Summary

Utilizzo di componenti Principal per Scaling Up modelli topografici per mappare la ridistribuzione del suolo e del suolo di carbonio organico

Published: October 16, 2018
doi:

Summary

Processi di paesaggio sono componenti critici della formazione del terreno e svolgono un ruolo importante nel determinare la proprietà del suolo e struttura spaziale in paesaggi. Vi proponiamo un nuovo approccio usando la regressione stepwise componente principale per predire la ridistribuzione del suolo e carbonio organico del suolo attraverso varie scale spaziali.

Abstract

Paesaggio topografia è un fattore critico che interessano la formazione del terreno e svolge un ruolo importante nel determinare la proprietà del terreno sulla superficie terrestre, come regola il movimento di gravità del suolo indotto dalle attività di deflusso e lavorazione del terreno. La recente applicazione di Light Detection and Ranging (LiDAR) dati tiene la promessa per la generazione di statistiche topografica di elevata risoluzione spaziale che può essere utilizzato per studiare la variabilità di proprietà del terreno. In questo studio, quindici topografiche metriche derivate da dati LiDAR sono stati utilizzati per indagare topografici impatti sulla ridistribuzione del suolo e della distribuzione spaziale di carbonio organico del suolo (SOC). In particolare, abbiamo esplorato l’uso di componenti principali rilievi topografici (TPC) per la caratterizzazione di topografia metriche e regressione stepwise componente principale (SPCR) per sviluppare modelli di SOC alla scala sito e spartiacque e l’erosione del suolo basato su topografia. Prestazioni dei modelli di SPCR è stata valutata contro graduale ordinaria almeno quadrato (SOLSR) i modelli di regressione. Risultati hanno mostrato che SPCR modelli ha superato SOLSR modelli nel predire tassi di ridistribuzione del suolo e la densità SOC a diverse scale spaziali. Uso di TPCs rimuove potenziali collinearità tra le variabili di input individuali e riduzione della dimensionalità di analisi delle componenti principali (PCA) diminuisce il rischio di overfitting i modelli di previsione. Questo studio propone un nuovo approccio per la modellazione di ridistribuzione del suolo attraverso varie scale spaziali. Per una sola applicazione, l’accesso a terreni privati è spesso limitata, e la necessità di estrapolare i risultati da siti di studio rappresentativo per impostazioni più grandi che includono terreni privati può essere importante.

Introduction

Ridistribuzione del suolo (erosione e deposizione) esercita un impatto significativo sulle riserve di carbonio organico (SOC) di terreno e dinamiche. Aumentando gli sforzi sono stati dedicati ad indagare come SOC è staccato, trasportati e depositati sopra il paesaggio1,2,3. Carbon (C) sequestro e distribuzione SOC sono influenzati dal movimento di gravità del suolo indotta da acqua erosione4,5,6. Nei campi coltivati, lo spostamento del terreno di coltivazione è un altro importante processo contribuendo a C ridistribuzione7,8,9. Lavorazione del terreno erosione provoca un movimento lungo il pendio netto considerevole di particelle di suolo e conduce ad una variazione di terreno all’interno del campo10. Erosione di lavorazione del terreno e dell’acqua sono significativamente influenzata da topografia del paesaggio, che determina le posizioni dei siti erosiva e deposizionale11. Di conseguenza, regolamento di erosione di terreno efficace e C indagine dinamica nelle chiamate di terreni agricoli per una migliore comprensione dei controlli topografici su erosione del suolo e movimenti.

Parecchi studi hanno studiato l’impatto della topografia sulla ridistribuzione del suolo e albergo associato SOC dynamics9,12,13,14,15,16, 17. van der Perk et al. 12 segnalati che fattori topografici spiegato 43% della variabilità nella ridistribuzione del suolo. Rezaei e Gilkes13 trovato superiore SOC in terreni su un aspetto ombroso, a causa di temperature più basse e meno evaporazione rispetto ad altri aspetti in pascoli. Topografia può avere un impatto più significativo sulla ridistribuzione del suolo in terreni agricoli con trattamento tradizionale lavorazione rispetto a quelli con minima lavorazione, a causa delle interazioni tra morfologia e lavorazione pratiche9. Tuttavia, questi risultati sono stati ricavati principalmente da osservazioni di campo, che presentano difficoltà nell’investigare le proprietà del suolo a scala territoriale più ampia. C’è un urgente bisogno di sviluppare nuove strategie per comprendere efficacemente modelli spaziali di proprietà del terreno alle scale regionali e spartiacque.

