Waiting
Login processing...

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

Environment

Användning av rektor komponenter för skalning upp topografiska modeller att mappa jord omfördelning och jord organiskt kol

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

Landskap processer är kritiska komponenter i bildandet av Mull och spelar en viktig roll för att fastställa markens egenskaper och rumslig struktur i landskap. Vi föreslår en ny strategi med stegvis principalkomponent regression för att förutsäga jord omfördelning och organiskt kol i marken över olika rumsliga skalor.

Abstract

Landskap topografi är en kritisk faktor som påverkar bildandet av Mull och spelar en viktig roll för att fastställa markens egenskaper på jordens yta, eftersom det reglerar det gravitation-driven smutsa rörelse framkallas genom avrinning och jordbearbetning verksamhet. Senaste ansökan om ljus upptäckt och Ranging (LiDAR) data håller löfte för att generera hög rumslig upplösning topografiska mätvärden som kan användas för att undersöka markens boende variabilitet. I denna studie användes femton topografiska mätvärden härrör från LiDAR-data att undersöka topografiska påverkan på omfördelning av jord och rumslig distribution av organiskt kol i marken (SOC). Specifikt, utforskade vi användningen av topografiska huvudkomponenter (TPCs) för kännetecknar topografi mätvärden och stegvis principalkomponent regression (SPCR) utveckla topografi-baserade jorderosion och SOC modeller på plats och vattendelare skalor. Prestanda av SPCR modeller utvärderades mot stegvis ordinarie minst kvadratisk (SOLSR) regressionsmodeller. Resultaten visade att SPCR modeller klarade SOLSR modeller för att förutse mark omfördelning priser och SOC densitet vid olika rumsliga skalor. Användning av TPCs tar bort potentiella kolinjäritet mellan enskilda ingående variablerna och dimensionalitet minskning av principalkomponentanalys (PCA) minskar risken för overfitting i prediktionsmodeller. Denna studie föreslår en ny strategi för modellering jord omfördelning över olika rumsliga skalor. För en tillämpning, tillgång till privat mark är ofta begränsad, och behovet av att extrapolera resultaten från representativa studieplatser till större inställningar som inkluderar privat mark kan vara viktigt.

Introduction

Jord omfördelning (erosion och nedfall) utövar betydande effekter på jorden organiskt kol (SOC) bestånd och dynamik. Öka ansträngningarna har ägnats till att undersöka hur SOC är fristående, transporteras och deponeras över landskapet1,2,3. Carbon (C) kvarstad och SOC fördelningen påverkas av gravitation-driven smutsa rörelse framkallas av vatten erosion4,5,6. I odlade fält är jord translokation av jordbearbetning en annan viktig process bidrar till C omfördelning7,8,9. Jordbearbetning erosion orsakar en betydande netto downslope rörelse av jordpartiklar och leder till en inom-fältet jord variant10. Både vatten och jordbearbetning erosion påverkas avsevärt av landskapet topografi, som bestämmer placeringen av erosional och depositional platser11. Därför effektiva jord erosion förordning och C dynamisk utredning i odlingslandskapet efterlyser en bättre förståelse av topografiska kontroller på jorderosion och rörelser.

Flera studier har undersökt effekterna av topografi på jord omfördelning och associerade SOC dynamics9,12,13,14,15,16, 17. van der Perk et al. 12 rapporterade att topografiska faktorer förklarade 43% av variabiliteten i jord omfördelning. Rezaei och Gilkes13 hittade högre SOC i marken på en skuggig aspekt, på grund av lägre temperaturer och mindre avdunstning jämfört med andra aspekter i landområden. Topografin kan ha mer betydande påverkan på jord omfördelning i jordbruksmark med traditionella jordbearbetning behandling än de med minimal bearbetning av jorden, på grund av samspelet mellan landformer och jordbearbetning metoder9. Dock var dessa fynd härrör huvudsakligen från fältobservationer, som presenterar svårigheter i att undersöka markens egenskaper på en bredare geografisk skala. Det finns ett trängande behov av att utveckla nya strategier för att effektivt förstå rumsliga mönster av markens egenskaper på vattendelare och regionala skalor.

