Waiting
Login processing...

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

Environment

Bruk av rektor komponenter for skalering opp topografiske modeller å kartlegge jord distribusjon og jord organisk karbon

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

Landskapet prosesser er kritiske komponenter i jord dannelse og spille en viktig rolle i å bestemme jordegenskaper og romlig struktur i landskap. Vi foreslår en ny tilnærming med gradvis viktigste komponenten regresjon for å forutsi jord distribusjon og jord organisk karbon over ulike romlige skalaer.

Abstract

Landskapet topografi er en kritisk faktor som påvirker jord dannelse og spiller en viktig rolle i å bestemme jordegenskaper på jordoverflaten, som den regulerer gravitasjon-drevet jord bevegelse av avrenning og jordarbeiding. Siste anvendelse av lys gjenkjennings- og Ranging (LiDAR) data holder løftet for å generere høy romlig oppløsning topografiske beregninger som kan brukes til å undersøke jord egenskapen variasjon. I denne studien ble femten topografiske beregninger fra LiDAR data brukt til å undersøke topografiske virkninger på omfordeling av jord og romlige fordelingen av jord organisk karbon (SOC). Spesielt utforsket vi bruk av topografiske hovedkomponentene (TPCs) for å karakterisere topografi beregninger og gradvis viktigste komponenten regresjon (SPCR) for å utvikle topografi-baserte jorderosjon og SOC modeller på nettstedet og vannskille skalaer. Ytelsen til SPCR modeller ble evaluert forhold gradvis vanlig minst kvadrat regresjon (SOLSR). Resultatene viste at SPCR modeller oppnådd SOLSR modeller forutse jord omfordeling priser og SOC tetthet på forskjellige romlige skalaer. Bruk av TPCs fjernes potensielle kolinearitet mellom individuelle input variabler og dimensjonalitet reduksjon av viktigste komponenten analyse (PCA) reduserer risikoen for overfitting prediksjon modellene. Studien legger en ny tilnærming for modellering jord omfordeling over ulike romlige skalaer. For ett program, tilgang til privat land er ofte begrenset, og behovet for å ekstrapolere funnene fra representant studiesteder større innstillinger med privat land kan være viktig.

Introduction

Jord videredistribusjon (erosjon og deponering) utøver store virkninger på jord organisk karbon (SOC) aksjer og dynamikk. Økende innsats har vært viet til å undersøke hvordan SOC er frittstående, transportert og deponert over landskapet1,2,3. Carbon (C) lagring og SOC distribusjon påvirkes av tyngdekraften-drevet jord bevegelse av vann erosjon4,5,6. I dyrket felt er jord translokasjon av jordarbeiding en annen viktig prosess bidra til C omfordeling7,8,9. Jordarbeiding erosjon fører til en betydelig netto downslope bevegelse av jordpartikler og fører til en i-feltet jord variant10. Både vann og jordarbeiding erosjon er betydelig påvirket av landskapet topografi, som bestemmer plasseringen av farget og depositional11. Derfor effektive jord erosjon regulering og C dynamisk etterforskning i jordbruksprodukter lander Etterlyser en bedre forståelse av topografiske kontroller på jorderosjon og bevegelser.

Flere studier har undersøkt virkningene av topografi på jord videreformidling og tilknyttede SOC dynamics9,12,13,14,15,16, 17. van der Perk et al. 12 rapportert at topografiske faktorer forklart 43% av variasjonen i jord videredistribusjon. Rezaei og Gilkes13 funnet høyere SOC i jord på en skyggefull aspektet, lavere temperaturer og mindre fordampning sammenlignet med andre aspekter i rangelands. Topografi kan ha betydelige konsekvenser på jord videredistribusjon i jordbruksområder med tradisjonelle jordarbeiding behandling enn de med minimum jordarbeiding, på grunn av samspillet mellom Landformer og jordarbeiding praksis9. Men var disse funnene hovedsakelig avledet fra feltet observasjoner, som presenterer vanskeligheter i gransker jordegenskaper i bredere romlige skala. Det er en trykker nød å utvikle nye strategier for effektivt å forstå romlige mønstre for jordegenskaper vannskille og regionale skalaer.