L’obiettivo di questo studio è quello di sviluppare modelli efficienti per simulare la ridistribuzione del suolo e distribuzione SOC. Modelli basati su topografia utilizzando metriche topografica come predittori sono stati sviluppati per quantificare i processi di erosione e deposizione del suolo. Confrontato con empirica o processo basati erosione modelli quello impiegato campionamenti discreti campo per simulare suolo erosione18,19, modelli basati su topografia potrebbero essere sviluppati basato su informazioni topografiche derivati da digitale modelli di elevazione (DEM) con risoluzioni elevate. Questo approccio consente simulazioni di proprietà terreno continuo al bacino idrografico o su scala regionale. Negli ultimi decenni diversi, accuratezza delle informazioni topografiche è sostanzialmente migliorata, con l’aumento della disponibilità di dati ad alta risoluzione in modalità remota percepito. Sebbene gli studi precedenti hanno impiegato i modelli basati su topografia per simulare il terreno proprietà12,20,21,22, la maggior parte di queste indagini usato una singola metrica topografica o per categoria di metriche topografica (locale, non locale o combinato topografica metriche), che non abbiano sufficientemente esplorato topografici impatti sull’attività microbica del terreno. Pertanto, per ottenere una migliore comprensione dei controlli di topografia per l’erosione del suolo e la dinamica di C, abbiamo esaminato una serie completa di metriche topografica tra cui metriche topografiche locali, non locale e combinato e sviluppato multi-variabile basato su topografia modelli per simulare la dinamica di proprietà del suolo. Le applicazioni di questi modelli devono fornire un supporto scientifico per migliore controllo di erosione del suolo e gestione di terreni agricoli.

Topografiche metriche sono generalmente classificati in tre categorie: metriche topografica) locali, b) non locale topografica metriche o c) combinato metriche topografica. Metriche topografiche locali si riferiscono alle caratteristiche locali di un punto sulla superficie della terra. Non-locale topografiche metriche consultare la posizione relativa dei punti selezionati. Metriche topografiche combinati integrano metriche topografiche locali e non locali. Un set di metriche topografiche che interessano l’erosione del suolo e deposizione sono stati utilizzati in questo studio per indagare i controlli topografici sul movimento del terreno e le scorte di C (tabella 1). In particolare, abbiamo usato quattro metriche topografiche locali [pendenza, curvatura del profilo (P_Cur), piano di curvatura (Pl_Cur), curvatura generale (G_Cur)], sette non locale topografiche metriche [accumulo di flusso (FA), rilievo topografico, apertura positiva (POP), salita pendenza (UpSl), lunghezza del percorso di flusso (FPL), lungo il pendio indice (DI), bacino di utenza (CA)], e tre unita metriche topografiche [Indice topografico umidità (TWI), indice di potenza del flusso (SPI) e fattore di lunghezza di pendio (LS)].

