Summary

Verwendung der wichtigsten Komponenten für die Aufstockung topographische Modelle zuordnen Boden Umverteilung und Boden organischen Kohlenstoff

Published: October 16, 2018
doi:

Summary

Landschaft-Prozesse sind wichtige Komponenten der Bodenbildung und spielen eine wichtige Rolle bei der Bestimmung von Bodeneigenschaften und Raumstruktur in Landschaften. Wir schlagen ein neues Konzept mit schrittweisen Hauptbestandteil Regression Boden Umverteilung und organisch gebundenem Kohlenstoff in verschiedenen räumlichen Skalen vorherzusagen.

Abstract

Topographie der Landschaft ist ein entscheidender Faktor die Bodenbildung und spielt eine wichtige Rolle bei der Bestimmung von Bodeneigenschaften auf der Erdoberfläche, wie es die Schwerkraft angetriebene Boden Bewegung induziert durch Abfluss und Bodenbearbeitung Aktivitäten reguliert. Die jüngste Anwendung von Licht-Erkennung und Ranging (LiDAR) Daten hält Versprechen zur Erzeugung hoher räumlicher Auflösung topographische Metriken, die verwendet werden können, um Boden Eigenschaft Variabilität zu untersuchen. In dieser Studie wurden fünfzehn topographische Metriken abgeleitet aus LiDAR-Daten zur topographische Auswirkungen auf Umverteilung des Bodens und räumliche Verteilung von organisch gebundenem Kohlenstoff (SOC) zu untersuchen. Speziell, erkundeten wir die Verwendung der topographischen Hauptkomponenten (TPCs) zur Charakterisierung von Topographie Metriken und schrittweise Hauptbestandteil Regression (SPCR) Topographie-basierte Bodenerosion und SOC-Modelle bei Seite und Wasserscheide Maßstäben zu entwickeln. Leistung der SPCR Modelle wurde gegen schrittweise gewöhnliche zumindest quadratische (SOLSR) Regressionsmodelle bewertet. Ergebnisse zeigten, dass SPCR überflügelt SOLSR-Modelle bei der Vorhersage des Bodens Umverteilung Preise und SOC-Dichte auf unterschiedlichen räumlichen Skalen modelliert. Verwendung von TPCs entfernt mögliche Kollinearität zwischen einzelnen Eingangsgrößen und Reduzierung der Dimensionalität von Hauptkomponentenanalyse (PCA) vermindert das Risiko von Überanpassung der Vorhersagemodelle. Diese Studie schlägt einen neuen Ansatz für die Modellierung von Boden Umverteilung in verschiedenen räumlichen Skalen. Für eine Anwendung Zugriff auf privatem Land ist oft begrenzt, und die Notwendigkeit, Ergebnisse aus repräsentativen Studienzentren zu größeren Einstellungen zu extrapolieren, die private Ländereien enthalten kann wichtig sein.

Introduction

Umverteilung der Boden (Erosion und Ablagerung) übt erhebliche Auswirkungen auf Boden organisch gebundenem Kohlenstoff (SOC) Bestände und Dynamik. Zunehmende Bemühungen haben gewidmet, zu untersuchen, wie SOC gelöst, transportiert und über die Landschaft1,2,3hinterlegt. Carbon (C)-Sequestrierung und SOC-Verteilung werden durch Schwerkraft angetrieben Boden Bewegung induziert durch Wasser Erosion4,5,6beeinflusst. In Äckern ist Boden Translokation von Bodenbearbeitung ein weiterer wichtiger Prozess zur C Umverteilung7,8,9. Bodenbearbeitung Erosion verursacht eine erheblichen Netto hangabwärts Bewegung von Bodenpartikeln und führt zu einer im Bereich Boden Variation10. Wasser und Bodenbearbeitung Erosion sind durch Landschaft Topographie, die bestimmt, die Standorte der Erosions- und Ablagerungsprozessen Sites11stark beeinträchtigt. Daher wirksame Boden-Erosion-Verordnung und C dynamische Untersuchung in Agrarland Anrufe für ein besseres Verständnis der topographischen Kontrollen auf Bodenerosion und Bewegungen.

Mehrere Studien haben die Auswirkungen der Topographie auf Boden Umverteilung und damit verbundenen SOC Dynamik9,12,13,14,15,16, untersucht. 17. van der Perk Et Al. 12 berichtet, dass topografische Faktoren 43 % der Variabilität im Boden Umverteilung erklärt. Rezaei und Gilkes13 höhere SOC in Böden auf einen schattigen Aspekt, aufgrund der niedrigeren Temperaturen und weniger Verdunstung im Vergleich zu anderen Aspekten in Weideland gefunden. Topographie möglicherweise mehr erhebliche Auswirkungen auf Boden Umverteilung in Agrarland mit traditionellen Bodenbearbeitung Behandlung als solche mit minimaler Bodenbearbeitung, aufgrund der Wechselwirkungen zwischen Landschaftsformen und Bodenbearbeitung Praktiken9. Allerdings stammen diese Erkenntnisse in erster Linie aus Feldbeobachtungen, die Schwierigkeiten bei der Untersuchung der Eigenschaften des Bodens in einem größeren räumlichen Maßstab darstellen. Es gibt ein dringenden Bedarf an der Entwicklung neuer Strategien um räumliche Muster von Bodeneigenschaften Wasserscheide und regionalen Skalen wirksam zu verstehen.