Målet med denne studien er å utvikle effektive modeller for å simulere jord distribusjon og SOC distribusjon. Topografi-baserte modeller bruke topografiske beregninger som prediktorer er utviklet for å kvantifisere jord erosjon og deponering prosesser. Sammenlignet med empirisk - eller prosess-baserte erosjon modeller som ansatt diskret feltet prøvetaking simulere jord erosjon18,19, topografi-baserte modeller kunne utvikles basert på topografiske informasjon fra digital høyde modeller (DEMs) med høy oppløsning. Denne tilnærmingen gir kontinuerlig jord egenskapen simuleringer vannskille eller regionale skala. I de siste tiårene, er topografiske informasjonen vesentlig forbedret, med økende tilgjengelighet av høy oppløsning eksternt sensed data. Selv om tidligere studier har ansatt topografi-baserte modeller for å simulere jord, egenskaper,12,,20,,21,,22, brukte de fleste av disse undersøkelsene en enkelt topografiske beregning eller én kategori topografiske beregninger (lokal, ikke-lokal eller kombinert topografiske beregninger), som kanskje ikke har tilstrekkelig utforsket topografiske virkninger på jord mikrobiell aktivitet. Derfor, for å få en bedre forståelse av topografi kontroller på jorderosjon og C dynamikk, undersøkte vi et omfattende sett med topografiske beregninger inkludert lokale, ikke-lokal og kombinerte topografiske beregninger og utviklet flere variable topografi-basert modeller for å simulere jord egenskapen dynamics. Anvendelser av disse modellene er forventet å gi vitenskapelig støtte for bedre jord erosjon kontroll og jordbruksland.

Topografiske beregninger er vanligvis kategoriseres i en av tre kategorier: a) lokale topografiske beregninger, b) ikke-lokal topografiske beregninger eller c) kombinert topografiske beregninger. Lokale topografiske beregninger se lokale funksjoner til ett punkt på land overflaten. Ikke-lokal topografiske beregninger refererer til de relative plasseringen av valgte punktene. Kombinert topografiske beregninger integrerer lokale og ikke-lokale topografiske beregninger. Et sett med topografiske beregninger påvirker jorderosjon og deponering ble brukt i denne studien for å undersøke topografiske kontrollene på jord bevegelse og C aksjer (tabell 1). Spesielt vi brukte fire lokale topografiske beregninger [skråningen, profil kurvatur (P_Cur), planlegge kurvatur (Pl_Cur), generelt kurvatur (G_Cur)], sju ikke-lokal topografiske beregninger [flyt opphopning (FA), topografiske relieff, positiv åpenhet (POP), upslope stigningstallet (UpSl), flyt banelengde (FPL), downslope indeks (DI), nedslagsfeltet (CA)], og tre kombinert topografiske beregninger [topografiske væte indeks (TWI), stream makt indeks (SPI) og skråningen lengde faktor (LS)].

Protocol

1. topografiske analyser

  1. Digitale data de
    1. Samle LiDAR data fra GeoTREE LiDAR kartlegging prosjektet nettsted. Velge "grense type" og "region" for å zoome inn et bestemt område. Tegne en polygon ådataoverføre LiDAR fliser valgte området.
    2. Konvertere LiDAR rådata til en LAS fil med geografisk informasjon (GIS) kartlegging verktøyet.
    3. Generere DEMs med 3-m romlig oppløsning bruker omvendt avstand vektet interpolering.
    4. Filtrere 3-m DEMs to ganger med en 3-kjernen lavpassfilter å redusere lyder forbinder med lokal variasjon.
  2. Topografiske metrisk generasjon
    1. Vil generere topografiske beregninger, først laste ned den nyeste versjonen av systemet for automatisert geofaglige analyse (SAGA)23. Klikk "Import Raster" i delen Import/eksport for å importere filtrerte 3-m DEMs til SAGA.
    2. Klikk modulen "Skråningen, aspektet, kurvatur" av SAGA med standardinnstillingene til å generere skråningen og kurvatur-relaterte [profil kurvatur (P_Cur), planen kurvatur (Pl_Cur) og de generelle kurvatur (G_Cur)] beregninger ved hjelp av filtrerte DEMs (figur 1).
    3. Klikk modulen "Flow oppbygging (Top-Down)" av SAGA og velg "Deterministisk uendelig" som metode for å generere flyt opphopning (FA) beregningen bruker filtrerte DEMs.
    4. Klikk modulen "SAGA topografiske åpenhet" med standardinnstillingene til å generere positiv åpenhet (POP) beregningen bruker en filtrert z forsterket image.
    5. Klikk modulen "LS-factor (feltet basert)" av SAGA med standardinnstillingene til å generere upslope stigningstallet (Upsl) og skråningen lengde faktor (LS_FB) beregninger ved hjelp av filtrerte DEMs.
    6. Klikk modulen "Flow banen lengde" av SAGA med standardinnstillingene til å generere flyt banen lengde (FPL) beregning ved hjelp av filtrerte DEMs.
    7. Klikk modulen "Downslope fra Gradient" av SAGA med standardinnstillingene til å generere downslope indeks (DI) beregningen bruker filtrerte DEMs.
    8. Klikk modulen "SAGA Wetness indeks" og velg "absolutt nedslagsfeltet" som Type av området å generere nedslagsfeltet (CA) og topografiske væte indeks (TWI) beregninger ved hjelp av filtrerte DEMs.
    9. Klikk modulen "Stream makt Index" av SAGA og velg "pseudo bestemt nedslagsfeltet" som området konvertering til å generere strøm makt indeks (SPI) beregningen bruker filtrerte DEMs.
    10. Generere maksimal høyde kart med flere radiuses. Filtrere maksimal høyde kartene to ganger gjennom en 3-kjernen low-pass filter. Trekk filtrerte 3-m DEM fra filtrerte maksimal høyde kartene for å få en serie lettelse kart. Pakk ut en rekke lettelse variabler til en rekke steder.
    11. Utføre viktigste komponenten analyse (PCA) på lettelse variabler å konvertere relieffene i topografiske relieff komponenter. Velg hovedkomponentene som forklarer mer enn 90% variansen av lettelse datasettet som topografiske relieff beregningene.