Syftet med denna studie är att utveckla effektiva modeller för att simulera jord omfördelning och SOC distribution. Topografi-baserade modeller med topografiska mätvärden som prediktorer har utvecklats för att kvantifiera jord erosion och nedfall processer. Jämfört med empiriska - eller process-baserade erosion modeller som anställd diskret fältet provtagningar att simulera jord erosion18,19, topografi-baserade modeller skulle kunna utvecklas utifrån topografisk information som härrör från digital höjdmodeller (DEMs) med hög upplösning. Detta tillvägagångssätt möjliggör kontinuerlig jord egendom simuleringar på vattendelare eller regional skala. Under de senaste decennierna, har topografiska informationens riktighet förbättras avsevärt, med ökande tillgänglighet av hög upplösning distans kände data. Även om tidigare studier har sysselsatt topografi-baserade modeller för att simulera jord boenden12,20,21,22, används de flesta av dessa undersökningar en enda topografiska metriska eller enda kategori topografiska mätvärden (lokala, icke-lokala eller kombinerade topografiska metrics), som kanske inte har tillräckligt utforskat topografiska påverkan på mikrobiell aktivitet i jord. Därför, för att få en bättre förståelse av topografin kontroller jorderosion och C dynamics har vi granskat en omfattande uppsättning topografiska mätvärden inklusive lokala, icke-lokala och kombinerade topografiska mätvärden och utvecklat flera variabel topografi-baserade modeller för att simulera boende jorddynamik. Tillämpningar av dessa modeller förväntas ge vetenskapligt stöd för bättre jord erosionskontroll och hantering av jordbruksmark.

Topografiska mätvärden är generellt kategoriseras in i tre kategorier: (a) lokala topografiska mätvärden, (b) icke-lokala topografiska mätvärden eller c) kombinerade topografiska mätvärden. Lokala topografiska mätvärden avser lokala funktioner i en punkt på markytan. Icke-lokala topografiska mätvärden avser de relativa platserna markerade punkter. Kombinerade topografiska mätvärden integrera lokala och icke-lokala topografiska mätvärden. En uppsättning topografiska mätvärden som påverkar jorderosion och nedfall användes i denna studie för att undersöka topografiska kontrollerna på smutsa rörelse och C bestånd (tabell 1). Specifikt, vi använde fyra lokala topografiska mått [lutning, profil krökning (P_Cur), planera krökning (Pl_Cur), allmänna krökning (G_Cur)], sju icke-lokala topografiska mått [flöde ansamling (FA), topografiska lättnad, positiva öppenhet (POP), upslope lutning (UpSl) flöde sökvägens längd (FPL), downslope index (DI), upptagningsområde (CA)], och tre kombinerade topografiska mått [topografiska väta index (TWI), ström power index (SPI) och lutning längd faktor (LS)].

Protocol

1. topografiska analyser

  1. Digital data Förbearbeta
    1. Samla in LiDAR data från webbplatsen GeoTREE LiDAR kartläggning projektet. Välj ”gräns typ” och ”region” för att zooma in ett specifikt område. Rita en polygon för att hämta LiDAR plattor för det valda studieområdet.
    2. Konvertera raw LiDAR-data till en LAS fil med verktyget geographic information system (GIS) mappning.
    3. Generera DEMs med en 3-m rumslig upplösning använder omvänd avstånd vägt interpolation.
    4. Filter 3-m DEMs två gånger med ett 3-kernel lågpassfilter att minska ljud associera med lokal variation.
  2. Topografiska metriska generation
    1. För att generera topografiska mätvärden, först ladda ner den senaste versionen av systemet för Automated Geoscientific analys (SAGA)23. Klicka på ”Importera Raster” i avsnittet Importera/exportera för att importera filtrerade 3-m DEMs till SAGA.
    2. Klicka på modulen ”lutning, aspekt, krökning” saga med standardinställningarna för att generera lutning och krökning-relaterade [profil krökning (P_Cur), plan krökning (Pl_Cur) och allmänna krökning (G_Cur)] mätvärden använder filtrerad DEMs (figur 1).
    3. Klicka på modulen ”flöde ackumulation (Top-Down)” Saga och välj ”deterministiska oändligheten” som metod att generera flöde ansamling (FA) metriska använda filtrerade DEMs.
    4. Klicka på modulen ”SAGA topografisk öppenhet” med standardinställningarna för att generera positiva öppenhet (POP) måttet med en filtrerad z-axis förstärkta avbildning.
    5. Klicka på modulen ”LS-faktor (fältet baserat)” saga med standardinställningarna för att generera upslope lutningen (Upsl) och lutning längd faktor (LS_FB) mått använder filtrerad DEMs.
    6. Klicka på modulen ”flöde sökvägens längd” saga med standardinställningarna för att generera det flöde sökvägen längd (FPL) mått använder filtrerad DEMs.
    7. Klicka på modulen ”Downslope avstånd Gradient” saga med standardinställningarna för att generera downslope index (DI) måttet använder filtrerad DEMs.
    8. Klicka på modulen ”SAGA väta Index” och välj ”absoluta upptagningsområde” som typ av området att generera upptagningsområde (CA) och topografiska väta index (TWI) mätvärden använder filtrerad DEMs.
    9. Klicka på modulen ”Stream Power Index” av SAGA och välj ”pseudo specifika upptagningsområde” som område konverteringen att generera ström power index (SPI) måttet använder filtrerad DEMs.
    10. Generera maximal höjd kartor med flera radier. Filtrera de maximala höjd kartorna två gånger genom ett lågpassfilter med 3-kernel. Subtrahera den filtrerade 3-m mark från de filtrerade maximala höjd kartorna för att få en serie lättnad kartor. Extrahera en rad lättnad variabler till ett antal platser.
    11. Utföra principalkomponentanalys (PCA) på variablerna lättnad att konvertera relieferna i topografiska lättnad komponenter. Välj huvudsakliga komponenter som förklarar mer än 90% variansen för lättnad datamängden som topografiska lättnad mätvärden.

