Summary

Utilisation des principaux composants pour étendre les modèles topographiques pour mapper la Redistribution du sol et le sol carbone organique

Published: October 16, 2018
doi:

Summary

Processus de paysage sont des éléments essentiels de la formation des sols et jouent un rôle important dans la détermination des propriétés du sol et la structure spatiale dans les paysages. Nous vous proposons une nouvelle approche à l’aide de régression par composantes principales pour prédire la redistribution du sol et carbone organique du sol à travers différentes échelles spatiales.

Abstract

Topographie de paysage est un facteur important affectant la formation des sols et joue un rôle important dans la détermination des propriétés du sol sur la surface de la terre, car il régule le mouvement gravitaire du sol induit par les activités de ruissellement et travail du sol. L’application récente de Light Detection and Ranging (LiDAR) données prometteuse pour générer des mesures topographiques de haute résolution spatiale qui peuvent être utilisés pour étudier la variabilité de propriété du sol. Dans cette étude, quinze mesures topographiques tirées des données LiDAR ont été utilisés pour étudier les effets topographiques sur la redistribution du sol et de la distribution spatiale du carbone organique du sol (COS). Plus précisément, nous avons exploré l’utilisation de composantes principales topographiques (TPC) pour caractériser les métriques de topographie et de régression par composantes principales (SPCR) pour élaborer des modèles SOC aux échelles site et du bassin hydrographique et l’érosion des sols axée sur la topographie. Performance des modèles SPCR a été évaluée par étape ordinaire moins carré (SOLSR) des modèles de régression. Les résultats ont montré que SPCR modèles surperformé SOLSR pour prédire le taux de redistribution du sol et densité SOC à différentes échelles spatiales. Utilisation de VAP supprime potentielle colinéarité entre les variables d’entrée individuels et réduction dimensionnelle par analyse en composantes principales (PCA) diminue le risque d’overfitting les modèles de prédiction. Cette étude propose une nouvelle approche pour la modélisation de redistribution du sol à travers différentes échelles spatiales. Pour une seule application, l’accès aux terres privées est souvent limitée, et la nécessité d’extrapoler les résultats d’étude représentative de sites plus grands paramètres qui incluent des terres privées peut être importante.

Introduction

Redistribution des sols (érosion et dépôt) exerce des effets importants sur les stocks de carbone organique (SOC) de sol et de la dynamique. Efforts croissants ont été consacrées à étudier comment SOC est détaché, transporté et déposé sur le paysage1,2,3. Fixation du Carbon (C) et la distribution de SOC sont influencées par mouvement gravitaire des sols provoquée par l’érosion de l’eau4,5,6. Dans les champs cultivés, la translocation du sol par le labour est un autre processus important contribuant à la redistribution de C7,8,9. L’érosion du sol provoque un mouvement considérable en aval net des particules du sol et conduit à une variation de sol dans les champs10. L’eau et du sol de l’érosion sont significativement affectés par topographie de paysage, qui détermine l’emplacement des sites d’érosion et de sédimentation11. Par conséquent, règlement de l’érosion de sol efficace et C enquête dynamique dans les appels de terres agricoles pour une meilleure compréhension des contrôles topographiques sur l’érosion des sols et des mouvements.

Plusieurs études ont examiné les effets de la topographie sur la redistribution du sol et associés SOC dynamique9,12,13,14,15,16, 17. van der Perk et al. 12 a indiqué que les facteurs topographiques a expliqué 43 % de la variabilité dans la redistribution du sol. Rezaei et Gilkes13 trouvé SOC plus élevée dans les sols sur un aspect ombragé, en raison des températures plus basses et moins d’évaporation par rapport à d’autres aspects dans les parcours. Topographie peut avoir des impacts plus importants sur la redistribution du sol sur les terres agricoles avec traitement labours traditionnels que ceux dont le travail minimum du sol, en raison des interactions entre les reliefs et les pratiques de travail du sol9. Cependant, ces résultats provenaient principalement des observations de terrain, qui présentent des difficultés dans l’étude des propriétés du sol à une échelle spatiale plus large. Il y a un besoin urgent de développer de nouvelles stratégies pour comprendre efficacement la répartition spatiale des propriétés des sols du bassin versant et des échelles régionales.

