Summary

Uso de componentes principais para ampliação de modelos topográficos para mapear a redistribuição de terra e solo de carbono orgânico

Published: October 16, 2018
doi:

Summary

Processos de paisagem são componentes críticos de formação do solo e desempenham um papel importante na determinação de propriedades do solo e estrutura espacial em paisagens. Propomos uma nova abordagem usando regressão de componentes principais etapas para prever a redistribuição de solo e carbono orgânico do solo em várias escalas espaciais.

Abstract

Topografia da paisagem é um fator crítico que afetam a formação do solo e desempenha um papel importante na determinação de propriedades de solo na superfície da terra, como regula o movimento do solo movido a gravidade induzido por atividades de escoamento e plantio direto. A recente aplicação de detecção de luz e Ranging (LiDAR) dados é uma promessa para gerar métricas topográfico de alta resolução espacial que podem ser usadas para investigar a variabilidade de Propriedade do solo. Neste estudo, quinze métricas topográficas derivadas de dados LiDAR foram usadas para investigar impactos topográficos na redistribuição do solo e a distribuição espacial do carbono orgânico do solo (SOC). Especificamente, nós exploramos o uso de componentes principais topográficos (TPCs) para caracterizar as métricas de topografia e regressão de componentes principais em etapas (SPCR) para desenvolver modelos SOC em escalas local e bacias hidrográficas e erosão do solo baseada em topografia. O desempenho dos modelos SPCR foi avaliado contra gradual modelos menos comuns de quadrados regressão (SOLSR). Os resultados mostraram que o SPCR modela superou modelos SOLSR em prever taxas de redistribuição de solo e densidade SOC em diferentes escalas espaciais. Uso de TPCs remove potencial colinearidade entre as variáveis de entrada individuais, e redução de dimensionalidade por análise de componentes principais (PCA) diminui o risco de sobreajuste os modelos de previsão. Este estudo propõe uma nova abordagem para a modelagem de redistribuição do solo através de várias escalas espaciais. Para um aplicativo, acesso a terras privadas é muitas vezes limitado, e a necessidade de extrapolar os resultados de sites de estudo representativo para configurações maiores que incluem terras privadas pode ser importante.

Introduction

Redistribuição de solo (erosão e deposição) exerce impactos significativos sobre os estoques de carbono orgânico (SOC) do solo e dinâmica. Os crescentes esforços têm se dedicado a investigar como SOC é desanexado, transportado e depositado sobre a paisagem1,2,3. Sequestro de Carbon (C) e distribuição de SOC são influenciados pelo movimento movido a gravidade solo induzido pela erosão de água a4,5,6. Em campos cultivados, translocação de solo por plantio direto é outro processo importante contribuindo para C redistribuição7,8,9. Preparo do solo erosão provoca um movimento descendente de líquido considerável de partículas de solo e leva a uma variação de solo dentro de campo10. Erosão tanto a água e a lavoura são significativamente afetados pela topografia da paisagem, que determina a localização dos sites erosivas e deposicionais11. Portanto, regulamento de erosão do solo eficaz e C investigação dinâmica em chamadas de terras agrícolas para uma melhor compreensão dos controles topográficos sobre erosão do solo e os movimentos.

Vários estudos têm investigado os impactos de topografia na redistribuição de solo e associados SOC dinâmica9,12,13,14,15,16, 17. van der Perk et al 12 relatou que fatores topográficos explicaram 43% da variabilidade na redistribuição do solo. Rezaei e Gilkes13 encontrados SOC mais elevado em solos sobre um aspecto sombrio, devido a temperaturas mais baixas e menos evaporação quando comparado a outros aspectos em pastagens. Topografia pode ter impactos mais significativos na redistribuição do solo em terras agrícolas com o tratamento tradicional de plantio direto do que aqueles com preparo mínimo, devido as interações entre Geografia e práticas de plantio direto9. No entanto, esses achados foram principalmente derivados de observações de campo, que apresentam dificuldades na investigação de propriedades do solo em uma escala espacial mais ampla. Há uma necessidade urgente de desenvolver novas estratégias para efetivamente compreender padrões espaciais de propriedades do solo em bacias hidrográficas e escalas regionais.