2. feltet datainnsamling

  1. Feltet prøvetaking
    1. Velg cropland feltet steder som kan tilstrekkelig representerer landskapet egenskapene til området og flere representant småskala cropland felt som kan prøves intensivt.
      Merk: Jord prøvene fra feltene cropland ble brukt for modellen kalibrering. Jordprøver samlet fra hele området ble brukt for modellen validering.
    2. Last opp alle prøve stedskoordinater til et kodebasert geografiske positioning system (GPS) og fysisk finne dem i feltene.
    3. Samle 3 prøver for hvert utvalg sted fra topp 30 cm laget ved hjelp av en push sonde (3,2 cm i diameter).
      Merk: Jordprøver fra 30-50 cm lag ble samlet på steder der sediment deponering var forventet. Volumet av hver prøve ble 241 cm3.
    4. Registrere geografiske koordinatinformasjon av prøvetakingen steder bruker GPS.
    5. Veie jordprøver etter tørking dem ved 90 ° C i 48 h. Beregn jord tetthet bruker informasjon samlet eksempel volumer på prøvetaking steder og vekter. Bland tre prøvene fra samme sted å få en sammensatt jordprøve.
  2. Eksempel jordforbedring
    1. Sil de sammensatte jordprøver med 2 mm skjerm.
    2. Grind en 10 g subsample av soldet jord til en veldig fin pulver med en berg mill.
  3. Jord eksempel analyser
    1. Mål jord totale karbon (C) innhold i roller valset prøver gjennom forbrenning på en CN elementær analysator ved en temperatur på 1350 ° C. Anslå kalsiumkarbonat C innhold ved å analysere gjenværende C etter bakervarer jord organisk materiale ved en temperatur på 420 ° C i 16 h i en ovn.
    2. Beregne SOC innhold (%) ved å trekke kalsiumkarbonat C innhold fra total jord C innhold. Konvertere SOC innhold (%) til SOC tetthet (kg m-2) bruker jord tetthet.
    3. Sette bulk 2 mm soldet jord prøvene i Marinelli begre og forsegle dem. Måle 137Cs konsentrasjon av hver prøve gjennom gamma-ray analyse bruke spektroskopi system som mottar inndata fra tre høy renhetsgrad koaksial germanium krystaller (HpCN30% effektivitet) i 8192 kanal analyserer (se tabell for materiale ).
    4. Kalibrere systemet benytter en analytisk blandet radionuklidenes standard11. Konvertere 137Cs konsentrasjon til 137Cs lager ved hjelp av jord tetthet.
    5. Beregne jord omfordeling prisen bruke 137Cs lager ved å bruke masse balanse modell II (MBMII) i et regneark-tillegget program utviklet av Walling et al. 24.