2. fält datainsamling

  1. Fältet provtagning
    1. Välj ett antal odlingsmark fält platser som kan adekvat representera det landskap som kännetecknen studieområdet och flera representativa småskaliga odlingsmark fält som kan avsmakas intensivt.
      Obs: De jordprover som samlas in från de två odlingsmark fälten användes för modell kalibrering. Jordprover som samlas in från området hela studien användes för modellvalidering.
    2. Ladda upp alla prov läge koordinaterna till en kod-baserade geografiska positioneringssystem (GPS) och fysiskt placera dem i fälten.
    3. Samla 3 prover för varje provtagning läge från de översta 30 cm jordlager med en push sond (3,2 cm i diameter).
      Obs: Jordprover från 30-50 cm lager samlades på platser där sediment nedfall förväntades. Volymen av varje prov var 241 cm3.
    4. Registrera geografiska koordinaten information provtagning platser med GPS.
    5. Väga jordproverna efter torkning dem vid 90 ° C i 48 h. beräkna jordens densitet hjälp informationen av totala provvolymer på mätplatser och vikter. Blanda de tre proverna från samma plats för att få en sammansatt jordprov.
  2. Jord provberedning
    1. Sila de sammansatta jordproverna med en 2 mm skärm.
    2. Slipa ett 10 g delurval av den sållen jorden till ett mycket fint pulver med en valskvarn.
  3. Prov jordanalyser
    1. Mäta markens totala kolhalt (C) i rullen slipat prover genom förbränning på en CN elementärt analyzer vid en temperatur av 1350 ° C. Uppskatta kalciumkarbonat C innehåll genom att analysera de återstående C efter gräddning markens organiska material vid en temperatur av 420 ° C för 16 h i en ugn.
    2. Beräkna SOC innehåll (%) genom att subtrahera kalciumkarbonat C innehåll från totala mark C innehåll. Konvertera SOC innehåll (%) till SOC densitet (kg m-2) med hjälp av jordens densitet.
    3. Sätta de bulk 2 mm sållen jordproverna i Marinelli bägare och täta dem. Mäta 137Cs koncentrationen av varje prov genom gamma-ray analys använder ett spektroskopi-system som får indata från tre hög renhet koaxial germanium kristaller (HpCN30% effektivitet) till 8192-kanal analysatorer (se tabellen av material ).
    4. Kalibrera systemet med hjälp av en standard för analytic blandade radionukliden11. Konvertera 137Cs koncentration till 137Cs lagret med jordens densitet.
    5. Beräkna jord omfördelning använder 137Cs lager genom att tillämpa massa balans modell II (MBMII) i ett kalkylblad-tillägg program utvecklat av Walling o.a. 24.