Das Ziel dieser Studie ist es, effiziente Modelle simulieren Boden Umverteilung und SOC-Distribution zu entwickeln. Topographie-basierte Modelle mit topographischen Metriken als Prädiktoren entwickelt wurden, um Boden-Erosion und Ablagerung Prozesse zu quantifizieren. Im Vergleich mit empirischen oder Prozess-basierte Erosion, die Modelle, die diskreten Bereich Verkostungen Boden Erosion18,19, Topographie-basierten Modellen simulieren beschäftigt entwickelt werden könnte basierend auf topographische Informationen aus digital Höhenmodelle (DEMs) mit hoher Auflösung. Dieser Ansatz ermöglicht kontinuierliche Boden Eigenschaft Simulationen an der Wasserscheide oder regionaler Ebene. In den letzten Jahrzehnten ist Genauigkeit der topographischen Informationen erheblich verbessert, mit zunehmender Verfügbarkeit von Daten in hoher Auflösung aus der Ferne gespürt. Obwohl frühere Studien Topographie-basierte Modelle beschäftigt zu simulieren, Boden Eigenschaften12,20,21,22, verwendet die meisten dieser Untersuchungen eine topographische Metrik oder einzelne Kategorie Topographische Metriken (lokale, nichtlokalen oder kombinierte topographische Metriken), die möglicherweise nicht ausreichend topographische Auswirkungen auf die mikrobielle Aktivität im Boden erforscht haben. Daher, um zu gewinnen, ein besseres Verständnis der Topographie Bodenerosion und C Dynamik, untersuchten wir eine umfassende Reihe von topographische Metriken einschließlich lokale, nichtlokalen und kombinierte topographische Metriken und entwickelt Multi-Variable Topographie-basierte Modelle, Boden Eigenschaft Dynamik zu simulieren. Anwendungen dieser Modelle werden voraussichtlich besser Boden-Erosion-Kontrolle und landwirtschaftliche Flächen-Management wissenschaftlich unterstützen.

Topographische Metriken sind im Allgemeinen in eine von drei Kategorien geordnet: a) lokale topographische Metriken, (b) nicht-lokale topographische Metriken oder (c) kombinierte topographische Metriken. Örtlichen topographische Kennzahlen beziehen sich auf lokale Besonderheiten eines Punktes auf der Landoberfläche. Nicht-lokalen topographische Kennzahlen beziehen sich auf den relativen Positionen der ausgewählten Punkte. Kombinierte topographische Metriken integrieren lokale und nichtlokale topographische Metriken. Eine Reihe von topographische Metriken beeinflussen, Erosion und Ablagerung wurden in dieser Studie verwendet, um die topographische Steuerelemente auf Erde-Bewegung und C-Aktien (Tabelle 1) zu untersuchen. Insbesondere verwendet wir vier lokale topographische Metriken [Hang, profilwölbung (P_Cur), planen Krümmung (Pl_Cur), allgemeine Krümmung (G_Cur)], sieben nichtlokalen topographische Metriken [abflussakkumulation (FA), topographische Relief, positive Offenheit (POP), Upslope Neigung (UpSl), fließen Pfadlänge (FPL), hangabwärts Index (DI), Einzugsgebiet (CA)], und drei kombiniert topographische Metriken [topographische Nässe Index (TWI), Stream Power Index (SPI) und Länge steigungsfaktors (LS)].