3. topografi-basert modell utvikling

  1. Topografiske viktigste komponenten estimering
    1. Ekstra topografiske beregningene for prøvetaking steder i hele området og feltene småskala cropland.
    2. Standardisere topografiske beregningene av prøvetaking steder i hele området ved hjelp av middelverdi og standardavvik. Beregne de topografiske metrisk belastninger i hver komponent basert på standardisert topografiske beregningene PCA med statistisk programvarepakke. Samle de topografiske metrisk belastninger i hver topografiske viktigste komponent (TPC) og velge de beste TPCs som forklarer 90% variansen for alle beregninger.
    3. Standardisere topografiske beregningene av prøvetaking plasseringer i feltene småskala cropland. Beregne de beste TPCs for hvert sted summen av standardiserte topografiske beregningene vektet etter de tilsvarende belastninger fra prøvetaking steder i WCW.
  2. Modell kalibrering
    1. Utføre gradvis vanlig minst kvadrat regression (SOLSR) å utvikle topografi-baserte SOLSRf modeller for SOC tetthet og jord omfordeling priser basert på alle topografiske beregninger på feltene småskala cropland. Bruk Akaike informasjon kriterium (AIC) og la-en-ut kors-godkjenningen for å velge den optimale kombinasjonen av topografiske beregninger for best utstyrt SOLSRf modeller.
    2. Sjekk kolinearitet mellom topografiske variablene ved hjelp av varians inflasjon faktor (VIF). Fjerne variablene med største VIF (VIF ≥ 7.525), og sjekk VIF igjen. Fjerne variablene til VIFs modelltre er < 7.5. Utføre SOLSR for å utvikle topografi-baserte SOLSRr modeller for SOC tetthet og jord omfordeling priser basert på topografiske beregninger som var fjernet høy kolinearitet variabler. Bruk AIC og la-en-ut kors-validering velge den optimale kombinasjonen for best utstyrt SOLSRr modeller.
    3. Utføre gradvis viktigste komponenten regresjon (SPCR) å utvikle topografi-baserte SPCR modeller for SOC tetthet og jord omfordeling priser basert på TPCs på feltene småskala cropland. Bruk AIC og la-en-ut kors-validering velge den optimale kombinasjonen av TPCs for best utstyrt SPCR modeller.
    4. Beregne justert koeffisient vilje (Radj2), Nash-Sutcliffe effektivitet (NSE) og forholdet mellom rot betyr kvadratisk feilen til standardavviket av måledata (RSR) å vurdere modellen effektivitet.
  3. Modell evaluering
    1. Anslå SOC tetthet og jord omfordeling priser i hele området ved å bruke den estimerte modeller.
    2. Valider utviklet modellen ved å sammenligne prediksjon med målte datasett av SOC tetthet og jord omfordeling priser i hele området. Evaluere modell forestillinger Radj2, NSE og RSR verdier.

Representative Results

Vi brukte Walnut Creek vannskille (WCW) som en Serbia og MontenegroGenericName for å vurdere gjennomførbarhet av topografi-baserte modeller i undersøker jord videreformidling og SOC dynamikk. Vannskillet er i Boone og historien fylker i delstaten Iowa (41 ° 55'-42 ° 00'N; 93 ° 32-93 ° 45' W) med et areal på 5,130 ha (figur 2). Kornåkre er dominerende land bruk i WCW, med et relativt flatt terreng (betyr 90 m, topografiske relieff 2,29 m). Meisel pløyer, disking, og opprivende operasjoner er viktigste jordarbeiding praksis i de beskjære felt26,27; imidlertid variere jordarbeiding retninger skyldes forskjeller i praksis.

Fire hundre og seksti beskjære feltet steder var tilfeldig valgt å utlede topografiske informasjon i WCW (figur 2). 100 av de 460 stedene, inkludert to 300 m transects (hver har 9 prøvetaking steder), ble valgt til å gjennomføre feltet prøvetaking og analyse av SOC og jord videredistribusjon. I tillegg ble to småskala feltet nettsteder med topografiske landskap, jordsmonn og jordarbeiding praksis som ligner WCW valgt for mer intensiv prøvetaking. Ved hvert småskala feltet område, en 25 × 25 m rutenettcellen ble opprettet og 230 prøvetaking steder ble plassert på rutenettet noder (Figur 3). Topografiske beregninger og jord egenskapsinformasjon ble beregnet for 230 lokasjonene.