O objetivo deste estudo é desenvolver modelos eficientes para simular a redistribuição do solo e distribuição de SOC. Modelos baseados em topografia usando métricas topográficas como preditores foram desenvolvidas para quantificar os processos de erosão e deposição de solo. Em comparação com empírico – ou baseada em processo erosão poderiam ser desenvolvidos modelos que empregavam amostragens de discretos campo para simular o solo da erosão18,19, modelos baseados em topografia baseado em informações topográficas derivadas digital modelos de elevação (DEMs) com alta resolução. Esta abordagem permite simulações de propriedade contínua do solo na bacia hidrográfica ou escala regional. Nas últimas décadas, precisão de informação topográfica substancialmente melhorou, com o aumento da disponibilidade de dados de alta resolução detetado remotamente. Embora estudos anteriores têm empregado modelos baseados em topografia para simular solo propriedades12,20,21,22, a maioria destas investigações usados uma única métrica topográfica ou categoria única de topográficas métricas (métricas topográficas locais, não-local ou combinadas), que podem não ter suficientemente explorado topográficos impactos sobre a atividade microbiana do solo. Portanto, para obter uma melhor compreensão dos controles de topografia na erosão do solo e dinâmica de C, examinamos um conjunto abrangente de métricas topográficos incluindo métricas topográficas locais, não-local e combinadas e desenvolvido multi variável baseada em topografia modelos para simular a dinâmica de Propriedade do solo. Aplicações destes modelos são esperadas para fornecer suporte científico para melhor controle de erosão do solo e gestão de terras agrícolas.

Topográficas métricas geralmente são classificadas em três categorias: métricas topográficas um) locais, b) não-local topográficas métricas ou métricas topográficas c) combinadas. Métricas topográficas locais referem-se a características locais de um ponto sobre a superfície da terra. Non-local topográficas métricas referem-se a localização relativa dos pontos selecionados. Combinado métricas topográficas integram métricas topográficas locais e não locais. Um conjunto de métricas topográficos que afetam a erosão do solo e a deposição foram utilizados neste estudo para investigar os controles topográficos no movimento de solo e estoques de C (tabela 1). Especificamente, usamos quatro métricas topográficas locais [inclinação, curvatura do perfil (P_Cur), plano de curvatura (Pl_Cur), curvatura geral (G_Cur)], sete não-local topográficas métricas [acumulação de fluxo (FA), relevo topográfico, abertura positiva (POP), curva ascendente inclinação (UpSl) comprimento do caminho de fluxo (FPL), descendente (DI), o índice hidrológica (CA)], e três combinadas métricas topográficas [índice de umidade topográfico (TWI), índice de poder de fluxo (SPI) e fator de comprimento de declive (LS)].