Protocol

1. topografische Analysen Digitale Daten Vorverarbeiten LiDAR-Daten aus der GeoTREE LiDAR Mapping-Projekt-Website zu sammeln. Wählen Sie “Begrenzungstyp” und “Region” in einem bestimmten Bereich zu vergrößern. Zeichnen Sie ein Polygon LiDAR-Fliesen für das gewählte Untersuchungsgebiet herunterladen. Konvertieren Sie die LiDAR-Rohdaten in eine LAS-Datei mit geographic Information System (GIS)-Mapping-Tool. DEMs mit einem 3-m räumlicher Auflösung mit inversen Entfernung gewichtet Interpolation zu generieren. Filter der 3-m-DEMs zweimal ein 3-Kernel Tiefpassfilter, Geräusche zu reduzieren mit lokalen Variante zuordnen. Topographische metrische generation Zuerst herunterladen Sie um topographische Metriken zu generieren, die neueste Version von System für automatisierte geowissenschaftliche Analysen (SAGA)23. Klicken Sie auf “Importieren Raster” im Bereich Import/Export um die gefilterte 3-m-DEMs in SAGA zu importieren. Klicken Sie auf die “Neigung, Aspekt, Krümmung” Modul-Saga mit den Standardeinstellungen, die Neigung zu generieren und im Zusammenhang mit der Krümmung [Profil Krümmung (P_Cur), Plan Krümmung (Pl_Cur) und allgemeine Krümmung (G_Cur)] Metriken mit dem gefilterten DEMs (Abbildung 1). Klicken Sie auf das Modul “Flow Accumulation (Top-Down)”-Saga, und wählen Sie “Deterministische Infinity” als Methode zur Strömung Akkumulation (FA) metrisch mit den gefilterten DEMs zu generieren. Klicken Sie auf das Modul “SAGA topographische Offenheit” mit den Standardeinstellungen, die positive Offenheit (POP) Metrik mit einem gefilterten z-verstärkte Bild zu generieren. Klicken Sie auf das Modul “LS-Faktor (Feld basierend)” Saga mit den Standardeinstellungen zu generieren Upslope Hang (Upsl) und Länge (LS_FB) Faktor Metriken mit dem gefilterten DEMs Neigung. Klicken Sie auf das “Flow Weglänge” Modul-Saga mit den Standardeinstellungen, die Strömung Weg Länge (FPL) Metrik mit der gefilterten DEMs zu generieren. Klicken Sie auf das “Hangabwärts Abstand Gradient” Modul-Saga mit den Standardeinstellungen, die hangabwärts Index (DI) metrisch mit den gefilterten DEMs zu generieren. Klicken Sie auf das Modul “SAGA-Nässe-Index” und wählen Sie “absolute Einzugsgebiet” als Satzspiegel, Einzugsgebiet (CA) und topografischen Nässe Index (TWI) Metriken mit dem gefilterten DEMs zu generieren. Klicken Sie auf das Modul “Stream Power Index” der SAGA und wählen Sie “Pseudo bestimmten Einzugsgebiet” als der Bereich Umstellung auf der Stream macht Index (SPI) metrisch mit den gefilterten DEMs zu generieren. Maximale Höhe Karten mit mehreren Radien zu generieren. Filtern Sie die maximale Höhe Karten zweimal durch einen 3-Kernel Tiefpass-Filter. Subtrahieren Sie die gefilterten 3-m DM aus den gefilterten maximale Höhe Karten um eine Reihe von Reliefkarten zu erhalten. Eine Reihe von Relief Variablen um eine Anzahl von Orten zu extrahieren. Führen Sie Hauptkomponentenanalyse (PCA) auf die Relief-Variablen, die Reliefs in topographische Relief Komponenten umzuwandeln. Wählen Sie die Hauptkomponenten, die erklären, mehr als 90 % Varianz des Relief-Datasets als die topographische Relief-Metriken. (2) Felddatenerfassung Feld der Probenahme Wählen Sie eine Reihe von Ackerland Feld Orte, die die Landschaft Merkmale des untersuchungsgebiets angemessen darstellen können und mehrere repräsentative handwerkliche Ackerland Felder, die intensiv verkostet werden können.Hinweis: Die Bodenproben aus zwei Äckern gesammelt wurden für Kalibrierung verwendet. Bodenproben aus das gesamte Untersuchungsgebiet gesammelt wurden für die Modellvalidierung verwendet. Hochladen Sie die Probe-Standort-Koordinaten auf einer Code-basierte geografische Positionsbestimmungssystem (GPS) und platzieren Sie sie physisch in den Bereichen. Sammeln Sie 3 Proben für jede Probenahmeort aus der oberen 30 cm Bodenschicht mit einer Push-Sonde (3,2 cm im Durchmesser).Hinweis: Bodenproben aus 30-50 cm Schichten wurden an den Standorten gesammelt, Sediment Ablagerung erwartet wurde. Die Lautstärke jeder Probe wurde 241 cm3. Geographische Koordinaten Datensatzinformationen der Probenahme Standorten mit Hilfe von GPS. Wiegen Sie die Bodenproben nach deren Trocknung bei 90 ° C für 48 h. berechnen Bodendichte anhand von Informationen der Gesamtstichprobe Volumen an Probenahme Standorten und Gewichte. Mischen Sie die drei Proben von der gleichen Stelle auf eine zusammengesetzten Bodenprobe zu bekommen. Boden-Probenvorbereitung Die