Protocol

1. rilievo topografici analisi Pre-elaborazione dei dati digitali Raccogliere dati LiDAR dal sito del progetto di mappatura GeoTREE LiDAR. Selezionare “tipo di limite” e “regione” per ingrandire un’area specifica. Disegnare un poligono per scaricare LiDAR piastrelle per l’area di studio selezionato. Convertire i dati LiDAR non elaborati in un file LAS utilizzando lo strumento di mappatura geografica informazioni sistema (GIS). Generare DEMs con una risoluzione spaziale di 3-m tramite interpolazione inversa distanza ponderata. Filtrare i DEMs 3-m due volte con un filtro passa-basso 3-kernel per ridurre rumori associato con variazione locale. Generazione di metrica topografica Per generare metriche topografica, prima di scaricare l’ultima versione del sistema per analisi Geoscientific automatizzato (SAGA)23. Fare clic su “Importazione Raster” nella sezione Importazione/esportazione per importare i DEMs 3M filtrati nella SAGA. Fare clic sul modulo “Pendenza, esposizione, curvatura” della SAGA con le impostazioni predefinite per generare la pendenza e curvatura-correlati [profilo di curvatura (P_Cur), piano di curvatura (Pl_Cur) e curvatura generale (G_Cur)] metrica utilizzando i DEMs filtrati (Figura 1). Scegliere il modulo di “Accumulo di flusso (Top-Down)” della SAGA e selezionare “Deterministico infinito” come il metodo per generare metrica di accumulo (FA) di flusso utilizzando la DEMs filtrata. Scegliere il modulo di “SAGA topografica apertura” con le impostazioni predefinite per generare la metrica di apertura positiva (POP) usando un’immagine amplificata filtrata dell’asse z. Scegliere il modulo di “LS-fattore (campo base)” della SAGA con le impostazioni predefinite per generare la pendenza di salita (Upsl) e metriche di fattore (LS_FB) di lunghezza utilizzando i DEMs filtrati del pendio. Fare clic sul modulo di “lunghezza di percorso di flusso del” della SAGA con le impostazioni predefinite per generare la metrica di lunghezza (FPL) percorso di flusso utilizzando la DEMs filtrata. Fare clic sul modulo “Downslope distanza sfumatura” della SAGA con le impostazioni predefinite per generare la metrica di indice (DI) lungo il pendio utilizzando la DEMs filtrata. Fare clic sul modulo “Indice di umidità SAGA” e selezionare “bacino assoluto” come tipo di zona per generare il bacino di utenza (CA) e metriche di indice (TWI) topografica umidità utilizzando i DEMs filtrati. Fare clic sul modulo “Stream Power Index” della SAGA e selezionare “pseudo specifico bacino di utenza” come la conversione di Area per generare la metrica di index (SPI) potere di flusso utilizzando la DEMs filtrata. Generare mappe di elevazione massima con raggi multipli. Filtrare le mappe di elevazione massima due volte attraverso un filtro passa-basso kernel 3. Sottrarre il filtrato DEM 3-m dalle mappe di elevazione massima filtrata per ottenere una serie di mappe in rilievo. Estrarre una serie di variabili di rilievo per un numero di posizioni. Eseguire analisi delle componenti principali (PCA) sulle variabili sollievo per convertire i rilievi in componenti di rilievo topografico. Selezionare i componenti principali che spiegano più di 90% varianza del dataset sollievo come le metriche di rilievo topografico. 2. raccolta dei dati Campionamento del campo Selezionare un numero di posizioni di campo campo di grano che possono adeguatamente rappresentare le caratteristiche di paesaggio della zona di studio e diversi campi rappresentante cropland su piccola scala che possono essere provati intensivamente.Nota: I campioni di suolo raccolti dai due campi coltivabili sono stati utilizzati per la calibrazione del modello. Campioni di suolo raccolti dall’intera area di studio sono stati utilizzati per la convalida del modello. Caricare tutte le coordinate di posizione del campione su un base di codice geografico sistema di posizionamento (GPS) e localizzarli fisicamente nei campi. Raccogliere 3 campioni per ogni posizione di campionamento dallo strato di terra alto 30 cm utilizzando una sonda (3,2 cm di diametro).Nota: Sono stati raccolti campioni di suolo da strati di 30-50 cm in siti dove era prevista la deposizione di sedimenti. Il volume di ogni campione è stato 241 cm3. Registrare informazioni sulle coordinate geografiche di campionamento posizioni utilizzando il GPS. Pesare i campioni del terreno dopo la loro essiccazione a 90 ° C per densità di 48 h. Calculate del terreno utilizzando informazioni di volumi di campione totale a pesi e punti di campionamento. Mescolare i tre campioni dalla stessa posizione per ottenere un campione di terreno composito. Preparazione del campione di suolo Passare al setaccio i campioni di terreno composito con uno schermo di 2 mm. Macinare un sottocampione di 10 g di terreno setacciato una polvere molto fine con un mulino a rulli. Analisi del campione di suolo Misurare il terreno totale contenuto di carbonio (C) in campioni di rullo fresato attraverso combustione su un analizzatore elementare CN ad una temperatura di 1350 ° C. Consente di stimare il contenuto di carbonato di calcio C analizzando il C rimanenti dopo la materia organica del suolo ad una temperatura di 420 ° C per 16 ore in un forno di cottura. Calcolare SOC contenuto (%) sottraendo il contenuto di carbonato di calcio C dal suolo totale C contenuto. Convertire SOC contenuto (%) a densità SOC (kg m-2) utilizzando la densità del terreno. Mettere i campioni di terreno setacciato 2 mm alla rinfusa in bicchieri di Marinelli e li sigilla. Misurare la concentrazione di Cs 137di ciascun campione attraverso l’analisi di raggi utilizzando un sistema di spettroscopia che riceve gli input dai tre cristalli di germanio coassiale di elevata purezza (HpCN30% di efficienza) in analizzatori di 8192-canale (Vedi tabella materiali ). Calibrare il sistema usando un analitico del radionuclide misto standard11. Convertire 137concentrazione Cs all’inventario di Cs 137utilizzando la densità del terreno. Calcolare il tasso di ridistribuzione del suolo utilizzando 137Cs inventario applicando il Mass Balance modello II (MBMII) in un foglio di calcolo aggiuntivo programma sviluppato da Walling et al. 24. 3. base di topografia modello sviluppo Valutazione topografica componente principale Estrarre le misurazioni topografiche per campionamento posizioni nei campi coltivabili su piccola scala e l’intera area di studio. Standardizzare le metriche topografiche di punti di campionamento nell’area di studio intero utilizzando media e deviazione standard. Stimare i carichi di metrica topografici in ogni componente in base alle metriche topografiche standardizzate utilizzando PCA con software di analisi statistica. Raccogliere i carichi metrici topografici in ogni componente principale topografica (TPC) e selezionare il TPC superiore che spiegare la varianza di 90% di tutte le metriche. Standardizzare le metriche topografiche di punti di campionamento nei campi coltivabili su piccola scala. Calcolare il TPC superiore per ogni posizione di somma delle metriche topografiche standardizzate ponderate mediante i corrispondenti carichi dai punti di campionamento in WCW. Calibrazione del modello Eseguire la regressione stepwise ordinaria almeno quadrato (SOLSR) per sviluppare modelli basati su topografia SOLSRf per densità SOC e tassi di ridistribuzione del suolo basati su tutte le metriche di rilievi topografiche presso i campi coltivabili su piccola scala. Utilizzo informazioni di Akaike (AIC) e leave-one-out cross-validazione per selezionare la combinazione ottimale di topografica metriche per i modelli dif SOLSR meglio attrezzati. Verifica la collinearità tra le variabili topografiche utilizzando il fattore di inflazione della varianza (VIF). Rimuovere le variabili con la più grande VIF (VIF ≥ 7,525) e controllare di nuovo VIF. Rimuovere le variabili fino a VIFs di tutte le variabili sono < 7.5. Eseguire SOLSR per sviluppare modelli basati sulla topografia SOLSRr per densità SOC e tassi di ridistribuzione sulla base di metriche topografiche che sono stati rimossi la collinearità alta variabili di suolo. Utilizzare le AIC e leave-one-out cross-validazione per selezionare la combinazione ottimale per i modelli dir SOLSR meglio attrezzati. Eseguire la regressione stepwise componente principale (SPCR) per sviluppare modelli SPCR basati su topografia per densità SOC e tassi di ridistribuzione basati su TPC presso i campi coltivabili su piccola scala di suolo. Consente di selezionare la combinazione ottimale di TPC per i modelli SPCR meglio attrezzati l’AIC e leave-one-out cross-validazione. Calcolare il coefficiente di determinazione (Radj2), Nash-Sutcliffe efficienza (NSE) e rapporto dell’errore quadratico medio per la deviazione standard dei dati misurati (RSR) per valutare l’efficienza del modello adattato. Valutazione del modello Stima della densità di SOC e tassi di ridistribuzione nell’area dell’intero studio di suolo applicando i modelli stimati. Convalidare il modello sviluppato confrontando pronostico con set di dati misurati di densità SOC e tassi di ridistribuzione nell’area dell’intero studio di suolo. Valutare le performance del modello utilizzando Radj2, NSE e RSR valori.