3. topografi-baserad modellutveckling

  1. Topografiska principalkomponent uppskattning
    1. Extrahera topografiska mätvärden för provtagning platser i området hela studien och fälten småskaliga odlingsmark.
    2. Standardisera topografiska mätvärden av provtagning platser i området hela studien med hjälp av medelvärdet och standardavvikelsen. Uppskatta de topografiska metriska belastningar i varje komponent som grundas på standardiserade topografiska mätvärden med PCA med statistiskt programpaket. Samla de topografiska metriska belastningar i varje topografiska huvudkomponenten (TPC) och välj de översta TPCs som förklarar 90% variansen för alla mätvärden.
    3. Standardisera topografiska mätvärden av provtagning platser i fälten småskaliga odlingsmark. Beräkna de översta TPCs för varje plats genom summan av standardiserade topografiska mätvärden viktat med den motsvarande belastningen från provtagning platser i WCW.
  2. Modellen kalibrering
    1. Utföra stegvis ordinarie minst kvadratisk regression (SOLSR) att utveckla topografi-baserade SOLSRf modeller för SOC densitet och jord omfördelning priser utifrån alla topografiska mätvärden på fälten småskaliga odlingsmark. Använd Akaike information kriterium (AIC) och ledighet-en-ut cross-validering för att välja den optimala kombinationen av topografiska mätvärden för de bäst utrustade SOLSRf modellerna.
    2. Kontrollera kolinjäritet bland de topografiska variabler med hjälp av variansen inflationen faktorn (VIF). Ta bort variabler med den största VIF (VIF ≥ 7,525), och kontrollera VIF igen. Ta bort variabler tills VIFs av alla variabler är < 7,5. Utföra SOLSR för att utveckla topografi-baserade SOLSRr modeller för SOC densitet och jord omfördelning priser utifrån topografiska mått som var borttagna hög kolinjäritet variabler. Använda AIC och ledighet-en-ut cross-validering för att välja den optimala kombinationen för de bäst utrustade SOLSRr -modellerna.
    3. Utföra stegvis principalkomponent regression (SPCR) för att utveckla topografi-baserade SPCR modeller för SOC densitet och jord omfördelning priser utifrån TPCs på fälten småskaliga odlingsmark. Använda AIC och ledighet-en-ut cross-validering för att välja den optimala kombinationen av TPCs för de bäst utrustade SPCR-modellerna.
    4. Beräkna den justera koefficienten för bestämning (Radj2), Nash-Sutcliffe effektivitet (NSE) och förhållandet mellan det kvadratiska medelvärde felet med standardavvikelsen av mätdata (RSR) att bedöma modell effektivitetsvinster.
  3. Modell utvärdering
    1. Uppskatta SOC densitet och jord omfördelning priser i området hela studien genom att tillämpa de uppskatta modellerna.
    2. Validera den utveckla modellen genom att jämföra förutsägelse med uppmätta dataset av SOC densitet och jord omfördelning priser i området hela studien. Utvärdera modellen föreställningarna med Radj2, NSE och RSR värden.

Representative Results

Walnut Creek vattendelare (WCW) använde vi som en testbädd för att bedöma genomförbarheten av topografi-baserade modeller i utredande jord omfördelning och SOC dynamik. Vattendelaren är i Boone och Story County i delstaten Iowa (41 ° 55'-42 ° 00'N; 93 ° 32'-93 ° 45' V) med en area på 5 130 hektar (figur 2). Odlingsmark är den dominerande markanvändning typ i WCW, med en relativt platt terräng (medelvärde 90 m, topografiska lättnad 2,29 m). Mejsel plöjning, disking, och upprörande verksamhet är den främsta jordbearbetning praxis i gröda fält26,27; jordbearbetning riktningar varierar dock beroende på skillnader i praxis.

Fyra hundra och sextio gröda fält platser valts ut slumpmässigt att härleda topografisk information i WCW (figur 2). 100 av de 460 platserna, inklusive två 300 m sprickbildningsområde (varje har 9 mätplatser), valdes för att genomföra fältet provtagningar och för analys av SOC och jord omfördelning nivåer. Dessutom valdes två småskaliga fältet platser med topografiska landskap, jordtyper och jordbearbetning metoder liknar WCW för intensivare provtagningar. På varje småskaliga plats, en 25 × 25 m rutnätscell skapades, och 230 mätplatser var belägna på nätet noder (figur 3). Topografiska mätvärden och jord egenskapsinformation beräknades för de 230 platserna.

