macht index; en LS_FB is de factor van de lengte van de helling (veld gebaseerd).
†Loadings > 0.35.

Tabel 3: Variabele belastingen in de belangrijkste componenten (TPCs) berekend voor topografische metrics (n = 460) in Walnut Creek waterscheiding.

Model R2adj NSE RSR
Stapsgewijze belangrijkste component regressie 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
Stapsgewijze gewone minste vierkante regressie (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
Stapsgewijze gewone minste vierkante regressie met collineaire covariate verwijderd (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
† De volgorde van TPCs is gebaseerd op de stapsgewijze selectiestadia als
R2adj is aangepast determinatiecoëfficiënt; NSE is Nash-Sutcliffe efficiëntie; RSR is de verhouding van de kwadratische gemiddelde fout (RMSE) de standaardafwijking van de meetgegevens.
TPC vertegenwoordigt topografische belangrijkste component. TWI is topografische nattigheid index; FPL is stroom weglengte; P_Cur, Pl_Cur en G_Cur zijn profiel kromming, plan kromming en algemene kromming, respectievelijk; LS_FB is een factor van de lengte van de helling (veld gebaseerd); LsRe en SsRe zijn grootschalige en kleinschalige topografische reliëfs, respectievelijk; DI is top index; en Upsl is buigpunten helling.

Tabel 4: Modellen van de bodem organische koolstof (SOC) dichtheid en bodem herverdeling tarieven (SR) voor agrarische velden op basis van topografische gegevens op sites 1 en 2.

Discussion

De SOLSRf modellen had iets betere prestaties dan de SPCR-modellen in de kalibratie op de schaal van het veld. Echter zijn sommige van de topografische statistieken, zoals SPI en CA (r > 0.80), nauw met elkaar gecorreleerd. Het collineariteit kan onzekerheden aan modelvoorspellingen toevoegen. Vanwege de multicollinearity onder de voorspellers, kan kleine veranderingen in de invoervariabelen aanzienlijk beïnvloeden de model voorspellingen41. Dus de SOLSRf modellen neiging om onstabiel en toonde lage efficiëntie in simulaties van SOC dichtheid en bodem herverdeling tarief op de schaal van de waterscheiding. De SPCR-modellen overtroffen aanzienlijk de SOLSRf modellen in de voorspelling van SOC distributie op de schaal van de waterscheiding. TPCs elimineren de multicollinearity door het omzetten van de vijftien topografische statistieken in onderling onafhankelijke (orthogonale) onderdelen. De conversie ook ontdekt onderliggende relaties tussen topografische statistieken. Zoals aangegeven door de hoge belastingen (> 0.35) van topografische Maatstelsel van de componenten, werden de TPC1, TPC2, TPC3, TPC6 en TPC7 geassocieerd met afvoer snelheid, vochtgehalte van de bodem, afvoer volume, stroom divergentie en stroom versnelling, respectievelijk. Ruimtelijke patronen van bodem herverdeling tarieven en SOC distributie waren sterk gecorreleerd met bodem vochtgehalte en afvoer divergentie in de WCW, die strookt met de studie van Fox en Papanicolaou2, die aangetoond dat uitgehold bodem van Upland kan worden beïnvloed door stroom divergentie in een laag-reliëf landbouw waterscheiding.

Bovendien beperkt minder voorspeller variabelen in de SPCR-modellen dan de SOLSRf en SOLSRr modellen het risico van overdreven passen de voorspelling modellen42,43. Er waren meer dan zes variabelen in alle SOLSR modellen, die kunnen de moeilijkheid van de data interpretatie verhogen en induceren hoge variantie in model simulaties41,44,45. Dit kan goed zijn voor de lagere efficiency van de voorspelling in WCW door de modellen van de SOLSR dan door de SPCR-modellen.

Topografie-gebaseerde SPCR-modellen voordelen hebben in simuleren bodem herverdeling en bijbehorende SOC dynamiek. Eerste, topografische informatie kan gemakkelijk worden afgeleid uit DEMs. Recente grotere toegankelijkheid van de hoge ruimtelijke resolutie LiDAR gegevens kan helpen verbeteren van de nauwkeurigheid van DEM afkomstige landschap topografie en profiteren van onderzoek in regio's met beperkte veldwaarnemingen. Ten tweede, met behulp van een set van topografische metrics en statistische analyses, de topografie-gebaseerde modellen kunnen efficiënt kwantificeren bodem herverdeling en SOC distributiepatronen. Ten derde, de toepassing van de belangrijkste component kan effectief verminderen vooroordelen die zijn gekoppeld aan multicollinearity van topografische metrics en verhogen de stabiliteit van de stapsgewijze regressiemodellen wanneer toegepast op verschillende ruimtelijke schalen.