Representative Results

Abbiamo usato il Walnut Creek Watershed (WCW) come un banco di prova per valutare la fattibilità di modelli basati su topografia a inquirenti ridistribuzione del suolo e delle dinamiche SOC. Lo spartiacque è nelle contee di Boone e storia all’interno del dichiarare dello Iowa (41 ° 55′-42 ° 00 ‘ n; 93 ° 32′-93 ° 45’ W) con una superficie di 5.130 ettari (Figura 2). Campi di grano è la dominante terra utilizzare tipo in WCW, con un terreno relativamente pianeggiante (media 90 m, rilievo topografico 2,29 m). Aratura, disking, a scalpello e straziante operazioni sono le pratiche di coltivazione principale coltura campi26,27; Tuttavia, le indicazioni di lavorazione variano a causa di differenze nelle pratiche di gestione. Località campo raccolto quattro cento e sessanta sono stati scelti a caso per derivare informazioni topografiche in WCW (Figura 2). 100 fuori il 460 sedi, tra cui due 300 m transetti (ognuna dispone di 9 punti di campionamento), sono stati selezionati per effettuare campionamenti di campo e per l’analisi dei livelli di ridistribuzione SOC e suolo. Inoltre, due siti di settore su scala ridotta con topografico del paesaggio, tipi di suolo e pratiche di coltivazione simile al WCW sono stati selezionati per il campionario più intenso. In ogni sito di campo su scala ridotta, è stato creato un 25 × 25 m cella della griglia, e 230 punti di campionamento sono stati situati nei nodi della griglia (Figura 3). Informazioni topografiche di proprietà metriche e suolo sono stati calcolati per le posizioni di 230. Le metriche topografiche nel WCW sono state generate seguendo il protocollo di cui sopra. Il WCW è caratterizzato con la topografia di bassa-moderata (che vanno da 260 a 325 m di altitudine) con una relativa bassa pendenza (che vanno da 0 a 0,11 radiante), pendenza ascendente (0 a 0,09 m) e curvature moderate (profilo di curvatura:-0.009 a 0,009 m-1, piano curvatura:-0.85 a 0,85 m-1, curvatura generale: -0,02 a 0,02 m-1). I prospetti verticali di DEMs furono ampliati 100 volte per aumentare il distinguishability del campo-scala relativamente basso rilievo trovato nel WCW per creare le metriche di apertura positiva (POP100). Dopo la conversione, la gamma di apertura positiva è aumentato da 0,08 radianti (POP: 1.51-1.59 radianti) a 0,86 radianti (POP100: 0.36-1.22 radianti). Per il rilievo topografico, abbiamo generato sette mappe in rilievo con raggi seguenti: 7.5 m, 15 m, 30 m, 45 m, 60 m, 75 m e 90 m. Due componenti principali di rilievo sono stati selezionati sulla base dei risultati di PCA sulle variabili sette sollievo. Il primo ha mostrato la variazione di rilievo di risoluzione grossolana con sollievo45 m come la variabile principale. Abbiamo definito questo componente come il rilievo su larga scala (LsRe). La seconda componente, che era altamente correlata con sollievo7,5 m e presentata variazione di rilievo di risoluzione fine, è stata definita come il rilievo su piccola scala (SsRe). Risultati delle analisi di correlazione tra metriche topografica e ridistribuzione di densità/suolo SOC sono presentati nella tabella 2. Il TWI e LsRe ha mostrato le correlazioni più alte con densità SOC e tassi di ridistribuzione del suolo, rispettivamente. Modelli spaziali delle due metriche sono presentati nella Figura 4. Dettagli del TWI e LsRe possono osservare meglio la zona del transetto. Entrambi metriche hanno mostrato valori elevati nella zona depressional e valori bassi nelle zone in pendenza e ridge. Tuttavia, le differenze tra le due metriche si è verificato nelle aree di fossa, dove la TWI ha esibito valori estremamente elevati, ma i valori di LsRe non erano differenti dalle aree adiacenti. Dopo aver generato le quindici metriche topografiche, abbiamo utilizzato PCA su queste variabili topografiche oltre i 460 siti di campionamento in WCW. Il primi sette componenti principali rilievi topografici (TPC) che ha spiegato più di 90% variabilità del dataset intero rilievo topografico sono stati selezionati. Cinque TPCs che erano finali selezionati per costruire modelli basati su topografia sono riportati nella tabella 3. Per il primo componente principale (TPC1), G_Cur ha mostrato il più alto carico. Pendenza, TWI, Upsl e LS_FB erano le metriche più importanti in TPC2, con carichi superiori a 0,35. Nel TPC3, FA, SPI e CA erano importanti parametri, con carichi di 0.482 0,460 e 