De topografiska mätvärdena i WCW genererades efter protokollet ovan. WCW kännetecknas med låg till måttlig topografi (höjd sträcker sig från 260 till 325 m) med en relativ låg lutning (allt från 0 till 0.11 radian), upslope lutning (0 till 0,09 m) och måttlig krökningar (profil krökning:-0.009 till 0,009 m-1, planera krökning:-0,85 SEK till 0.85 m-1, allmänna krökning: -0,02 till 0,02 m-1). De vertikala förhöjningar av DEMs förstorades 100 gånger för att öka distinguishability av relativt låga Fältskalan lättnad i WCW för att skapa positiva öppenhet mätvärden (POP100). Efter konvertering, spänna av positiva öppenhet ökade från 0,08 radianer (POP: 1,51-1,59 radianer) till 0,86 radianer (POP100: 0,36-1,22 radianer).

För topografiska lindring, genererade vi sju lättnad kartor med följande radier: 7,5 m, 15 m, 30 m, 45 m, 60 m, 75 m och 90 m. Två lättnad principalkomponenter valdes utifrån resultaten av PCA på variablerna sju lättnad. Först visade grova upplösning lättnad variation med lättnad45 m som den viktigaste variabeln. Vi definierat denna komponent som den storskaliga befrielsen (LsRe). Den andra komponenten, som var starkt korrelerade med lättnad7,5 m och presenterade upplösningen Fin lättnad variation, definierades som den småskaliga befrielsen (SsRe).

Analysresultat som korrelation mellan topografiska mätvärden och SOC densitet/jord omfördelning presenteras i tabell 2. De TWI och LsRe visade de högsta korrelationerna med SOC densitet och jord omfördelning priser, respektive. Rumsliga mönster två mätvärden presenteras i figur 4. Information om TWI och LsRe kan bättre observeras från området Transekten. Båda mätvärden visade höga värden i depressional område och låga värden i sluttande och ridge områden. Dock uppstod skillnader mellan två mätvärden i diket områden, där det tolerabla VECKOINTAGET uppvisade extremt höga värden men värdena för LsRe skilde sig inte från angränsande områden.

Efter genererar femton topografiska mätvärden, använde vi PCA på dessa topografiska variabler över 460 provtagningspunkterna i WCW. De sju första topografisk huvudkomponenter (TPCs) som förklaras mer än 90% variabilitet på hela topografiska datamängden valdes. Fem TPCs som var finalen valt att bygga topografi-baserade modeller listas i tabell 3. G_Cur visade för den första huvudsakliga komponenten (TPC1), högsta lastning. Lutning, TWI, Upsl och LS_FB var den viktigaste statistiken i TPC2, med belastning större än 0,35. I TPC3, FA, SPI och CA var viktiga mått, med axelbelastningar för 0.482, 0,460 och 0.400, respektive. FPL (-0.703) och Pl_Cur (0,485) var det viktigaste i TPC6. De huvudsakliga mätvärdena med höga belastningar i TPC7 var SsRe (0.597), DI (0.435), FPL (0.407) och Pl_Cur (0.383).

Kolinjäritet av topografiska variabel var kontrolleras genom att granska VIF. Mätvärden för 15, togs lutning, TWI och G_Cur bort på grund av de höga VIFs. Baserat på jord omfördelning priser och kol densitet data från platser 1 och 2, SOLSR modeller utvecklades med hjälp av alla 15 mätvärden (SOLSRf) och 12 mätvärden med collinear kovariat bort (SOLSRr) (tabell 4). Allmänhet, över 70% och 65% av variabiliteten i SOC densitet och jord omfördelning priser förklarades av SOLSRf modeller, respektive. För modeller med collinear kovariat bort (SOLSRr) var simulering effektivitetsvinster något lägre än SOLSRf modeller (68% för SOC densitet och 63% för jord omfördelning). NSEs var något lägre och RSR var något högre i SOLSRr modeller än i SOLSRf modeller.

För SPCR-modeller, kan liknande simulering effektivitetsvinster som SOLSRr observeras i tabell 4. Dock valdes färre oberoende variabler i SPCR modeller (mindre än 5 variabler) än SOLSRf och SOLSRr -modellerna (mer än 6 variabler). TPCs 1, 2, 3 och 7 valdes som de oberoende variabeln kombinationerna för SOC modell och TPCs 1, 2, 3, 6 och 7 valdes som kombinationen för jord omfördelning modellen.