Topografiske beregninger i WCW genereres etter over protokollen. WCW er preget med lav til moderat topografi (høyde mellom 260 325 m) med en relativt lav skråning (alt fra 0 til 0,11 radian), upslope stigningstallet (0 til 0.09 m) og moderat curvatures (profil kurvatur:-0.009 til 0.009 m-1, plan kurvatur:-0.85 til 0,85 m-1, generelle kurvatur:-0.02 til 0.02 m-1). Den vertikale høyder Dems ble utvidet 100 ganger for å øke distinguishability av relativt lav Feltskalaen funnet i WCW for å skape positiv åpenhet beregningene (POP100). Etter konvertering, omfanget av positive åpenhet økte fra 0,08 radianer (POP: 1,51-1,59 radianer) til 0,86 radianer (POP100: 0,36-1,22 radianer).

Topografiske lindring, vi generert syv lettelse kart med følgende radiuses: 7,5 meter, 15 m, 30 m, 45 m, 60 m, 75 m og 90 m. To lettelse hovedkomponentene ble valgt basert på resultatene av PCA på syv lettelse variabler. Første viste grov oppløsning lettelse variasjon med lettelse45 m som viktigste variabelen. Vi definert denne komponenten som store lindring (LsRe). Den andre delen, som var svært korrelert med lettelse7,5 meter og presentert fine oppløsning lettelse variasjon, ble definert som småskala lindring (SsRe).

Resultatene av korrelasjon analyser mellom topografiske beregninger og SOC tetthet/jord videredistribusjon er presentert i tabell 2. Av KKI og LsRe viste høyeste sammenhenger med SOC tetthet og jord omfordeling priser, henholdsvis. Romlige mønstre for de to tallene presenteres i Figur 4. Detaljer om TWI og LsRe kan bedre observeres fra transect området. Begge beregninger viste høye verdier i depressional området og lave verdier i skrå og ridge. Imidlertid oppstått forskjeller mellom de to beregningene i grøften områder, der TWI viste svært høye verdier, men verdiene for LsRe var ikke forskjellig fra tilstøtende områder.

Etter genererer de femten topografiske beregningene, brukte vi PCA på variablene topografiske over 460 prøvetaking områdene i WCW. De første sju topografiske hovedkomponentene (TPCs) som forklart mer enn 90% variasjon av hele topografiske datasettet ble valgt. Fem TPCs som var siste valgt å bygge topografi-baserte modeller er oppført i tabell 3. For den første rektor komponenten (TPC1) viste G_Cur høyeste lasting. Skråningen, KKI, Upsl og LS_FB var de viktigste beregningene i TPC2, med belastninger større enn 0,35. I TPC3, FA, SPI og CA var viktige beregninger, med belastninger av 0.482, 0.460 og 0.400, henholdsvis. FPL (-0.703) og Pl_Cur (0.485) var det viktigste i TPC6. De viktigste beregningene med høye belastninger i TPC7 var SsRe (0.597), DI (0.435), FPL (0.407) og Pl_Cur (0.383).

Kolinearitet topografiske variabelen ble sjekket ved å undersøke VIF. De 15 beregninger, ble skråningen, KKI og G_Cur fjernet på grunn av de høye VIFs. Basert på jord omfordeling priser og karbon tetthet data fra områder 1 og 2, SOLSR modeller ble utviklet med alle 15 beregninger (SOLSRf) og 12 beregningene med kollineare justering kovariat fjernet (SOLSRr) (Tabell 4). Vanligvis over 70% og 65% av variasjonen i SOC tetthet og jord omfordeling ble priser forklart av de SOLSRf modellene, henholdsvis. For modeller med kollineare justering kovariat fjernet (SOLSRr) var simulering effektivitet noe lavere enn SOLSRf modeller (68% for SOC tetthet og 63% for jord videredistribusjon). NSEs var noe lavere og RSR var litt høyere i SOLSRr modeller enn SOLSRf modeller.

For SPCR modeller, er lignende simulering effektivitet som SOLSRr observert i Tabell 4. Men ble færre uavhengige variablene valgt i SPCR modeller (mindre enn 5 variabler) enn SOLSRf og SOLSRr -modeller (mer enn 6 variabler). TPCs 1, 2, 3 og 7 ble valgt som uavhengige variabelen kombinasjonene for SOC modellen og TPCs 1, 2, 3, 6 og 7 ble valgt som kombinasjon for jord omfordeling modellen.