0.400, rispettivamente. FPL (-0.703) e Pl_Cur (0,485) erano i più importanti nella TPC6. Le principali metriche con carichi elevati nella TPC7 erano SsRe (0.597), DI (0.435), FPL (0.407) e Pl_Cur (0.383). Collinearità di rilievi topografici variabile stata controllata esaminando VIF. Delle 15 metriche, slope, TWI e G_Cur sono stati rimossi a causa l’elevato VIFs. Basato su tariffe di ridistribuzione del suolo e dati di densità di carbonio da siti 1 e 2, sono stati sviluppati modelli SOLSR utilizzando tutte le 15 metriche (SOLSRf) e le 12 metriche con collineare covariata rimosso (SOLSRr) (tabella 4). In genere, oltre il 70% e 65% della variabilità nella ridistribuzione di densità e suolo SOC tariffe sono state spiegate dai modellif SOLSR, rispettivamente. Per i modelli con collineare covariata rimosso (SOLSRr), simulazione efficienze erano leggermente inferiori rispetto ai modellif SOLSR (68% per densità SOC e 63% per la ridistribuzione del suolo). NS erano leggermente più bassi e RSR erano leggermente più alte nei modellir SOLSR rispetto a modellif SOLSR. Per i modelli SPCR, efficienze di simulazione simile come SOLSRr sono osservate nella tabella 4. Tuttavia, un numero minore di variabili indipendenti sono state selezionate nei modelli SPCR (meno di 5 variabili) rispetto al SOLSRf e modelli SOLSRr (più di 6 variabili). TPC 1, 2, 3 e 7 sono stati selezionati come le combinazioni di variabile indipendente per il modello SOC e TPC 1, 2, 3, 6 e 7 sono stati selezionati come la combinazione per il modello di ridistribuzione del suolo. Abbiamo trovato che i modelli SPCR avevano i migliori pronostici e i modelli dir SOLSR ha mostrato le prestazioni più povere a scala di bacino idrografico. I coefficienti di determinazione (r2) confrontando Pronostico densità SOC di osservazione è aumentato da: 1) 0.60 in SOLSRf e 0,52 in SOLSRr a 0,66 a SPCR e 2) NSE è aumentato da 0,21 a SOLSRf e 0,16 in SOLSRr a 0,59 in SPCR; mentre RSR ridotto da 0,87 a SOLSRf e 0.91 in SOLSRr a 0,64 a SPCR. Previsione di tasso di ridistribuzione del suolo in SPCR rappresentava il 36% della variabilità nella variabile misurata ed era più alto rispetto alle previsioni di SOLSRf (34%) e SOLSRr (0,35%). Un NSE superiore e inferiore RSR in SPCR (NSE = 0,33, RSR = 0,82) rispetto a SOLSRf (NSE = 0.31, RSR = 0.83) e SOLSRr (NSE = 0.32, RSR = 0,82) inoltre ha dimostrato una migliore performance in simulazione di tasso di ridistribuzione del suolo di SPCR. Secondo le valutazioni di prestazioni del modello, modelli SPCR sono stati selezionati per generare densità SOC e tasso di ridistribuzione del suolo mappe a scala di bacino idrografico. Le mappe hanno rivelato i modelli coerenti tra simulazioni di modelli e misure di campo (Figura 5). Le consistenze alte tra le simulazioni e le osservazioni erano più evidenti lungo i transetti. Entrambi tassi di ridistribuzione di densità e suolo SOC ha mostrato alte correlazioni con la topografia del paesaggio. Elevati valori di densità SOC si trovano nelle aree deposizionali, dove terreno deposizione è avvenuta, mentre i valori bassi di densità SOC sono stati osservati in pendenza e footslope zone, dove l’erosione del suolo ha avuto luogo. Figura 1 : La pendenza, esposizione, modulo di curvatura nel sistema per analisi Geoscientific automatizzato (SAGA). I poligoni mostrano le posizioni di aree di studio. Clicca qui per visualizzare una versione più grande di questa figura. Figura 2 : Posizione di Walnut Creek Watershed e siti di campionamento nel bacino idrografico (Iowa). Questa figura è stata adattata dal precedente lavoro17. Clicca qui per visualizzare una versione più grande di questa figura. Figura 3 : Posizione dei siti di campionamento 1 a) e b) 2 (elevazione di 15 x di z-axis). Questa figura è stata adattata dal precedente lavoro17. Clicca qui per visualizzare una versione più grande di questa figura.  Figura 4 : Mappe topografica metrica. (a) indice di umidità topografica (TWI) e (b) su larga scala rilievo topografico (LsRe) nel bacino del Walnut Creek e transetto zona (elevazione di 15 x di z-axis). Clicca qui per visualizzare una versione più grande di questa figura. Figura 5 : Tasso di ridistribuzione del suolo (t ha-1 anno-1) Mappe: e SOC densità (kg m-2) Mappe: .  