L’objectif de cette étude est de développer des modèles efficaces pour simuler la redistribution du sol et la distribution de la SOC. Modèles fondés sur la topographie à l’aide de mesures topographiques comme variables explicatives ont été développées pour quantifier les processus de l’érosion et le dépôt des sols. Comparé avec empirique ou processus dotés d’érosion qui employait des échantillonnages de champ discrètes pour simuler le sol érosion18,19, modèles axés sur la topographie des modèles pourraient être développés d’après les renseignements topographiques dérivés numérique modèles d’élévation (MNE) avec une résolution élevée. Cette approche permet pour les simulations de propriété du sol continue au bassin versant ou à échelle régionale. Dans les dernières décennies, exactitude de l’information topographique a considérablement amélioré, avec une augmentation de la disponibilité des données de télédétection à haute résolution. Bien que des études antérieures ont utilisés des modèles fondés sur la topographie pour simuler les propriétés de sol12,20,21,22, la plupart de ces enquêtes utilisé une métrique topographique unique ou une seule catégorie des mesures topographiques (metrics topographiques locales, non local ou combiné), qui ne peut pas avoir suffisamment exploré topographiques impacts sur l’activité microbienne du sol. Par conséquent, afin de mieux comprendre des contrôles de la topographie sur l’érosion des sols et de la dynamique de C, nous avons examiné un ensemble complet de mesures topographiques y compris locales, non local et combinés les mesures topographiques et développé plusieurs variable axée sur la topographie modèles pour simuler la dynamique de propriété du sol. Les applications de ces modèles sont censées fournir un appui scientifique pour le meilleur contrôle de l’érosion des sols et gestion des terres agricoles.

Les paramètres topographiques sont généralement classées en trois catégories : a) locales mesures topographiques, b) non local mesures topographiques ou c) combinées mesures topographiques. Les paramètres topographiques locales se référer aux spécificités locales, d’un point sur la surface de la terre. Local non métrique topographique voir les positions relatives des points sélectionnés. Mesures topographiques combinés intègrent des mesures topographiques les et non locaux. Un ensemble de paramètres topographiques touchant l’érosion du sol et les dépôts ont été utilisées dans cette étude pour étudier les contrôles topographiques sur le mouvement du sol et des stocks de C (tableau 1). Plus précisément, nous avons utilisé quatre paramètres topographiques locales [pente, courbure de profil (P_Cur), plan de courbure (Pl_Cur), la courbure générale (G_Cur)], sept non-locales topographiques métriques [accumulation de flux (FA), relief topographique, ouverture positive (POP), pente pente (UpSl), longueur de chemin d’accès de flux (FPL), indice de pente (DI), zone de chalandise (CA)], et trois combinés des mesures topographiques [indice d’humidité topographiques (TWI), flux puissance index (SPI) et facteur de longueur de pente (LS)].