zusammengesetzten Bodenproben mit einem 2-mm-Bildschirm durch ein Sieb. Schleifen Sie eine Teilstichprobe von 10 g des gesiebten Bodens zu einem sehr feinen Pulver mit einem Walzenstuhl. Bodenuntersuchungen Probe Messen der gesamte Kohlenstoff im Boden (C) Inhalte in Walze gefräst Proben durch Verbrennung auf einem elementaren CN-Analysator bei einer Temperatur von 1350 ° C. Schätzen Sie Calciumcarbonat C Inhalt durch die Analyse der verbleibenden C nach der organischen Substanz im Boden bei einer Temperatur von 420 ° C 16 h im Ofen backen. Berechnen Sie SOC-Gehalt (%) durch Subtrahieren von Kalziumkarbonat C Inhalt aus gesamtboden C Inhalt. SOC-Dichte (kg m-2) mit Bodendichte umwandeln Sie SOC-Gehalt (%). Marinelli Bechergläser 2 mm gesiebten Boden Mischproben hinein und verschließt diese. Messen Sie 137Cs Konzentration von jeder Probe durch Gammastrahlen-Analyse mit einem Spektroskopie-System, die nimmt Eingaben aus drei hochreine Koaxial Germanium Kristalle (HpCN30 % Effizienz) in 8192-Kanal-Analysatoren (siehe Tabelle der Materialien ). Kalibrieren Sie das System mit einer analytischen gemischte Radionuklid standard11. 137Cs Inventar mit Bodendichte 137Cs Konzentration umwandeln. Berechnen Sie Boden Umverteilung Rate mit 137Cs Inventar durch die Anwendung der Mass Balance Modell II (MBMII) in einem Tabellenkalkulationsprogramm-add-in von Walling Et Al. entwickelt 24. 3. Topographie-basiertes Modell-Entwicklung Topographische Hauptbestandteil Schätzung Extrahieren Sie die topographischen Metriken für die Probenahme Standorten in das gesamte Untersuchungsgebiet und die kleinen Ackerland Felder. Standardisieren Sie die topographischen Metriken der Probenahme Standorte im gesamten Untersuchungsgebiet mit Mittelwert und Standardabweichung. Schätzen Sie die topographischen metrische Belastungen in jeder Komponente auf Basis der standardisierten topographischen Metriken mit PCA mit Statistiksoftware. Sammeln Sie die topographischen metrische Belastungen in jedem topographische Hauptkomponente (TPC) und wählen Sie die oberste TPCs, die 90 % Varianz aller Metriken zu erklären. Die topographischen Metriken der Probenahme lagen in den Bereichen kleine Ackerland zu standardisieren. Berechnen Sie die oberen TPCs für jeden Standort durch Summe von der standardisierten topographischen Metriken, gewichtet mit den entsprechenden Belastungen aus den Sampling-Standorten in der WCW. Kalibrierung Führen Sie schrittweise gewöhnliche zumindest quadratische Regression (SOLSR), Topographie-basierte SOLSRf -Modelle für SOC Dichte und Boden Umverteilung Preise basieren auf alle topographischen Metriken auf den kleinen Äckern zu entwickeln. Verwenden Sie Akaike Information Kriterium (AIC) und Leave-One-Out Kreuzvalidierung, um die optimale Kombination von topographische Metriken für die am besten ausgestattete SOLSRf Modelle auszuwählen. Überprüfen Sie die Kollinearität zwischen den topographischen Variablen mit der Varianz Inflation Faktor (VIF). Entfernen Sie die Variablen mit den größten VIF (VIF ≥ 7,525), und überprüfen Sie erneut VIF. Die Variablen zu entfernen, bis die Vif aller Variablen < 7.5 sind. Führen Sie SOLSR um zu entwickeln Topographie-basierte SOLSRR SOC Dichte und Boden Umverteilung Preise basieren auf topographische Metriken, die entfernten hohen Kollinearität Variablen wurden. Verwenden Sie die AIC und Leave-One-Out Kreuzvalidierung, um die optimale Kombination für die am besten ausgestattete SOLSR-R -Modelle auszuwählen. Führen Sie schrittweise Hauptbestandteil Regression (SPCR) zur Entwicklung Topographie-basierte SPCR Modelle für SOC Dichte und Umverteilung Preise basieren auf TPCs auf den kleinen Äckern des Bodens. Verwenden Sie die AIC und Leave-One-Out Kreuzvalidierung um die optimale Kombination von TPCs für die am besten ausgestattete SPCR Modelle auszuwählen. Berechnen der bereinigte Koeffizient der Bestimmung (Radj2), Nash Sutcliffe Effizienz (NSE) und Verhältnis von der Root-Mean-Square-Fehler, die Standardabweichung der gemessenen Daten (RSR) Modell Effizienz zu beurteilen. Modellevaluierung SOC-Dichte zu schätzen und Umverteilung Preise im gesamten Untersuchungsgebiet durch Anwendung der geschätzten Modelle des Bodens. Das entwickelte Modell durch den Vergleich der Vorhersage mit gemessenen Dataset SOC Dichte zu validieren und Umverteilung Preise im gesamten Untersuchungsgebiet des Bodens. Bewerten die Modell-Leistungen mit Radj2, NSE und RSR Werte.