Vengono riportate le mappe di ridistribuzione del suolo (a) entro lo spartiacque di Walnut Creek e (b) lungo due transetti. Indicato sono SOC densità (kg m-2) mappe (c) all’interno del bacino idrografico Walnut Creek e (d) lungo due transetti utilizzando i modelli di analisi stepwise componente principale (elevazione di 15 x di z-axis). Clicca qui per visualizzare una versione più grande di questa figura. Variabili Significato Pendenza (radiante) Velocità di deflusso idrico contenuto28,29 Curvatura del profilo (m-1) Flusso di accelerazione, l’erosione del suolo, deposizione tasso11,30 Piano di curvatura (m-1) Flusso di convergenza e divergenza, suolo acqua contenuto30 Curvatura di generale (m-1) Velocità di deflusso, l’erosione del suolo, deposizione29 Accumulo di flusso Suolo acqua contenuto, deflusso volume20 Rilievo topografico (m) Paesaggio di drenaggio caratteristiche, velocità di deflusso e accelerazione21,31  Apertura positiva (radiante) Caratteristiche di drenaggio di paesaggio, suolo acqua contenuto32 Pendenza di salita (m) Deflusso velocità33,34 Lunghezza del percorso di flusso (m) Produzione di sedimenti, tasso di erosione35  Indice lungo il pendio (radiante) Suolo acqua contenuto36 Bacino di utenza (m2) Deflusso velocità e del volume33,37  Indice di umidità topografica L’umidità del suolo distribuzione28,38,39  Indice di potenza del flusso Erosione del suolo, convergenza di flusso40  Fattore di lunghezza di pendio Flusso di convergenza e divergenza28,40 Tabella 1: Significati di parametri topografici selezionati. Pendio P_Cur Pl_Cur G_Cur FA LsRe SsRe POP Upsl FPL DI CA TWI SPI LS_FB (radiante) (m-1) (m-1) (m-1) (m) (m) (radiante) (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 e G_Cur sono curvatura del profilo, piano di curvatura e curvatura generale, rispettivamente; FA è accumulo di flusso; RePC1 e RePC2 sono componente di rilievo topografico 1 e 2, rispettivamente; POP100 è l’apertura positiva; Upsl è salita pendenza; FPL è la lunghezza del percorso di flusso; DI è indice lungo il pendio; CA è il bacino di utenza; TWI è indice di umidità topografiche; e SPI è indice di potenza del flusso; e LS_FB è il fattore di lunghezza di pendio (campo basata). * P < 0,05, * * P < 0,005, * * * P < 0,0001. Coefficiente di †Correlation > 0,5, coefficiente di correlazione di ‡Highest per ogni proprietà del suolo. Tabella 2: Correlazione di Spearman (n = 560) tra metriche selezionate topografica e densità del terreno carbonio organico (SOC) e tassi di ridistribuzione del suolo (SR). TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%) Pendio 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 e G_Cur sono curvatura del profilo, piano di curvatura e curvatura generale, rispettivamente; FA è accumulo di flusso; RePC1 e RePC2 sono componente di rilievo topografico 1 e 2, rispettivamente; POP100 è l’apertura positiva; Upsl è salita pendenza; FPL è la lunghezza del percorso di flusso; DI è indice lungo il pendio; CA è il bacino di utenza; TWI è indice di umidità topografiche; e SPI è indice di potenza del flusso; e LS_FB è il fattore di lunghezza di pendio (campo basata). †Loadings > 0.35. Tabella 3: Carichi variabili nei componenti principali (TPC) calcolato per le misurazioni topografiche (n = 460) in Walnut Creek Watershed. Modello R2adj NSE RSR Regressione stepwise componente principale (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 Regressione stepwise ordinaria almeno quadrati (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 Graduale regressione quadrati almeno ordinaria con collineare covariata rimosso (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’ordine di TPC è basato sui passaggi di selezione graduale R2adj è regolato coefficiente di determinazione; NSE è Nash-Sutcliffe efficienza; RSR è il rapporto tra l’errore quadratico medio (RMSE) per la deviazione standard dei dati misurati. TPC rappresenta il componente principale di rilievo topografico. TWI è indice di umidità topografiche; FPL è la lunghezza del percorso di flusso; P_Cur, Pl_Cur e G_Cur sono curvatura del profilo, piano di curvatura e curvatura generale, rispettivamente; LS_FB è il fattore di lunghezza di pendio (campo basata); LsRe e SsRe sono rilievi topografici su larga scala e su scala ridotta, rispettivamente; DI è indice lungo il pendio; e Upsl è salita pendenza. Tabella 4: Modelli di densità del terreno carbonio organico (SOC) e tassi di ridistribuzione del suolo (SR) per i campi agricoli basati su metriche di rilievi topografici presso siti 1 e 2.