Protocol

1. topographiques Analyses Prétraitement des données numériques Collecter les données LiDAR du site Web du projet de cartographie GeoTREE LiDAR. Sélectionnez « type de limites » et « région » pour zoomer sur une zone spécifique. Dessiner un polygone pour télécharger tuiles LiDAR pour la zone d’étude sélectionné. Convertir les données LiDAR brutes dans un fichier de LAS, à l’aide de l’outil de mappage de geographic information system (GIS). Générer des démocrates avec une résolution spatiale de 3 m en utilisant une interpolation pondéré inverse à la distance. Filtre la DEMs 3M deux fois avec un filtre passe bas 3-noyau pour réduire les bruits associer à variation locale. Génération de métrique topographique Pour générer des mesures topographiques, commencez par télécharger la dernière version du système d’analyse géoscientifique automatisé (SAGA)23. Cliquez sur « Import Raster » dans la section importation/exportation pour importer la DEMs 3M filtrée dans la SAGA. Cliquez sur le module « Courbure de la pente, Aspect, » de la SAGA avec les paramètres par défaut pour générer la pente et courbure [Profil courbure (P_Cur), courbure (Pl_Cur) et la courbure générale (G_Cur)] mesures utilisant la DEMs filtrée (Figure 1). Cliquez sur le module « Accumulation de flux (Top-Down) » de la SAGA et sélectionnez « Infini déterministe » comme méthode pour générer des métriques d’accumulation (FA) flux utilisant la DEMs filtrée. Cliquez sur le module « SAGA topographique ouverture » avec les paramètres par défaut pour générer la métrique d’ouverture positive (POP) en utilisant une image amplifiée filtré axe z. Cliquez sur le module « LS-facteur (domaine basé) » de la SAGA avec les paramètres par défaut pour générer la pente de la courbe ascendante (Upsl) et métriques de facteur (LS_FB) de longueur à l’aide des MNE filtrées de pente. Cliquez sur le module « Longueur de chemin d’accès de flux » de la SAGA avec les paramètres par défaut pour générer la mesure de longueur (FPL) du flux chemin utilisant la DEMs filtrée. Cliquez sur le module « Gradient de Distance en aval » de la SAGA avec les paramètres par défaut pour générer la métrique d’index (DI) en aval à l’aide des MNE filtrées. Cliquez sur le module « Indice d’humidité du SAGA » et sélectionnez « absolue catchment area » comme Type de zone pour générer de la zone de chalandise (CA) et de la moiteur topographique index (TWI) mesures utilisant la DEMs filtrée. Cliquez sur le module « Stream-indice de puissance » de la SAGA et sélectionnez « pseudo spécifiques catchment area » comme la Conversion de la zone pour générer la métrique d’index (SPI) de puissance flux utilisant la DEMs filtrée. Produire des cartes d’élévation maximale avec plusieurs rayons. Filtrer les cartes d’élévation maximale deux fois avec un filtre passe bas 3-noyau. Soustraire le DEM 3M filtré sur les cartes d’élévation maximale filtrée afin d’obtenir une série de bas-reliefs représentant les cartes. Extraire une série de variables de secours à un certain nombre d’endroits. Effectuer l’analyse en composantes principales (PCA) sur les variables de secours pour convertir les reliefs en composants relief topographique. Choisir les composants principaux qui expliquent plus de 90 % de la variance de l’ensemble de données de secours comme les métriques de relief topographique. 2. collecte de données de champ Échantillonnage sur le terrain Sélectionner un certain nombre de bureaux extérieurs de terres cultivées pouvant représenter adéquatement les caractéristiques du paysage de la zone d’étude et de plusieurs champs de terres en culture à petite échelle représentant qui peuvent être dégustés intensivement.Remarque : Les échantillons de sol prélevés dans les deux champs de terres cultivées ont été utilisés pour l’étalonnage du modèle. Des échantillons de sol prélevés dans la zone de l’ensemble de l’étude ont été utilisés pour la validation du modèle. Télécharger toutes les coordonnées d’emplacement échantillon sur un base de code géographique système de positionnement (GPS) et localiser physiquement dans les champs. Collecter 3 échantillons pour chaque emplacement de l’échantillonnage de la couche de sol de 30 cm de haut à l’aide d’une sonde de pression (3,2 cm de diamètre).Remarque : Des échantillons de sol de couches de 30 à 50 cm ont été recueillies sur les sites où les dépôts de sédiments était attendu. Le volume de chaque échantillon était de 241 cm3. Record information coordonnée géographique des lieux à l’aide de GPS d’échantillonnage. Peser les échantillons de sol après leur dessiccation à 90 ° C pendant 48 h. calculer densité à l’aide des informations de volume de l’échantillon total au poids et les points d’échantillonnage. Mélanger les trois échantillons