Vi fant at SPCR modellene hadde den beste spådommer og SOLSRr -modeller viste de fattigste forestillingene på vannskille skalaen. Koeffisientene besluttsomhet (r2) ved å sammenligne SOC tetthet prediksjon til observasjon økte fra: 1) 0.60 i SOLSRf og 0.52 i SOLSRr til 0,66 SPCR og 2) NSE økt fra 0,21 i SOLSRf og 0,16 i SOLSRr til 0,59 i SPCR; mens RSR redusert fra 0.87 i SOLSRf og 0,91 i SOLSRr 0.64 i SPCR. Jord omfordeling rate anslag i SPCR utgjorde 36% av variasjonen i variabelen målt og var høyere enn spådommer av SOLSRf (34%) og SOLSRr (0,35%). En høyere NSE og lavere RSR i SPCR (NSE = 0,33, RSR = 0,82) sammenlignet med SOLSRf (NSE = 0.31, RSR = 0,83) og SOLSRr (NSE = 0,32, RSR = 0,82) viste også en bedre ytelse i jord omfordeling rate simulering av SPCR.

Ifølge prestasjonsvurderinger modell SPCR modeller ble valgt til å generere SOC tetthet og jord omfordeling rate kartene på vannskille skalaen. Kartene avslørte konsekvent mønstre mellom modellsimuleringer og feltet målinger (figur 5). Høy konsistenser mellom simuleringer og observasjoner ble mer tydelig langs den transects. Begge SOC tetthet og jord omfordeling priser viste høy korrelasjoner med landskapet topografi. Høye verdier av SOC kan finnes i footslope og depositional områder, der jord deponering oppstod, mens lave verdier av SOC ble observert i skrå områder, der jorderosjon fant sted.

Figure 1
Figur 1 : The skråningen, aspektet, kurvatur modul i systemet for automatisert geofaglige analyse (SAGA). Polygoner viser plasseringen av studieområder. Klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2 : Plasseringen av Walnut Creek vannskille og målestasjoner i vannskillet (Iowa). Dette tallet ble tilpasset fra tidligere arbeid17. Klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3 : Plasseringen av samplet nettsteder a) 1 og b) 2 (z-akse 15 x høyde). Dette tallet ble tilpasset fra tidligere arbeid17. Klikk her for å se en større versjon av dette tallet. 

Figure 4
Figur 4 : Topografiske metrisk kart. (a) topografiske væte indeks (TWI) og (b) store topografiske relieff (LsRe) i Walnut Creek vannskillet og mudderbunn området (z-akse 15 x høyde). Klikk her for å se en større versjon av dette tallet.

Figure 5
Figur 5 : Jord omfordeling rate (t ha-1 år-1) kart og SOC tetthet (kg m-2) kart .  Vises jord omfordeling kart (a) innen Walnut Creek vannskillet og (b) langs to transects. Vist er SOC tetthet (kg m-2) kart (c) Walnut Creek vannskille og (d) langs to transects med gradvis viktigste komponenten analyse modeller (z-akse 15 x høyde). Klikk her for å se en større versjon av dette tallet.

Variabler Betydning
Stigningstallet (radian) Avrenning hastighet, jord vann innhold28,29
Profil kurvatur (m-1) Flow akselerasjon, jorderosjon, deponering rate11,30
Planlegge kurvatur (m-1) Flyt konvergens og divergens, jord vann innhold30
General kurvatur (m-1) Avrenning hastighet, jorderosjon, deponering29
Flyt akkumulering Jord vann innhold, avrenning volume20
Topografiske relieff (m) Landskap drenering egenskaper, avrenning hastighet og akselerasjon21,31 
Positiv åpenhet (radian) Landskap drenering egenskaper, jord vann innhold32
Upslope stigningstallet (m) Avrenning hastighet33,34
Flyt banelengde (m) Sediment avkastning, erosjon rate35 
Downslope indeks (radian) Jord vann innhold36
Nedslagsfeltet (m2) Avrenning hastighet og volum33,37 
Topografiske Wetness indeks Jord fuktighet distribusjon28,38,39 
Strømmen strømmen indeks Jorderosjon, konvergens av flyt40 
Skråningen lengde faktor Flow konvergens og divergens28,40

Tabell 1: Betydninger av valgte topografiske beregninger.