Representative Results

Wir haben die Walnut Creek Watershed (WCW) als eine Testumgebung Durchführbarkeit der Topographie-basierte Modelle in Untersuchung Boden Umverteilung und SOC-Dynamik. Die Wasserscheide befindet sich in Boone und Story County im Bundesstaat Iowa (41 ° 55′ 42 ° 00 ‘ n; 93 ° 32′ 93 ° 45’ W) mit einer Fläche von 5.130 ha (Abbildung 2). Ackerland ist das dominierende Land Art in der WCW, mit einem relativ flachen Gelände (Mittelwert 90 m, topographische Relief 2,29 m). Pflügen, disking, Meißel und erschütternde Vorgänge sind die wichtigsten Bodenbearbeitung Praktiken in der Ernte Felder26,27; Bodenbearbeitung Richtungen variieren jedoch aufgrund der unterschiedlichen Management-Praktiken. Vier hundert und sechzig Ernte Feld Standorte wurden zufällig ausgewählt, um topographische Informationen in der WCW (Abbildung 2) ableiten. 100 aus der 460 Standorten, darunter zwei 300 m Transekten (jeweils haben 9 Probenahme Standorten), wurden ausgewählt, um Feld Messungen durchzuführen und für die Analyse von SOC und Boden Umverteilung. Darüber hinaus wurden zwei kleine Wiese mit topografische Landschaft, Bodenarten und Bodenbearbeitung Praktiken ähnlich wie die WCW für intensivere Kostproben ausgewählt. Bei jeder kleinen Wiese ein 25 × 25 m Rasterzelle entstand, und 230 Probenahme Standorten befanden sich am Rasterknoten (Abbildung 3). Topographischer Metriken und Boden-Eigenschaftsinformationen wurden für die 230 Standorten berechnet. Die topographischen Metriken in der WCW wurden nach dem oben genannten Protokoll generiert. Die WCW zeichnet sich mit niedrigen bis mäßigen Topographie (Höhe von 260 bis 325 m) mit eine relative geringe Steilheit (von 0 bis 0,11 Bogenmaß), Upslope Hang (0 bis 0,09 m) und moderaten Krümmungen (Profil Krümmung:-0.009 auf 0,009 m-1, planen Krümmung:-0.85 auf 0,85 m-1, allgemeine Krümmung:-0.02 auf 0,02 m-1). Die vertikale Höhe der DEMs wurden 100 mal vergrößert, um die Konturen des relativ geringen-Skala Reliefs gefunden in der WCW zur Schaffung positiver Offenheit Metriken (POP100) zu erhöhen. Nach der Konvertierung die Palette der positiven Offenheit von 0,08 Bogenmaß erhöht (POP: 1,51-1,59 Bogenmaß) zu 0,86 Bogenmaß (POP100: 0,36-1.22 Bogenmaß). Für das topographische Relief erzeugt wir sieben Reliefkarten mit folgenden Radien: 7,5 m, 15 m, 30 m, 45 m, 60 m, 75 m und 90 m. Zwei Hauptkomponenten Relief wurden ausgewählt, basierend auf Ergebnissen der PCA auf die sieben Relief-Variablen. Der erste grobe Auflösung Relief Variation mit Relief45 m zeigte als die wichtigste Variable. Wir haben diese Komponente als das große Relief (LsRe) definiert. Die zweite Komponente, die stark korreliert mit Relief7,5 m und Feinauflösung Relief Variation vorgelegt wurde, wurde als das kleinräumige Relief (SsRe) definiert. Die Ergebnisse der Analysen der Korrelation zwischen topographische Metriken und SOC Dichte/Boden Umverteilung sind in Tabelle 2. TWI und LsRe zeigte die höchsten Korrelationen mit SOC Dichte und Boden Umverteilung Preise, beziehungsweise. Räumliche Muster der beiden Metriken sind in Abbildung 4dargestellt. Details der TWI und LsRe können besser vom Bereich Transekt beobachtet werden. Beide Kennzahlen zeigte hohe Werte im depressional Bereich und niedrige Werte im abfallenden und Grat. Unterschiede zwischen den beiden Metriken traten jedoch in Graben Bereiche, wo die TWI ausgestellt extrem hohe Werte, aber die Werte des LsRe unterschieden sich nicht von angrenzenden Gebieten. Nach dem Generieren der fünfzehn topographischen Metriken, verwendeten wir PCA zu diesen topografischen Variablen über 460 Probenahmestellen in der WCW. Die ersten sieben topographischen Hauptkomponenten (TPCs), das erklärt mehr als 90 % Variabilität des gesamten topographische Datasets wurden ausgewählt. Fünf TPCs, die letzten ausgewählt wurden, um die Topographie-basierte Modelle bauen sind in Tabelle 3aufgeführt. Für die erste Hauptkomponente (TPC1) zeigte G_Cur die höchste Belastung. Neigung, TWI, Upsl und LS_FB waren die wichtigsten Kennzahlen im TPC2, mit Belastungen größer als 0,35. Im TPC3, FA, SPI und CA waren wichtige Metriken, mit Belastungen von 0.482, 0.460 und 0,400, beziehungsweise. FPL (-0.703) und Pl_Cur (0.485) waren das wichtigste in der TPC6. Die wichtigsten Kennzahlen mit hohen Belastungen in der TPC7 wurden SsRe (0.597), DI (0,435), FPL (0.407) und Pl_Cur (0.383). Kollinearität topographische Variablen wurde durch die Untersuchung VIF überprüft. Der 15 Metriken wurden aufgrund der hohen Vif Neigung, TWI und G_Cur entfernt. Basierend auf Boden Umverteilung Preise und Kohlenstoff Dichte Daten von Seiten 1 und 2, SOLSR Modelle wurden entwickelt mit allen 15 Metriken (SOLSRf) und die 12 Metriken mit kollinearen Kovariate entfernt (SOLSRR) (Tabelle 4). Im allgemeinen wurden über 70 % und 65 % der Variabilität in SOC Dichte und Boden Umverteilung Preise von der SOLSR-f -Modelle, bzw. erläutert. Bei den Modellen mit kollinearen Kovariate entfernt (SOLSRR) wurden Simulation Effizienz etwas niedriger als SOLSR-f -Modelle (68 % bei SOC Dichte und 63 % für Boden Umverteilung). NSEs waren etwas niedriger und RSR lagen leicht in SOLSR-R -Modelle als in SOLSR-f -Modelle. Für SPCR Modelle werden ähnliche Simulation Effizienz als SOLSRR in Tabelle 4beobachtet. Jedoch wurden weniger unabhängigen Variablen SPCR Modelle (weniger als 5 Variablen) als die SOLSRf und SOLSR-R -Modelle (mehr als 6 Variablen) ausgewählt. TPCs 1, 2, 3 und 7 wurden ausgewählt, als die unabhängige Variable Kombinationen für die SOC-Modell und TPCs 1, 2, 3, 6 und 7 als die Kombination für die Umverteilung Bodenmodell ausgewählt wurden. Wir fanden, dass die SPCR-Modelle die besten Vorhersagen hatten und die SOLSR-R -Modelle die ärmsten Leistungen an der Wasserscheide-Skala zeigten. Die Koeffizienten der Bestimmung (R2) durch den Vergleich SOC Dichte Vorhersage zur Beobachtung von erhöht: 1) 0,60 in SOLSRf und 0,52 in SOLSRR bis 0,66 SPCR und NSE (2) erhöhte sich von 0,21 in SOLSRf und 0,16 in SOLSRr , 0,59 in SPCR; während RSR von 0,87 in SOLSRf und 0,91 in SOLSRR auf 0,64 im SPCR reduziert. Boden Umverteilung Rate Vorhersage in SPCR entfielen 36 % der Variabilität in der gemessenen