au même endroit pour obtenir un échantillon de sol composite. Préparation d’échantillons de sol Tamisez les échantillons de sol composite avec un écran de 2 mm. Broyer un sous-échantillon de 10 g du sol tamisé pour une poudre très fine avec un moulin de rouleau. Analyses d’échantillons de sol Mesurer le carbone total du sol (C) contenu dans les échantillons de rouleau blanchi par le biais de combustion sur un analyseur élémentaire de CN à 1350 ° c. Estimer la teneur en carbonate de calcium C en analysant la C restant après la matière organique du sol à une température de 420 ° C pendant 16 heures dans un four de cuisson. Calculer SOC teneur (%) en soustrayant la teneur en carbonate de calcium C de la teneur en C du sol total. Convertir contenu (%) de la SOC SOC masse volumique (kg m-2) en utilisant la densité du sol. Mettre les échantillons de sol tamisé 2 mm en vrac dans des béchers Marinelli et sceller. Mesurer la concentration Cs 137de chaque échantillon grâce à l’analyse de rayons gamma à l’aide d’un système de spectroscopie qui reçoit les entrées de trois cristaux de germanium coaxial de haute pureté (HpCN30 % d’efficacité) dans les analyseurs de 8192-canal (voir Table des matières ). Calibrer le système à l’aide d’un radionucléide mixte analytique standard11. Convertir 137concentration Cs en inventaire de Cs 137à l’aide de la densité du sol. Calculer le taux de redistribution du sol à l’aide de l’inventaire de Cs 137en appliquant la masse équilibre modèle II (MBMII) dans le composant logiciel enfichable un tableur développé par Walling et al. 24. 3. topography-Based Model Development Estimation des composantes principales topographique Extraire les mesures topographiques pour les lieux dans la région de l’ensemble de l’étude et les champs de terres agricoles à petite échelle d’échantillonnage. Normaliser la métrique topographique des sites d’échantillonnage dans la zone d’étude tout en utilisant la moyenne et l’écart-type. Estimer les charges métriques topographiques dans chaque composant basé sur les paramètres topographiques normalisés à l’aide de PCA avec progiciel statistique. Collecter les charges métriques topographiques dans chaque composante principale topographique (PTC), puis sélectionnez les albums VAP qui expliquent 90 % de la variance de toutes les mesures. Normaliser les paramètres topographiques des lieux d’échantillonnage dans les domaines des terres agricoles à petite échelle. Calculer la VAP supérieure pour chaque emplacement en somme des mesures topographiques normalisés pondérés par les charges correspondantes depuis les points d’échantillonnage à la WCW. Étalonnage du modèle Effectuer une régression ordinaire de moindre carrée (SOLSR) pour développer axée sur la topographie des modèles SOLSRf pour la densité SOC et taux de redistribution de sol selon tous les paramètres topographiques sur les gisements de terres agricoles à petite échelle. Utiliser le critère d’information d’Akaike (AIC) et leave-one-out la validation croisée pour choisir la combinaison optimale de mesures topographiques pour les modèles def SOLSR mieux équipés. Vérifier la colinéarité entre les variables topographiques en utilisant le facteur d’inflation de la variance (VIF). Supprimer les variables avec le plus VIF (VIF ≥ 7,525) et vérifier de nouveau VIF. Supprimer les variables jusqu’à ce que les VIFs de toutes les variables sont < 7,5. Exécuter SOLSR pour développer axée sur la topographie des modèlesr SOLSR pour la densité du SOC et taux de redistribution selon les paramètres topographiques qui ont été enlevées de colinéarité haute variables du sol. Utilisez l’AIC et la validation croisée leave-one-out pour sélectionner la combinaison optimale pour les modèles der SOLSR mieux équipés. Effectuer la régression par composantes principales (SPCR) afin d’élaborer des modèles fondés sur la topographie SPCR pour la densité de la SOC et taux de redistribution fondés sur la VAP sur les gisements de terres agricoles à petite échelle sur le sol. Utilisez l’AIC et la validation croisée leave-one-out pour sélectionner la combinaison optimale de VAP pour les modèles SPCR mieux équipés. Calculer le coefficient de détermination (Radj2), l’efficacité de Nash-Sutcliffe (NSE) et rapport de l’erreur quadratique moyenne de l’écart type des données mesurées (RSR) pour évaluer l’efficacité du modèle ajusté. Évaluation du modèle Estimer la densité SOC et taux de redistribution dans la zone de l’ensemble de l’étude des sols en appliquant les modèles estimés. Valider le modèle développé en comparant la prédiction avec dataset mesurée de la densité SOC et taux de redistribution dans la zone de l’ensemble de l’étude des sols. Évaluer les performances du modèle à l’aide de Radj2, NSE et RSR valeurs.