Skråningen P_Cur Pl_Cur G_Cur FA LsRe SsRe POP Upsl FPL DI CA KKI 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 er profilen kurvatur, plan kurvatur og generell kurvatur, henholdsvis; FA er flyt opphopning; RePC1 og RePC2 er topografiske relieff del 1 og 2, henholdsvis; POP100 er positivt åpenhet; Upsl er upslope helling. FPL er flyt banelengde; DI er downslope index; CA er nedbørsfelt; KKI er topografiske væte index; og SPI er strømmen strømmen index; LS_FB er skråningen lengde faktor (felt basert).
* P < 0,05, ** P < 0.005, *** P < 0,0001.
†Correlation koeffisienten > 0,5, ‡Highest korrelasjonskoeffisienten for hver jord-egenskap.

Tabell 2: Spearmans rang sammenheng (n = 560) mellom valgte topografiske beregninger og jord organisk karbon (SOC) tetthet og jord omfordeling priser (SR).

TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%)
Skråningen 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
KKI 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 er profilen kurvatur, plan kurvatur og generell kurvatur, henholdsvis; FA er flyt opphopning; RePC1 og RePC2 er topografiske relieff del 1 og 2, henholdsvis; POP100 er positivt åpenhet; Upsl er upslope helling. FPL er flyt banelengde; DI er downslope index; CA er nedbørsfelt; KKI er topografiske væte index; og SPI er strømmen strømmen index; LS_FB er skråningen lengde faktor (felt basert).
†Loadings > 0,35.

Tabell 3: Variabel belastninger i hovedkomponentene (TPCs) beregnet for topografiske beregninger (n = 460) i Walnut Creek vannskille.

Modell R2adj NSE RSR
Gradvis viktigste komponenten regresjon (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
Gradvis vanlig minst kvadrat 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
Gradvis vanlig minst kvadrat regresjon med kollineare justering kovariat 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
† Rekkefølgen på TPCs er basert på punktene gradvis utvalg
R2adj er justert bestemmelseskoeffisient; NSE er Nash-Sutcliffe effektivitet; RSR skal standardavviket av måledata forholdet rot betyr kvadratisk feil (RMSE).
TPC representerer topografiske viktigste komponenten. KKI er topografiske væte index; FPL er flyt banelengde; P_Cur, Pl_Cur og G_Cur er profilen kurvatur, plan kurvatur og generell kurvatur, henholdsvis; LS_FB er skråningen lengde faktor (feltet basert). LsRe og SsRe er omfattende og småskala topografiske relieffer, henholdsvis; DI er downslope index; Upsl er upslope skråningen.

Tabell 4: Modeller av jord organisk karbon (SOC) tetthet og jord omfordeling priser (SR) for landbruket felt basert på topografiske beregninger på 1 og 2.

Discussion

SOLSRf modellene hadde litt bedre forestillinger enn SPCR modeller i kalibrering ved Feltskalaen. Men er noen av de topografiske beregningene, som SPI og CA (r > 0,80), nært korrelert med hverandre. Kolinearitet kan legge til usikkerhet i modell spådommer. På grunn av multicollinearity blant prediktorer, kan små endringer i input variabler påvirke modell spådommer41. Derfor SOLSRf modellene tendens til å være ustabil og viste lav effektivitet i simuleringer av SOC tetthet og jord omfordeling rate på vannskille skalaen. SPCR modellene oppnådd betydelig SOLSRf modeller prediksjon av SOC distribusjon i vannskille skala. TPCs fjerne av multicollinearity ved å konvertere femten topografiske beregningene til gjensidig uavhengige (ortogonale) komponenter. Konverteringen også avdekket underliggende relasjoner mellom topografiske beregninger. Som angitt av de høye belastninger (> 0,35) topografiske beregninger i komponentene, var de TPC1, TPC2, TPC3, TPC6 og TPC7 forbundet med avrenning hastighet, jord vanninnhold, avrenning volum, flyt divergens og flyt akselerasjon, henholdsvis. Romlige mønstre for jord omfordeling priser og SOC distribusjon var sterkt korrelert med jord vann innhold og avrenning divergens i WCW, som samsvarer med studiet av Fox og Papanicolaou2, som viste at erodert av Upland kan påvirkes av flyt divergens i lav-lettelse landbruket skjellsettende.