Variablen und war höher als die Prognosen von SOLSRf (34 %) und SOLSRR (0,35 %). Eine höhere NSE und unteren RSR in SPCR (NSE = 0,33, RSR = 0,82) im Vergleich zu SOLSRf (NSE = 0,31, RSR = 0,83) und SOLSRR (NSE = 0,32, RSR = 0,82) auch eine bessere Leistung im Boden Umverteilung Rate Simulation von SPCR gezeigt. Nach dem Modell Leistungsbewertungen SPCR Modelle wurden ausgewählt, um SOC Dichte erzeugen und Boden Umverteilung Satz Karten an der Wasserscheide-Skala. Die Karten aufgedeckt konsistente Muster zwischen Modellsimulationen und Feldmessungen (Abbildung 5). Die hohe Konsistenzen zwischen Simulationen und Beobachtungen wurden deutlicher entlang der Transekte. Beide SOC Dichte und Boden Umverteilung Preise zeigten hohe Korrelationen mit Topographie der Landschaft. Hohe Werte von SOC Dichte finden Sie im Hangfuß und Ablagerungsprozessen Bereiche, wo Boden Ablagerung eingetreten, während niedrige Werte der SOC-Dichte bei abfallenden beobachtet wurden Bereiche, wo Bodenerosion stattfand. Abbildung 1 : Die Neigung, Aspekt, Krümmung Modul im System für automatisierte geowissenschaftliche Analysen (SAGA). Die Polygone zeigen die Standorte der Studienbereiche. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 2 : Lage von Walnut Creek Watershed und Probenahmestellen im Einzugsgebiet (Iowa). Diese Zahl wurde von früheren Arbeiten17angepasst. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 3 : Position der beprobten Standorte (a) 1 und 2 (b) (z-Achse 15 X Höhe). Diese Zahl wurde von früheren Arbeiten17angepasst. Bitte klicken Sie hier für eine größere Version dieser Figur.  Abbildung 4 : Karten topographische Metrik. (a) topographische Nässe Index (TWI) und (b) große topographische Relief (LsRe) in Walnut Creek Watershed und Transekt Bereich (z-Achse 15 X Höhe). Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 5 : Boden Umverteilung rate (t ha-1 Jahr-1( ) Karten und SOC-Dichte (kg m-2) Karten .  Gezeigt werden Umverteilung Bodenkarten (a) innerhalb der Walnut Creek Watershed und (b) entlang zwei Transekten. Gezeigt werden SOC Dichte (kg m-2) Karten (c) im Rahmen der Walnut Creek Watershed und (d) entlang zwei Transekten mit der schrittweisen Hauptbestandteil-Analyse-Modelle (z-Achse 15 X Höhe). Bitte klicken Sie hier für eine größere Version dieser Figur. Variablen Bedeutung Steigung (Bogenmaß) Abfluss-Geschwindigkeit, Boden wässern Inhalt28,29 Profilwölbung (m-1) Fließen Sie, Beschleunigung, Bodenerosion, Deposition Satz11,30 Planen Sie Krümmung (m-1) Fließen Sie, Konvergenz und Divergenz, Boden Wasser Inhalt30 Allgemeine Krümmung (m-1) Abfluss-Geschwindigkeit, Bodenerosion, Ablagerung29 Abflussakkumulation Boden Wasser Inhalt, Ablauf Band20 Topographische Relief (m) Landschafts-Entwässerung Eigenschaften, Abfluss-Geschwindigkeit und Beschleunigung21,31  Positive Offenheit (Bogenmaß) Drainage-Eigenschaften-Landschaft, Boden Wasser Inhalt32 Upslope Steigung (m) Abfluss-Geschwindigkeit33,34 Flow Weglänge (m) Sediment Ausbeute, Erosion bewerten35  Hangabwärts Index (Bogenmaß) Boden Wasser Inhalt36 Einzugsgebiet (m2) Stichwahl Geschwindigkeit und Lautstärke33,37  Topographische Nässe Index Boden Feuchtigkeit Verteilung28,38,39  Stream Power Index Bodenerosion, Konvergenz der Durchfluss40  Länge Steigungsfaktors Fließen Sie Konvergenz und Divergenz28,40 Tabelle 1: Bedeutungen von ausgewählten topographische Metriken. Steigung P_Cur Pl_Cur G_Cur FA LsRe SsRe POP Upsl FPL DI CA TWI SPI LS_FB (Bogenmaß) (m-1) (m-1) (m-1) (m) (m) (Bogenmaß) (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 und G_Cur sind profilwölbung, Plan Krümmung und allgemeine Krümmung bzw.; FA ist abflussakkumulation; RePC1 und RePC2 sind topographische Relief Komponente 1 und 2, bzw.; POP100 ist positive Offenheit; Upsl ist Upslope Hang; FPL ist Weg Fließlänge; DI ist hangabwärts Index; CA ist Einzugsgebiet; TWI ist topographische Nässe Index; und SPI ist Stream Power Index; und LS_FB ist Länge steigungsfaktors (Feld basierend). * P < 0,05, ** P < 0,005, *** P < 0,0001. †Correlation Koeffizienten > 0,5, ‡Highest Korrelationskoeffizient für die einzelnen Eigenschaften des Bodens. Tabelle 2: Der Spearman Rangkorrelation (n = 560) zwischen ausgewählten topographische Metriken und organischem Kohlenstoff (SOC) Bodendichte und Boden Umverteilung Rate (SR). TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%) Steigung 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 und G_Cur sind profilwölbung, Plan Krümmung und allgemeine Krümmung bzw.; FA ist abflussakkumulation; RePC1 und RePC2 sind topographische Relief Komponente 1 und 2, bzw.; POP100 ist positive Offenheit; Upsl ist Upslope Hang; FPL ist Weg Fließlänge; DI ist hangabwärts Index; CA ist Einzugsgebiet; TWI ist topographische Nässe Index; und SPI ist Stream Power Index; und LS_FB ist Länge steigungsfaktors (Feld basierend). †Loadings > 0,35. Tabelle 3: Variable Belastungen in die Hauptkomponenten (TPCs) berechnet für topographische Metriken (n = 460) in Walnut Creek Watershed. Modell R2adj NSE RSR Schrittweise Hauptbestandteil 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 Schrittweise gewöhnliche zumindest quadratische 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 Schrittweise gewöhnliche zumindest quadratische Regression mit kollinearen Kovariate entfernt (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 † Die Reihenfolge der TPCs basiert auf der schrittweisen selektionsschritte R2adj ist angepasste Bestimmungskoeffizient; NSE ist Nash Sutcliffe Effizienz; RSR soll Verhältnis von der Root-Mean-Square-Fehler (RMSE) die Standardabweichung der gemessenen Daten. TPC stellt topographische Hauptkomponente dar. TWI ist topographische Nässe Index; FPL ist Weg Fließlänge; P_Cur, Pl_Cur und G_Cur sind profilwölbung, Plan Krümmung und allgemeine Krümmung bzw.; LS_FB ist Länge steigungsfaktors (Feld basierend); LsRe und SsRe sind große und kleine topographische Reliefs, beziehungsweise; DI ist hangabwärts Index; und Upsl Upslope Hang. Tabelle 4: Modelle von organischem Kohlenstoff (SOC) Bodendichte und Boden Umverteilung Preise (SR) für landwirtschaftliche Felder basierend auf topographische Metriken auf Seiten 1 und 2.