Vi fann att SPCR modellerna hade bästa förutsägelser och SOLSRr modellerna visade de fattigaste föreställningarna på skalan vattendelare. Koefficienterna för bestämning (r2) genom att jämföra SOC densitet förutsägelse att observationen ökade från: 1) 0,60 i SOLSRf och 0,52 i SOLSRr till 0,66 i SPCR och 2) NSE ökade från 0,21 i SOLSRf och 0,16 i SOLSRr till 0,59 i SPCR; medan RSR minskats från 0,87 i SOLSRf och 0,91 i SOLSRr till 0,64 i SPCR. Jord omfördelning ränta prognos i SPCR svarade för 36% av variabiliteten i den mätta variabeln och var högre än förutsägelser av SOLSRf (34%) och SOLSRr (0,35%). En högre NSE och lägre RSR i SPCR (NSE = 0,33, RSR = 0,82) jämfört med SOLSRf (NSE = 0,31, RSR = 0,83) och SOLSRr (NSE = 0,32, RSR = 0,82) visade även en bättre prestanda i jord omfördelning hastighet simulering av SPCR.

Enligt modell prestanda utvärderingarna, SPCR modeller valdes att generera SOC densitet och jord omfördelning kurs kartor på skalan vattendelare. Kartor avslöjade konsekvent mönster mellan modell simuleringar och fältmätningar (figur 5). Hög konsistenser mellan simuleringar och observationer var tydligare längs den sprickbildningsområde. Både SOC densitet och jord omfördelning priser visade höga korrelationer med landskapet topografi. Höga värden av SOC täthet kan hittas i footslope och depositional områden, där jord nedfall uppstod, medan låga värden av SOC densitet observerades i sluttande områden, där jorderosion ägde rum.

Figure 1
Figur 1 : The Slope, aspekt, krökning modul i systemet för Automated Geoscientific analys (SAGA). Polygonerna Visa platser av studieplatser. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2 : Placering av Walnut Creek vattendelare och provtagningspunkterna i vattendelare (Iowa). Denna siffra var anpassad från tidigare arbete17. Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3 : Läge av samplade platser 1 a) och b) 2 (z-axeln 15 x höjd). Denna siffra var anpassad från tidigare arbete17. Klicka här för att se en större version av denna siffra. 

Figure 4
Figur 4 : Topografiska metriska kartor. (a) topografiska väta index (TWI) och (b) storskaliga topografiska relief (LsRe) i Walnut Creek vattendelare och transekt område (z-axeln 15 x höjd). Klicka här för att se en större version av denna siffra.

Figure 5
Figur 5 : Jord omfördelning rate (t ha-1 år-1) kartor och SOC densitet (kg m-2) kartor .  Visas är omfördelning markkartor a inom Walnut Creek vattendelare och (b) längs två sprickbildningsområde. Visas är SOC densitet (kg m-2) kartor (c) inom Walnut Creek vattendelare och (d) längs två sprickbildningsområde stegvis principalkomponent analys modeller (z-axeln 15 x höjd). Klicka här för att se en större version av denna siffra.

Variabler Betydelse
Lutning (radian) Avrinning hastighet, jord vatten innehåll28,29
Profilen krökning (m-1) Flow acceleration, jorderosion, nedfall kurs11,30
Planera krökning (m-1) Flöde konvergens och divergens, jord vatten innehåll30
General krökning (m-1) Avrinning velocity, jorderosion, nedfall29
Flöde ackumulering Jord vatten innehåll, avrinning volym20
Topografiska lättnad (m) Liggande dränering egenskaper, avrinning hastighet och acceleration21,31 
Positiv öppenhet (radian) Liggande dränering egenskaper, jordart vatten innehåll32
Upslope lutning (m) Avrinning velocity33,34
Flöde sökvägens längd (m) Sediment avkastning, erosion Betygsätt35 
Downslope Index (radian) Jord vatten innehåll36
Avrinningsområdet (m2) Avrinning hastighet och volym33,37 
Topografiska väta Index Markens fukt distribution28,38,39 
Stream Power Index Jorderosion, konvergens flöde40 
Sluttningen längd faktor Flow konvergens och divergens28,40

Tabell 1: Signifikans av valda topografiska mätvärden.