Discussion

I modelli dif SOLSR avevano prestazioni leggermente migliori rispetto ai modelli SPCR nella taratura a scala di campo. Tuttavia, alcuni dei parametri topografici, come SPI e CA (r > 0.80), sono strettamente correlati con l’altro. La collinearità potrebbe aggiungere incertezze per le previsioni del modello. A causa della multicollinearità tra predittori, piccoli cambiamenti nelle variabili di input può significativamente influenzare il modello previsioni41. Di conseguenza, i modelli dif SOLSR tendeva ad essere instabile e ha mostrato bassi efficienza nelle simulazioni di tasso di ridistribuzione di densità e suolo SOC a scala di bacino idrografico. I modelli SPCR sovraperformato sostanzialmente i modelli dif SOLSR in previsione della distribuzione SOC a scala di bacino idrografico. TPCs eliminare la multicollinearità convertendo le quindici metriche topografiche in componenti reciprocamente indipendenti (ortogonale). La conversione ha scoperto anche relazioni sottostanti tra parametri topografici. Come indicato dai carichi elevati (> 0.35) di rilievi topografici metriche per i componenti, il TPC1 TPC2, TPC3, TPC6 e TPC7 sono stati associati con velocità di deflusso, contenuto idrico del terreno, volume di deflusso, divergenza di flusso e accelerazione del flusso, rispettivamente. Modelli spaziali di tassi di ridistribuzione del suolo e distribuzione SOC altamente sono state correlate con contenuto d’acqua del terreno e divergenza di deflusso in WCW, che è coerente con lo studio della Fox e Papanicolaou2, che ha dimostrato che erose del suolo da Upland potrebbe essere influenzato dalla divergenza di flusso in un basso-rilievo agricolo spartiacque.