Discussion

SOLSR-f -Modelle hatten etwas bessere Leistungen als die SPCR-Modelle bei der Kalibrierung auf der Skala. Allerdings sind einige der topographischen Metriken, wie SPI und CA (R > 0,80), eng miteinander korreliert. Die Kollinearität möglicherweise hinzufügen Modellvorhersagen Unsicherheiten. Wegen der Multikollinearität unter Prädiktoren können kleine Änderungen in den Eingangsgrößen Modell Vorhersagen41erheblich beeinflussen. Daher der SOLSRf -Modelle tendenziell instabil und zeigte geringe Effizienz bei Simulationen von SOC Dichte und Boden Umverteilung an der Wasserscheide-Skala. SPCR Modelle übertraf deutlich die SOLSRf -Modelle in der Vorhersage der SOC-Distribution auf der Wasserscheide-Skala. TPCs beseitigen die Multikollinearität durch die Umwandlung der fünfzehn topographischen Metriken in voneinander unabhängige (orthogonal) Komponenten. Die Konvertierung auch aufgedeckt zugrunde liegenden Beziehungen zwischen topographische Metriken. Da durch den hohen Belastungen (> 0,35) topographische Metriken für die Komponenten angezeigt, wurden die TPC1, TPC2, TPC3, TPC6 und TPC7 bzw. Abfluss-Geschwindigkeit, Boden Wassergehalt Abfluss Volumen, Fluss Divergenz und Beschleunigung der Strömung, zugeordnet. Räumliche Muster des Bodens Umverteilung Preise und SOC Verteilung waren hoch korreliert mit Boden Wassergehalt und Abfluss Divergenz in der WCW, die im Einklang mit der Studie von Fuchs und Papanicolaou2, die gezeigt, dass erodierten Boden aus Upland könnte Divergenz der Strömung in einem Flachrelief landwirtschaftliche Wasserscheide beeinflusst werden.