Lutning 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 och G_Cur är profil krökning, plan krökning och allmänna krökning, respektive; FA är flödet ackumulering; RePC1 och RePC2 är topografiska lättnad del 1 och 2, respektive; POP100 är positiva öppenhet; Upsl är upslope lutning; FPL är flödet sökvägens längd; DI är downslope index; CA är upptagningsområdet; TWI är topografiska väta index; och SPI är stream power index; och LS_FB är lutningen längd faktor (fält baserat).
* P < 0,05, ** P < 0,005, *** P < 0,0001.
†Correlation koefficient > 0,5, ‡Highest korrelationskoefficienten för varje jord egendom.

Tabell 2: Spearman's rank korrelation (n = 560) mellan valda topografiska mätvärden och jord organiskt kol (SOC) densitet och jord omfördelning priser (SR).

TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%)
Lutning 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 och G_Cur är profil krökning, plan krökning och allmänna krökning, respektive; FA är flödet ackumulering; RePC1 och RePC2 är topografiska lättnad del 1 och 2, respektive; POP100 är positiva öppenhet; Upsl är upslope lutning; FPL är flödet sökvägens längd; DI är downslope index; CA är upptagningsområdet; TWI är topografiska väta index; och SPI är stream power index; och LS_FB är lutningen längd faktor (fält baserat).
†Loadings > 0,35.

Tabell 3: Varierande belastningar i de huvudsakliga komponenterna (TPCs) beräknas för topografiska mätvärden (n = 460) i Walnut Creek vattendelare.

Modell R2adj NSE RSR
Stegvis principalkomponent 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
Stegvis ordinarie minst kvadratisk 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
Stegvis ordinarie minst kvadratisk regression med collinear kovariat bort (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
† Ordningen på TPCs baseras på stegvis urval stegen
R2adj är justerade determinationskoefficienten; NSE är Nash-Sutcliffe effektivitet. RSR är förhållandet mellan det kvadratiska medelvärde fel (RMSE) med standardavvikelsen av mätdata.
TPC representerar topografiska principalkomponent. TWI är topografiska väta index; FPL är flödet sökvägens längd; P_Cur, Pl_Cur och G_Cur är profil krökning, plan krökning och allmänna krökning, respektive; LS_FB är lutningen längd faktor (fält baserat); LsRe och SsRe är storskaliga och småskaliga topografiska reliefer, respektive; DI är downslope index; och Upsl upslope lutning.

Tabell 4: Modeller av jordens organiskt kol (SOC) densitet och jord omfördelning priser (SR) för jordbruket fält utifrån topografiska mätvärden på platser 1 och 2.

Discussion

SOLSRf modellerna hade något bättre prestanda än SPCR modeller i kalibrering i fältet skala. Dock är några av de topografiska mätningar, såsom SPI och CA (r > 0,80), nära korrelerade med varandra. Kolinjäritet kan lägga till osäkerheter i modellprognoser. På grund av hypotesprövningar bland prediktorer, kan små förändringar i den ingående variablerna väsentligt påverka den modell förutsägelser41. Därför SOLSRf modellerna tenderade att vara instabil och visade låg effektivitet i simuleringar av SOC densitet och jord omfördelning andelen vattendelare skalan. SPCR modellerna överträffade väsentligen SOLSRf modeller i Prediktion av SOC distribution på skalan vattendelare. TPCs eliminera hypotesprövningar genom att omvandla femton topografiska mätvärden till oberoende av varandra (ortogonala) komponenter. Konverteringen avslöjade också underliggande relationer bland topografiska mätvärden. Som framgår av de höga belastningar (> 0,35) topografiska mätvärden till komponenter, var den TPC1, TPC2, TPC3, TPC6 och TPC7 associerade med avrinning velocity, markens vattenhalt, avrinning volym, flöde divergens och flöde acceleration, respektive. Rumsliga mönster av jord omfördelning priser och SOC distribution var starkt korrelerade med markens vattenhalt och avrinning divergens i WCW, vilket överensstämmer med studier av Fox och Papanicolaou2, som visade att eroderad jord från Upland kunde påverkas av flöde divergens i en låg-relief jordbruks vattendelare.