De SPCA modellen kunnen echter worden beperkt door variabelen tijdens de ontwikkeling van het model. Hoewel toepassing van de gegevens van LiDAR in ecologische studies toegenomen, is de methoden voor het afleiden van nuttige topografische informatie nog niet volledig onderzocht. In deze studie, de TWI en LsRe toonde de hoogste correlatie met SOC dichtheid en bodem herverdeling tarieven, respectievelijk. Aanvullende topografische variabelen die niet worden beschouwd als kunnen echter even of meer belangrijk in het verklaren van bodemerosie en C dynamiek. Daarnaast waren andere factoren zoals beheerspraktijken, waardoor grond erosie variabiliteit, niet opgenomen in deze studie. Bijvoorbeeld, toen grondbewerking parallel aan de richting van de maximale helling, kan bodemerosie verdubbelen ten opzichte van de erosie in slantwise grondbewerking bodem buigpunten46draaien. Verschillende grondbewerking praktijken kunnen ook dus een reden voor de verminderde voorspelling efficiency van de SPCR-modellen.

De studie is gebaseerd op het papier gepubliceerd in Catena17. In plaats van een mechanistische gebaseerde analyse van topografische invloeden op beweging van de bodem en bodemeigenschappen zoals uitgevoerd in de Catena papier, hier we gericht op de methoden voor het kwantificeren van de topografische statistieken en het ontwikkelen van topografie-gebaseerde modellen. Bespraken wij de haalbaarheid en de voordelen van het gebruik van topografie-gebaseerde modellen in studies van de ruimtelijke structuur van de bodemeigenschappen van de. Ondertussen, we onze modellen verbeterd door bijwerking van de algoritmen van de accumulatie van helling lengte factor en stroom. De omvang van de helling lengte factor meting was beperkt tot het gebied. Bovendien werd de deterministische infinity-algoritme gebruikt voor generatie van de accumulatie van de flow. Vergeleken met de methode gerapporteerd in Li et al. 17 die gegenereerd van accumulatie van de stroom met een deterministische acht knooppunten algoritme, het algoritme van de oneindigheid aangenomen in deze studie vermindert lussen in de hoeken van de stroom richting en bleek te zijn een betere algoritme voor laag reliëf gebieden47.

Kortom, onze resultaten tonen aan de haalbaarheid van topografie gebaseerde SPCR-modellen simuleren de SOC distributie en bodem herverdeling patronen in landbouw velden. Als een voordelige methode te schatten SOC voorraden en bodem herverdeling tarieven, is van toepassing op sites met beperkte observationele gegevens en particuliere landerijen ontbreekt van de toegang van het publiek. In de toekomst studies, de voorspelling modellen zou kunnen worden verbeterd met verdere verfijning en beschikbaarheid van LiDAR gegevens en integratie van aanvullende topografische metrics. De grootschalige eigenschap bodemkaarten die zijn ontwikkeld op basis van de modellen zal leiden tot meer inzicht in de mechanismen die ten grondslag liggen aan de topografische effecten op bodem beweging in agrarische landschappen en het lot van SOC op de waterscheiding en regionale schaal.

Disclosures

De auteurs hebben niets te onthullen.

Acknowledgments

Dit onderzoek werd gesteund door de USDA natuurlijkehulpbronnen instandhouding Service i.s.m. het Wetland onderdeel van de nationale instandhouding effecten beoordeling Project (NRC 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

Milieuwetenschappen kwestie 140 topografie gebaseerde model stapsgewijze belangrijkste component regressie stapsgewijze gewone lineaire regressie Digitaal hoogtemodel herverdeling van de bodem bodem organische koolstof
Gebruik van Principal Components voor schaalvergroting van modellen van de topografische kaart van herverdeling van de bodem en bodemverontreiniging organische koolstof
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