Representative Results

Nous avons utilisé le bassin versant de Walnut Creek (WCW) comme un banc d’essai pour évaluer la faisabilité des modèles axés sur la topographie d’instruction de redistribution du sol et dynamique du COS. Le bassin hydrographique est dans les comtés de Boone et histoire au sein de l’état de l’Iowa (41 ° 55′-42 ° 00 ‘ n, 93 ° 32′-93 ° 45’ W) d’une superficie de 5 130 ha (Figure 2). Terres cultivées est la dominante aménagement type lors de la WCW, avec un terrain relativement plat (moyenne 90 m, relief topographique 2,29 m). Buriner labourant, disquage, et les opérations pénibles sont les principaux culturale dans les cultures champs26,27; Toutefois, les orientations de travail du sol varient en raison de différences dans les pratiques de gestion. Bureaux extérieurs récolte quatre cent soixante ont été choisis au hasard pour obtenir des données topographiques à la WCW (Figure 2). 100 de 460 emplacements, y compris deux 300 m transects (chacun ont 9 points d’échantillonnage), ont été choisis pour procéder à des échantillonnages de champ et pour l’analyse des niveaux de redistribution SOC et le sol. En outre, deux sites à petite échelle topographique du paysage, types de sol et les pratiques culturales similaires à la WCW ont été sélectionnés pour des échantillonnages plus intensives. Sur chaque site du champ à petite échelle un 25 × 25 m maille a été créé, et 230 points d’échantillonnage étaient situées à nœuds de la grille (Figure 3). Informations topographiques de propriété métriques et le sol ont été calculés pour les 230 emplacements. Les paramètres topographiques dans la WCW ont été générés selon le protocole ci-dessus. La WCW se caractérise avec topographie de faible à modéré (allant de 260 à 325 m d’altitude) avec une relative faible pente (entre 0 et 0,11 radian), pente pente (0 à 0,09 m) et courbures modérées (profil de courbure : plan -0,009 à 0,009 m-1, courbure :-0.85 à 0,85 m-1, courbure général : -0,02 à 0,02 m-1). Les élévations verticales de DEMs ont été agrandies 100 fois pour augmenter la distinction de l’allégement de grande échelle relativement faible dans la WCW pour la création de la métrique d’ouverture positive (POP100). Après la conversion, la plage d’ouverture positive a augmenté de 0,08 radians (POP : 1,51-1,59 radians) à 0,86 radians (POP100 : 0,36-1,22 radians). Pour le relief topographique, nous avons généré des sept cartes de relief avec les rayons suivants : 7,5 m, 15 m, 30 m, 45 m, 60 m, 75 m et 90 m. Deux composantes principales de secours ont été sélectionnées sur base des résultats de l’APC sur les variables de sept secours. La première résolution grossière variait secours avec relief45 m comme la principale variable. Nous avons défini cette composante comme les secours à grande échelle (LsRe). Le deuxième volet, qui était fortement corrélé avec soulagement7,5 m et variation de secours résolution fine a présenté, était défini comme le soulagement à petite échelle (SsRe). Les résultats des analyses de corrélation entre les paramètres topographiques et redistribution de densité/sol SOC sont présentés au tableau 2. Le TWI et LsRe ont montré les corrélations plus élevées avec la densité SOC et taux de redistribution du sol, respectivement. Répartition spatiale des deux mesures est présentées dans la Figure 4. Détails des TWI et LsRe peuvent mieux observer de la zone transect. Les deux mesures ont montré des valeurs élevées en zone dépressionnaires et de faibles valeurs dans les zones en pente et ridge. Cependant, des différences entre les deux mesures se trouvent dans un fossé, où la DHT présentait des valeurs très élevées, mais les valeurs de LsRe ne différaient pas de zones adjacentes. Après avoir généré les quinze mesures topographiques, nous avons utilisé des PCA sur ces variables topographiques sur les 460 sites d’échantillonnage à la WCW. Les sept premières composantes principales topographiques (TPC) qui explique plus de variabilité de 90 % de l’ensemble de données topographique ensemble ont été sélectionnée. Cinq VAP qui étaient final sélectionnées pour construire des modèles axés sur la topographie est répertoriés dans le tableau 3. Pour la première composante principale (TPC1), G_Cur a montré le chargement plus haut. Pente, TWI, Upsl et LS_FB ont été la plus importante métrique en TPC2, avec des charges supérieure à 0,35. Dans la TPC3, FA, SPI et CA sont des paramètres importants, avec des charges de 0,482 0,460 et 0.400, respectivement. FPL (-0.703) et Pl_Cur (0,485) étaient les plus importantes dans la TPC6. Les paramètres principaux avec des charges élevées dans les TPC7 étaient SsRe (0,597), DI (0,435), FPL (0,407) et Pl_Cur (0,383). Colinéarité des variables topographiques a été vérifiée en examinant le VIF. Des 15 mesures, pente, TWI et G_Cur ont été retirés en raison des hautes VIFs. Basé sur le taux de redistribution du sol et des données de densité de carbone provenant de sites 1 et 2, SOLSR modèles ont été développés à l’aide de toutes mesures de 15 (SOLSRf) et les 12 métriques avec covariable colinéaire enlevé (SOLSRr) (tableau 4). En règle générale, plus de 70 % et 65 % de la variabilité dans la redistribution de densité et de sol SOC taux sont expliquent par les modèles def SOLSR, respectivement. Pour les modèles avec covariable colinéaire enlevé (SOLSRr), efficacité de simulation ont été légèrement plus faible que les modèles def SOLSR (68 % pour la densité du SOC et 63 % pour la redistribution du sol). Enis sont légèrement inférieurs et RSR étaient légèrement plus élevés dans les modèles der SOLSR que dans les modèles def SOLSR. Pour les modèles SPCR, efficacité similaire de simulation comme SOLSRr est observées dans le tableau 4. Cependant, moins de variables indépendantes ont été sélectionnés dans les modèles SPCR (moins de 5 variables) que les SOLSRf et les modèles der SOLSR (plus de 6 variables). VAP 1, 2, 3 et 7 ont été retenus comme les combinaisons de la variable indépendante pour le modèle SOC et TPC 1, 2, 3, 6 et 7 ont été choisis comme la combinaison pour le modèle de redistribution du sol. Nous avons constaté que les modèles SPCR avaient les meilleures prédictions et les modèles der SOLSR a montré les performances les plus pauvres à l’échelle des bassins hydrographiques. Les coefficients de détermination (r2) en comparant la prédiction de densité SOC d’observation est passée : 1) 0,60 en SOLSRf et 0,52 dans SOLSRr à 0,66 SPCR et NSE 2) est passée de 0,21 à SOLSRf et 0,16 dans SOLSRr à 0,59 en SPCR ; tandis que RSR réduit de 0,87 en SOLSRf et 0,91 dans SOLSRr à 0,64 en SPCR. Prédiction de taux de redistribution du sol dans les SPCR représente 36 % de la variabilité de la