Dessutom minskat färre prediktor variabler i SPCR modeller än SOLSRf och SOLSRr -modellerna risken för alltför passande prognos modeller42,43. Det fanns mer än sex variabler i alla SOLSR modeller, som kan öka svårigheten att tolkning av data och inducera hög varians i modell simuleringar41,44,45. Detta kan redogöra för de lägsta prognos effektivitetsvinsterna i WCW av SOLSR modeller än av SPCR-modeller.

Topografi-baserade SPCR modeller har fördelar i simulera jord omfördelning och associerade SOC dynamik. Första, topografisk information kan enkelt härledas från DEMs. Senaste ökad tillgänglighet av den hög rumslig upplösningen LiDAR-data kan hjälpa förbättra noggrannheten i mark-derived landskap topografi och gynna utredningar i regioner med begränsad fältobservationer. Andra kan använder en uppsättning av topografiska mätvärden och statistiska analyser, topografi-baserade modellerna effektivt kvantifiera jord omfördelning och SOC spridningsmönster. För det tredje kan tillämpningen av principalkomponent effektivt minska fördomar som är associerad med hypotesprövningar topografiska mätvärden och öka stabiliteten i stegvis regression modellerna när det appliceras på flera rumsliga skalor.

SPCA modeller kan dock begränsas av variabler under modellutveckling. Även om tillämpningen av LiDAR data ökat i ekologiska studier, har metoderna för att härleda användbara topografisk information inte ännu fullständigt undersökts. I denna studie visade av TWI och LsRe de högsta korrelationerna med SOC densitet och jord omfördelning priser, respektive. Ytterligare topografiska variabler som inte anses kan dock vara lika eller mer viktiga för att förklara jorderosion och C dynamics. Dessutom kan ingick andra faktorer såsom metoder, som kan orsaka jord erosion variabilitet, inte i denna studie. Till exempel när jordbearbetning var parallellt med riktningen av maximal lutning, kan jorderosion fördubblas i förhållande till erosionen i slantwise jordbearbetning svarvning jord upslope46. Därför kan olika jordbearbetning praxis också vara en orsak till minskad förutsägelse effektivitetsvinsterna av SPCR modeller.

Studien är baserad på papperet publicerade i Catena17. I stället för en mekanistisk-baserad analys av topografiska influenser på smutsa rörelse och markens egenskaper som utförs i Catena papperet, fokuserat här vi på metoderna för kvantifiering av topografiska mätvärden och utveckla topografi-baserade modeller. Vi diskuterade möjligheterna och fördelarna med att använda topografi-baserade modeller i studier av det rumsliga strukturerar av markens egenskaper. Under tiden förbättrat vi våra modeller genom att uppdatera algoritmer lutning längd faktor och flöde ackumulation. Omfattningen av lutning längdmätning faktor var begränsad till fältets område. Dessutom användes den deterministiska infinity algoritmen för flöde ackumulering generation. Jämfört med den metod som redovisas i Li et al. 17 som genereras flöde ackumulering med en deterministisk algoritm åtta-nod, infinity algoritmen antogs i denna studie minskar loopar i flöde riktning vinklar och visade sig vara en bättre algoritm för låg relief områden47.

Sammanfattningsvis visar vår resultaten genomförbarheten av topografi-baserade SPCR modeller i simulera SOC distribution och jord omfördelning mönster i jordbruk fält. Som en kostnadseffektiv metod för att uppskatta SOC bestånd och jord omfördelning priser, är det tillämpliga på platser med begränsad observationsdata och privata marker saknar allmänhetens tillgång. I framtida studier, prognos modeller kan förbättras med ytterligare förfining och LiDAR datatillgänglighet och införande av topografiska mätvärden. De storskaliga boende markkartor som har utvecklats baserat på modeller kommer att leda till ytterligare förståelse av mekanismerna bakom den topografiska påverkan på smutsa rörelse i jordbrukslandskap och ödet för SOC vid vattendelare och regionala skalor.

Disclosures

Författarna har något att avslöja.

Acknowledgments

Denna forskning stöddes av USDA naturresurser Conservation Service i samband med komponenten våtmark av nationella bevarande effekter bedömning projektet (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

Miljövetenskap fråga 140 topografi-baserad modell stegvis principalkomponent regression stegvis vanlig linjär regression digital höjdmodell jord omfördelning organiskt kol i marken
Användning av rektor komponenter för skalning upp topografiska modeller att mappa jord omfördelning och jord organiskt kol
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