Inoltre, un minor numero di variabili predittive nei modelli SPCR rispetto al SOLSRf e modellir SOLSR ha ridotto il rischio di sovra-raccordo il pronostico modelli42,43. C’erano più di sei variabili in tutti i modelli SOLSR, che possono aumentare la difficoltà di interpretazione dei dati e indurre alta varianza nel modello simulazioni41,44,45. Questo può spiegare le efficienze di stima inferiore in WCW dai modelli SOLSR rispetto ai modelli di SPCR.

Topografia-base SPCR modelli presentano vantaggi simulazione di ridistribuzione di suolo e associati dinamica SOC. In primo luogo, topografiche informazioni possono essere facilmente derivate da DEMs. Recente maggiore accessibilità dell’elevata risoluzione spaziale dei dati LiDAR può aiutare a migliorare l’accuratezza della topografia del paesaggio DEM-derivato e apprezzati indagini nelle regioni con le osservazioni di campo limitato. In secondo luogo, utilizzando una serie di analisi statistiche e metriche topografica, i modelli basati su topografia possono efficacemente quantificare ridistribuzione del suolo e i modelli di distribuzione SOC. In terzo luogo, l’applicazione della componente principale può efficacemente ridurre i pregiudizi associati multicollinearità delle metriche topografica e aumentare la stabilità dei modelli di regressione stepwise quando applicato a più scale spaziali.

Tuttavia, i modelli di SPCA possono essere limitati dalle variabili durante lo sviluppo del modello. Anche se l’applicazione dei dati LiDAR aumentato negli studi ecologici, i metodi per derivare informazioni topografiche utili non sono ancora state completamente esplorati. In questo studio, il TWI e LsRe ha mostrato le correlazioni più alte con densità SOC e tassi di ridistribuzione del suolo, rispettivamente. Tuttavia, ulteriori variabili topografiche che non sono considerate possono essere altrettanto o più importante nello spiegare l’erosione del suolo e le dinamiche di C. Inoltre, altri fattori quali le pratiche di gestione, che possono causare la variabilità di erosione del suolo, non sono stati inclusi in questo studio. Ad esempio, quando la lavorazione era parallela alla direzione di massima pendenza, l’erosione del suolo può raddoppiare rispetto l’erosione in coltivazione canalini trasformando suolo scoccato46. Di conseguenza, pratiche di coltivazione differenti possono anche essere un motivo per le efficienze di ridotta stima dei modelli SPCR.

Lo studio è basato sul libro pubblicato in Catena17. Invece di un’analisi basata su meccanicistico di influenze topografiche sul movimento del terreno e proprietà del suolo come eseguita nella carta Catena, qui ci siamo concentrati sui metodi per quantificare topografica metriche e lo sviluppo di modelli basati su topografia. Abbiamo discusso la fattibilità e i vantaggi dell’utilizzo di modelli basati su topografia negli studi della struttura spaziale della proprietà del suolo. Nel frattempo, abbiamo migliorato i nostri modelli aggiornando gli algoritmi di accumulo di fattore e flusso di lunghezza di pendio. La scala di misura del fattore di lunghezza pendenza era limitata alla zona del campo. Inoltre, l’algoritmo deterministico infinity è stato utilizzato per la generazione di accumulo di flusso. Confrontato con il metodo segnalato in Li et al. 17 che ha generato l’accumulo di flusso con un algoritmo deterministico di otto nodi, l’algoritmo di sfioro adottato in questo studio riduce i cicli negli angoli di direzione del flusso e si è rivelato per essere un algoritmo migliore per basso rilievo aree47.

In conclusione, i nostri risultati dimostrano la fattibilità di modelli basati su topografia SPCR nel simulare SOC distribuzione e modelli di ridistribuzione del suolo nei campi dell’agricoltura. Come un metodo conveniente per stimare gli stock SOC e tassi di ridistribuzione del suolo, è applicabile a siti con limitati dati osservativi e terreni privati privi di accesso pubblico. In futuro gli studi, il pronostico modelli potrebbero essere migliorate con ulteriore affinamento e la disponibilità di dati LiDAR e l’inclusione di ulteriori metriche topografica. Le mappe di proprietà del terreno su larga scala che sono state sviluppate sulla base dei modelli condurrà ad ulteriore comprensione dei meccanismi che gli impatti topografici sul movimento del terreno in paesaggi agricoli e il destino del SOC a scala regionale e spartiacque.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Questa ricerca è stata sostenuta da USDA Natural Resources Conservation Service in collaborazione con il componente di zona umida il progetto di valutazione effetti di conservazione nazionale (NRC 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