variable mesurée et était plus élevée que les prédictions de SOLSRf (34 %) et SOLSRr (0,35 %). Un NSE supérieur et inférieur RSR dans SPCR (NSE = 0,33, RSR = 0,82) par rapport à SOLSRf (NSE = 0,31, RSR = 0,83) et SOLSRr (NSE = 0,32, RSR = 0,82) a également démontré une meilleure performance dans la simulation de taux de redistribution du sol par SPCR. Selon les évaluations de performance modèle, SPCR modèles ont été sélectionnés pour générer la densité SOC et taux de redistribution du sol des cartes à l’échelle des bassins hydrographiques. Les cartes ont révélé des patrons cohérentes entre les simulations et mesures sur le terrain (Figure 5). Les consistances élevés entre les simulations et les observations étaient plus évidents le long des transects. Les deux taux de redistribution de densité et le sol SOC ont montré des corrélations hautes avec la topographie du paysage. Des valeurs élevées de densité SOC se trouvent dans footslope et des zones de dépôt, où les dépôts de sol a eu lieu, alors que les faibles valeurs de densité SOC ont été observés en pente des zones, où l’érosion des sols a eu lieu. Figure 1 : La pente, Aspect, module de courbure dans le système pour analyse géoscientifique automatisé (SAGA). Les polygones montrent l’emplacement des zones d’étude. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. Figure 2 : Emplacement du bassin versant du ruisseau de noyer et de sites d’échantillonnage dans le bassin hydrographique (Iowa). Ce chiffre a été adapté du précédent travail,17. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. Figure 3 : Emplacement des sites échantillonnés 1 a) et 2 b) (élévation de 15 x axe z). Ce chiffre a été adapté du précédent travail,17. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.  Figure 4 : Cartes topographique métrique. b indice d’humidité topographiques (TWI) et (b) à grande échelle relief topographique (LsRe) dans le bassin hydrographique de Walnut Creek et transect zone (élévation de 15 x axe z). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. Figure 5 : Taux de redistribution du sol (t ha-1 an-1) des cartes et SOC densité (kg m-2) mappe .  Il est indiqué redistribution des cartes des sols (a) dans le bassin de Walnut Creek et (b) le long de deux transects. Montré sont SOC densité (kg m-2) cartes (c) au sein du bassin hydrographique du ruisseau de noyer et (d) le long de deux transects en utilisant les modèles d’analyse des composantes principales par étapes (élévation de 15 x axe z). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. Variables Signification Pente (radian) La vitesse de ruissellement, sol eau contenu28,29 Profil de courbure (m-1) Flow acceleration, érosion, dépôts taux11,30 Plan de courbure (m-1) Flux de convergence et divergence, sol eau contenu30 Général de courbure (m-1) La vitesse de ruissellement, l’érosion des sols, les dépôts29 Accumulation de flux Sol eau contenu, ruissellement volume20 Relief topographique (m) Paysages caractéristiques de drainage, la vitesse de ruissellement et accélération21,31  Ouverture positive (radian) Paysages caractéristiques de drainage, sol eau contenu32 Upslope pente (m) La vitesse de ruissellement33,34 Longueur de chemin d’accès de flux (m) Production de sédiments, l’érosion des taux35  Indice de pente descendante (radian) Sol eau contenu36 Zone de chalandise (m2) Ruissellement vitesse et volume33,37  Indice d’humidité topographique Sol humidité distribution28,38,39  Indice de pouvoir de flux Érosion des sols, Convergence des flux40  Facteur de longueur de pente Flux de convergence et divergence28,40 Tableau 1 : Significations des mesures topographiques choisies. Pente 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 et G_Cur sont de courbure du profil, courbure et la courbure générale, respectivement ; FA est l’accumulation de flux ; RePC1 et RePC2 sont relief topographique composant 1 et 2, respectivement ; POP100 est à ouverture positive ; Upsl est la pente de la courbe ascendante ; FPL est longueur de chemin d’accès de flux ; DI est l’indice vers le bas ; CA est le bassin versant ; TWI est l’indice topographique moiteur ; et SPI est index de flux de puissance ; et LS_FB est facteur de longueur de pente (terrain). * P < 0,05, ** P < 0,005, *** P < 0,0001. †Correlation coefficient > 0,5, coefficient de corrélation ‡Highest pour chaque propriété du sol. Tableau 2 : Corrélation de rang de Spearman (n = 560) entre les mesures topographiques choisies et la densité du sol carbone organique (SOC) et taux de redistribution du sol (SR). TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%) Pente 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 0.54s -0,014 0.46† 0,169 0,080 LS_FB 0,256 0.396† 0,050 0,011 -0.072 P_Cur, Pl_Cur et G_Cur sont de courbure du profil, courbure et la courbure générale, respectivement ; FA est l’accumulation de flux ; RePC1 et RePC2 sont relief topographique composant 1 et 2, respectivement ; POP100 est à ouverture positive ; Upsl est la pente de la courbe ascendante ; FPL est longueur de chemin d’accès de flux ; DI est l’indice vers le bas ; CA est le bassin versant ; TWI est l’indice topographique moiteur ; et SPI est index de flux de puissance ; et LS_FB est facteur de longueur de pente (terrain). †Loadings > 0,35. Tableau 3 : Charges variables dans les composants principaux (TPC) calculées pour les mesures topographiques (n = 460) dans le bassin hydrographique de Walnut Creek. Modèle R2adj NSE RSR Régression par composantes principales (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 Analyse de régression carré moins ordinaire (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 Analyse de la régression carré moins ordinaire avec covariable colinéaire enlevé (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 † L’ordre de VAP repose sur les étapes de sélection progressive R2adj est ajusté coefficient de détermination ; NSE est efficacité de Nash-Sutcliffe ; RSR est le rapport entre l’erreur quadratique moyenne (EQM) et l’écart type des données mesurées. PTC représente les composantes principales topographique. TWI est l’indice topographique moiteur ; FPL est longueur de chemin d’accès de flux ; P_Cur, Pl_Cur et G_Cur sont de courbure du profil, courbure et la courbure générale, respectivement ; LS_FB est facteur de longueur de pente (champ basé) ; LsRe et SsRe sont des reliefs topographiques à grande échelle et à petite échelle, respectivement ; DI est l’indice vers le bas ; et Upsl est la pente de la courbe ascendante. Tableau 4 : Modèles de densité du sol carbone organique (SOC) et taux de redistribution du sol (SR) pour les champs agricoles, selon les paramètres topographiques aux sites 1 et 2.