Darüber hinaus reduziert weniger Prädiktorvariablen in der SPCR-Modelle als die SOLSRf und SOLSRR Modelle das Risiko der Montage über die Vorhersage-Modelle42,43. Es gab mehr als sechs Variablen in SOLSR Modelle, die die Schwierigkeit der Interpretation der Daten erhöhen und verursachen hohe Varianz in Modell-Simulationen41,44,45. Dies kann die untere Vorhersage Wirkungsgrade in der WCW durch die SOLSR-Modelle als durch die SPCR Modelle entfallen.

Topographie-basierte SPCR Modelle Vorteile haben Boden Umverteilung und damit verbundenen SOC Dynamik zu simulieren. Erste, topografische Informationen kann leicht von DEMs abgeleitet werden. Den letzten erhöhte Zugänglichkeit der hohen räumlichen Auflösung LiDAR-Daten kann helfen, verbessert die Genauigkeit der DM-abgeleitete Landschaft Topographie und Untersuchungen in Regionen mit begrenzten Bereich Beobachtungen profitieren. Zweitens können mit einem Satz von topographische Metriken und statistischen Analysen, die Topographie-basierte Modelle effizient Boden Umverteilung und SOC Verteilungsmuster quantifizieren. Drittens kann die Anwendung der Hauptbestandteil effektiv reduzieren Vorurteile Multikollinearität topographische Metriken zugeordnet und erhöhen die Stabilität der schrittweisen Regressionsmodelle angewandt auf mehreren räumlichen Skalen.

Jedoch können die SPCA Modelle von Variablen während der Entwicklung des Modells beschränkt werden. Obwohl die Anwendung von LiDAR-Daten in ökologischen Studien erhöht, haben die Methoden, um nützliche topografische Informationen ableiten noch nicht vollständig erforscht. In dieser Studie zeigte die TWI und LsRe die höchsten Korrelationen mit SOC Dichte und Boden Umverteilung Preise, beziehungsweise. Zusätzliche topografische Variablen, die nicht gelten können jedoch genauso oder sogar noch wichtiger, Bodenerosion und C Dynamik zu erklären. Zusätzlich wurden andere Faktoren wie Management-Praktiken, die Boden-Erosion-Variabilität verursachen, nicht in diese Studie aufgenommen. Als Bodenbearbeitung parallel zur Richtung maximalen Neigung war, kann z. B. Bodenerosion im Verhältnis zu der Erosion in schräg Bodenbearbeitung Boden Upslope46drehen verdoppeln. Daher möglicherweise unterschiedliche Bodenbearbeitung Praktiken auch ein Grund für die reduzierte Vorhersage Wirkungsgrade der SPCR-Modelle.

Die Studie basiert auf dem Papier in Catena17veröffentlicht. Statt eine mechanistische Analyse der topografische Einflüsse auf Erde-Bewegung und Bodeneigenschaften wie in der Catena Papier durchgeführt konzentrierten hier wir uns auf die Methoden zur Quantifizierung der topographischer Metriken und Topographie-basierte Modelle zu entwickeln. Wir diskutierten die Machbarkeit und die Vorteile der Verwendung von Topographie-basierte Modelle in Studien der räumlichen Struktur von Bodeneigenschaften. Inzwischen haben wir unsere Modelle durch die Algorithmen der Steigung Länge Faktor und Flow Akkumulation Aktualisierung verbessert. Das Ausmaß der Neigungsmessung Länge Faktor beschränkte sich auf das Gebiet. Darüber hinaus wurde die deterministische Infinity-Algorithmus für Flow-Ansammlung-Generierung verwendet. Im Vergleich zur Methode in Li Et Al. berichtet 17 die abflussakkumulation mit einem deterministischen acht Knoten-Algorithmus, der Unendlichkeit Algorithmus angenommen in dieser Studie erzeugt reduziert Schleifen in den Fluss Richtung Winkeln und erwies sich als ein besserer Algorithmus für Flachrelief Bereiche47.

Zusammenfassend zeigen unsere Ergebnisse die Machbarkeit der Topographie-basierte SPCR Modelle SOC Verteilung und Boden Umverteilung Muster in Bereichen der Landwirtschaft zu simulieren. Als kostengünstige Methode zur Schätzung SOC Bestände und Boden Umverteilung Preise gilt es für Websites mit begrenzten Beobachtungsdaten und privatem Land ohne öffentlichen Zugang. In Zukunft Studien, die Vorhersage, die Modelle mit Weiterentwicklung und Verfügbarkeit von LiDAR-Daten und Aufnahme von zusätzlichen topographische Metriken verbessert werden könnte. Die groß angelegte Anwesen Bodenkarten, die entwickelt wurden basierend auf den Modellen führt zu weiteren Verständnis für die Mechanismen der topographischen Auswirkungen auf die Erde-Bewegung in Agrarlandschaften und das Schicksal der SOC an der Wasserscheide und regionalen Skalen.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Forschung wurde unterstützt durch die USDA Natural Resources Conservation Service in Verbindung mit der Feuchtgebiet Bestandteil der nationalen Effekte Bewertung Naturschutzprojekt (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