Videre redusert færre prediktor variabler i SPCR modeller enn SOLSRf og SOLSRr modeller risikoen for over passende prediksjon modeller42,43. Det var mer enn seks variabler i alle SOLSR modeller, som kan øke vanskelighetene med data tolkning og indusere høye avviket i modell simuleringer41,44,45. Dette kan forklare lavere prediksjon effektiviteten i WCW SOLSR modeller enn av SPCR modellene.

Topografi-baserte SPCR modeller har fordeler i simulere jord videreformidling og tilknyttede SOC dynamikk. Første, topografiske informasjon kan lett hentes fra DEMs. Siste økt tilgjengelighet av høy romlig oppløsning LiDAR data kan hjelpe forbedre nøyaktigheten av DEM-avledet landskapet topografi og nytte undersøkelser i områder med begrenset felt observasjoner. Andre kan bruker et sett av topografiske beregninger og statistiske analyser, topografi-baserte modeller effektivt kvantifisere jord distribusjon og SOC distribusjon mønstre. Tredje kan anvendelse av viktigste komponenten effektivt redusere fordommer knyttet multicollinearity topografiske beregninger og øke stabiliteten av gradvis regression modeller når flere romlige skalaer.

Imidlertid kan SPCA modellene være begrenset av variabler under modellen utvikling. Selv om anvendelse av LiDAR dataene økt i økologiske studier, metoder for å utlede topografiske Información ennå ikke blitt fullt har utforsket. I denne studien viste TWI og LsRe høyeste sammenhenger med SOC tetthet og jord omfordeling priser, henholdsvis. Men flere topografiske variabler som ikke anses kan være like eller viktigere forklarer jorderosjon og C dynamikk. I tillegg, var andre faktorer som ledelsesmetoder, som kan forårsake jord erosjon variasjon, ikke inkludert i denne studien. For eksempel da jordarbeiding var parallell retning maksimal helning, kan jorderosjon doble i forhold til erosjon i slantwise jordarbeiding snu jord upslope46. Derfor kan ulike jordarbeiding praksis også være en årsak til redusert prediksjon effektiviteten av SPCR modeller.

Studien er basert på papir publisert i Catena17. I stedet for en mekanistisk-basert analyse av topografiske påvirkninger på jord bevegelse og jordegenskaper som utføres i Catena papir, fokusert her vi på metoder for å kvantifisere topografiske beregninger og utvikle topografi-baserte modeller. Vi diskuterte muligheten og fordelene ved å bruke topografi-baserte modeller i studier av romlige jordegenskaper. I mellomtiden har vi forbedret våre modeller av oppdatering av skråningen lengde faktor og flyt akkumulering. Omfanget av skråningen lengdemåling faktor var begrenset til feltets område. I tillegg ble deterministisk uendelig algoritmen brukt for flyt akkumulering generasjon. Sammenlignet med metoden i Li et al. 17 generert flyt akkumulering med en deterministisk åtte-noders algoritme, uendelig algoritmen i denne studien reduserer looper i flyt retning vinkler og viste seg for å være en bedre algoritme for lavt relieff områder47.

Avslutningsvis viser våre resultater muligheten for topografi-baserte SPCR modeller i simulere SOC distribusjon og jord omfordeling mønstre i landbruk felt. En kostnadseffektiv metode til å beregne SOC aksjer og jord omfordeling priser, er det gjelder for nettsteder med begrensede observasjonsstudier data og privat land mangler offentlig tilgang. I fremtidige studier, prediksjon modeller kan forbedres ytterligere raffinement og tilgjengelighet av LiDAR data og inkludering av flere topografiske beregninger. Store jord egenskapen kartene som ble utviklet basert på modellene vil føre til ytterligere forståelse for mekanismene bak topografiske virkninger på jord bevegelse i kulturlandskap og skjebnen til SOC vannskille og regionale skalaer.

Disclosures

Forfatterne ikke avsløre.

Acknowledgments

Denne forskningen ble støttet av USDA Natural Resources Conservation Service i tilknytning til våtmarksområde komponenten av nasjonale bevaring effekter vurdering prosjektet (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

Miljøfag problemet 140 topografi-basert modell gradvis viktigste komponenten regresjon gradvis vanlig lineær regresjon digital høyde modell jord omfordeling jord organisk karbon
Bruk av rektor komponenter for skalering opp topografiske modeller å kartlegge jord distribusjon og jord organisk karbon
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