Discussion

Les modèles def SOLSR avaient des performances légèrement meilleures que les modèles SPCR l’étalonnage sur le terrain. Toutefois, certaines des mesures topographiques, comme SPI et CA (r > 0,80), sont étroitement corrélés entre eux. La colinéarité peut-être ajouter des incertitudes pour les prédictions du modèle. En raison de la multicolinéarité entre les variables explicatives, les petits changements dans les variables d’entrée peuvent affecter significativement les prédictions de modèle41. Par conséquent, les modèles def SOLSR ont tendance à être instables et ont montré faibles efficience dans les simulations du taux SOC densité et le sol de la redistribution à l’échelle des bassins hydrographiques. Les modèles SPCR nettement surpassé les modèles def SOLSR dans la prédiction de la distribution du SOC à l’échelle des bassins hydrographiques. VAP élimine la multicolinéarité en convertissant les quinze mesures topographiques en composantes (orthogonales) indépendants. La conversion a également découvert les relations sous-jacentes entre les paramètres topographiques. Comme indiqué par les charges élevées (> 0,35) de paramètres topographiques aux composants, la TPC1, TPC2, TPC3, TPC6 et TPC7 étaient associées à la vitesse de ruissellement, teneur en eau du sol, volume de ruissellement, divergence des flux et accélération de l’écoulement, respectivement. Répartition spatiale des taux de redistribution du sol et de la distribution de SOC était fortement corrélées avec la teneur en eau du sol et divergence de ruissellement à la WCW, qui concorde avec l’étude de Fox et Papanicolaou2, qui ont démontré qu’érodées du sol de hautes terres pourraient être touchés par la divergence des flux dans un bassin versant agricole de bas-relief.

En outre, moins de variables predictor dans les modèles SPCR que les modèles der SOLSR et SOLSRf réduit le risque de trop raccord la prédiction des modèles42,43. Il y a plus de six variables dans tous les modèles SOLSR, qui peuvent augmenter la difficulté d’interprétation des données et induire une variance élevée dans le modèle des simulations41,44,45. Cela pourrait expliquer l’efficacité de prédiction inférieure à la WCW par les modèles SOLSR que par les modèles SPCR.

Topographie-SPCR modèles présentent des avantages simulant la redistribution du sol et dynamique du COS associée. Première information topographique peut être facilement dérivée DEMs. Récente accessibilité accrue de la haute résolution spatiale de données LiDAR peut aider à améliorer la précision de la topographie du paysage dérivées de DEM et bénéficier des enquêtes dans les régions où les observations de terrain limitée. En second lieu, à l’aide d’un ensemble de mesures topographiques et analyses statistiques, les modèles axés sur la topographie peuvent efficacement quantifier redistribution du sol et les patrons de distribution SOC. Troisièmement, l’application des composantes principales peut efficacement réduire les biais liés à multicolinéarité des mesures topographiques et augmenter la stabilité des modèles de régression lorsqu’elle est appliquée à plusieurs échelles spatiales.

Cependant, les modèles de la SPCA peuvent être limitées par les variables au cours de l’élaboration d’un modèle. Bien que l’application des données LiDAR a augmenté dans les études écologiques, les méthodes pour obtenir des données topographiques utiles n’ont pas encore été pleinement explorées. Dans cette étude, le TWI et LsRe ont montré les corrélations plus élevées avec la densité SOC et taux de redistribution du sol, respectivement. Cependant, les variables topographiques supplémentaires qui ne sont pas considérés peuvent être tout aussi ou plus important dans l’explication de l’érosion des sols et la dynamique de la C. En outre, les autres facteurs tels que les pratiques de gestion, qui peuvent entraîner la variabilité de l’érosion du sol, ne figurent pas dans cette étude. Par exemple, lorsque le travail du sol a été parallèle à la direction de la pente maximale, l’érosion du sol peut doubler par rapport à l’érosion en Labour obliquement tournant sol upslope46. Par conséquent, les pratiques culturales différentes peuvent également être une raison pour l’efficacité réduite de prédiction des modèles SPCR.

L’étude repose sur l’article publié dans Catena17. Au lieu d’une analyse axée sur les mécanistes d’influences topographiques sur le mouvement du sol et les propriétés du sol interprété dans le livre de Catena, ici nous nous sommes concentrés sur les méthodes pour quantifier les paramètres topographiques et d’élaborer des modèles fondés sur la topographie. Nous avons discuté de la faisabilité et les avantages de l’utilisation des modèles axés sur la topographie dans les études de la structure spatiale des propriétés du sol. Pendant ce temps, nous avons amélioré nos modèles en mettant à jour des algorithmes de pente longueur facteur et flux accumulation. L’échelle de mesure de facteur de longueur pente se limitait à la zone du champ. En outre, l’algorithme déterministe infini a été utilisé pour la production d’accumulation de flux. Par rapport à la méthode mentionnée dans Li et al. 17 qui a généré l’accumulation de flux avec un algorithme déterministe de huit nœuds, l’algorithme infini adoptée dans cette étude réduit les boucles dans les angles de direction du flux et s’est avéré pour être un meilleur algorithme pour les zones de faible relief47.

En conclusion, nos résultats démontrent la faisabilité de la topographie-SPCR modèles pour simuler la distribution SOC et les modes de redistribution du sol dans les domaines de l’agriculture. Comme une méthode rentable pour estimer les stocks SOC et taux de redistribution du sol, elle s’applique aux sites avec peu de données d’observation et des terres privées, manque l’accès du public. À l’avenir les études, la prédiction des modèles pourraient être améliorées avec davantage de raffinement et de la disponibilité des données LiDAR et l’inclusion de mesures topographiques supplémentaires. Les cartes propriété des sols à grande échelle qui ont été élaborés selon les modèles conduira à une meilleure compréhension des mécanismes qui sous-tendent les effets topographiques sur le mouvement du sol dans les paysages agricoles et le sort du COS dans le bassin versant et les échelles régionales.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Cette recherche a été financée par l’USDA Natural Resources Conservation Service en liaison avec la composante de terre humide du projet d’évaluation des effets de National Conservation (NRCS 67-3A75-13-177).

Materials

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

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, 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).

Play Video

Cite This Article
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).

View Video