Protocol

1. topográficas análises Dados digitais pré-processar Colete dados de LiDAR a partir do site de projeto de mapeamento GeoTREE LiDAR. Selecione “tipo de fronteira” e “região” para aumentar o zoom em uma área específica. Desenhe um polígono para baixar LiDAR telhas para a área de estudo selecionada. Converta os dados brutos de LiDAR em um arquivo de LAS usando a ferramenta de mapeamento de informação geográfica (GIS) sistema. Gere DEMs com uma resolução espacial de 3 m, usando interpolação inversa distância ponderada. Filtro as DEMs 3 m duas vezes com um filtro passa-baixa 3-kernel para reduzir ruídos associar com variação local. Geração de métricas topográfica Para gerar métricas topográficas, primeiro Baixe a versão mais recente do sistema de análise geocientíficas automatizado (SAGA)23. Clique em “Importar Raster” na seção de importação/exportação para importar os filtrado DEMs de 3 m para a SAGA. Clique no módulo de “Slope, aspecto, curvatura” de SAGA com as configurações padrão para gerar a inclinação e curvatura-relacionados [Perfil curvatura (P_Cur), plano de curvatura (Pl_Cur) e curvatura geral (G_Cur)] métricas usando os filtrado DEMs (Figura 1). Clique no módulo de “Acumulação de fluxo (Top-Down)” de SAGA e selecione “Deterministico infinito” como o método para gerar a métrica de acumulação (FA) de fluxo usando os filtrado DEMs. Clique o módulo “SAGA topográfico abertura” com as configurações padrão para gerar a métrica de abertura positiva (POP), usando uma imagem amplificada filtrada do eixo z. Clique no módulo “LS-fator (campo base)” de SAGA com as configurações padrão para gerar a inclinação da curva ascendente (Upsl) e métricas de comprimento factor (LS_FB) usando os DEMs filtradas de inclinação. Clique no módulo de “Comprimento de caminho de fluxo” de SAGA com as configurações padrão para gerar a métrica de comprimento (FPL) do caminho de fluxo usando os filtrado DEMs. Clique no módulo “Gradiente descendente de distância” de SAGA com as configurações padrão para gerar a curva descendente métrica de índice (DI) usando os filtrado DEMs. Clique no módulo “SAGA Wetness Index” e selecione “área de catchment absoluta” como o tipo de área para gerar a área de captação (CA) e métricas de índice (TWI) umidade topográfico usando os filtrado DEMs. Clique no módulo de “Índice de poder de fluxo” de SAGA e selecione “área de captação específica de pseudo” como a conversão de área para gerar a métrica de índice (SPI) do poder de fluxo usando os filtrado DEMs. Gere mapas de elevação máxima com vários raios. Os mapas de elevação máxima do filtro duas vezes através de um filtro passa-baixa 3-kernel. Subtrai o filtrado 3 m DEM partir dos mapas de elevação máxima filtrada para obter uma série de mapas de relevo. Extrair uma série de variáveis de alívio para um número de locais. Realizar análise de componentes principais (PCA) sobre as variáveis de alívio para converter os relevos em componentes de relevo topográfico. Selecionar os componentes principais que explicam mais de 90% de variação do relevo dataset como as métricas do relevo topográfico. 2. campo coleta de dados Amostragem de campo Selecione um número de locais de campo de terra cultivada que podem representar adequadamente as características da paisagem da área de estudo e vários campos de terra cultivada em pequena escala representante que podem ser saboreados intensamente.Nota: As amostras de solo coletadas os dois campos de terra cultivada foram utilizadas para a calibração do modelo. Amostras de solo coletadas da área inteira do estudo foram utilizadas para validação do modelo. Carregar todas as coordenadas de localização de amostra para um código-base geográfico sistema de posicionamento (GPS) e fisicamente localizá-los nos campos. Colete 3 amostras para cada local de amostragem da camada de solo de top 30 cm, usando uma sonda de impulso (3,2 cm de diâmetro).Nota: As amostras de solo das camadas de 30 a 50 cm foram coletadas em locais onde a deposição de sedimentos era esperada. O volume de cada amostra foi 241 cm3. Registros informações geográficas coordenadas de amostragem locais usando GPS. Pese as amostras de solo depois de secá-los a 90 ° C para 48 h. Calculate solo de densidade usando informações de volumes de amostra total em pesos e locais de amostragem. Misture as três amostras do mesmo local para obter uma amostra composta de solo. Preparação da amostra de solo Peneire as amostras de solo composto com uma tela de 2mm. Moa uma subamostra de 10 g de solo peneirado a um pó muito fino com um moinho de rolo. Análises de amostras de solo Medir o solo carbono total (C) conteúdo em rolo moído amostras através de combustão em um analisador elementar de CN, a uma temperatura de 1350 ° C. Estimar o teor de carbonato de cálcio C analisando o restante C após o cozimento de matéria orgânica do solo a uma temperatura de 420 ° C, durante 16 h em uma fornalha. Calcule o teor SOC (%) subtraindo-se conteúdo de carbonato de cálcio C do teor total de solo C. Converta o conteúdo SOC (%) para densidade SOC (kg m-2) usando a densidade do solo. Colocar as amostras de solo peneirado de 2mm em massa em copos Marinelli e selá-los. Medir a concentração de Cs 137de cada amostra através da análise de raios gama usando um sistema de espectroscopia que recebe entradas de três cristais de germânio coaxial de alta pureza (HpCN30% eficiência) 8192-canal analisadores (ver tabela de materiais de ). Calibre o sistema usando um padrão analítico radionuclídeo misto11. Converta 137concentração Cs para inventário de Cs 137usando a densidade do solo. Calcular a taxa de redistribuição do solo usando o inventário de Cs 137aplicando a massa equilíbrio modelo II (MBMII) em um Adicionar-in programa de planilha eletrônica desenvolvido pela Walling et al 24. 3. topografia-com base em modelo desenvolvimento Estimativa de componentes principais topográfico Extrair as métricas topográficas para amostragem locais na área de estudo inteiro e os campos de terra cultivada em pequena escala. Padronize as métricas topográficas dos locais de amostragem na área de estudo inteiro usando-se média e desvio padrão. Estime as cargas métricas topográficas em cada componente baseada as métricas padronizadas topográficas usando PCA com pacote de software estatístico. Recolher as cargas métricas topográficas em cada componente principal topográfico (TPC) e selecione os TPCs principais que explicam a variância de 90% de todas as métricas. Padronize as métricas topográficas dos locais de amostragem nos campos de terra cultivada em pequena escala. Calcule os TPCs superiores para cada local pela soma das métricas padronizadas topográficas ponderadas mediante as cargas correspondentes nos locais de amostragem na WCW. Calibração do modelo Execute em etapas comuns menos quadrado regressão (SOLSR) para desenvolver modelos baseados em topografia SOLSRf para densidade SOC e taxas de redistribuição de solo com base em todas as métricas topográficas nos campos de terra cultivada em pequena escala. Use o critério de informação Akaike (AIC) e leave-one-out a validação cruzada para selecionar a combinação ideal de topográficas métricas para os modelos def SOLSR mais bem equipadas. Verifique a colinearidade entre as variáveis topográficas, usando o fator de inflação de variação (VIF). Remover as variáveis com o maior VIF (VIF ≥ 7.525) e verifique novamente o VIF. Remova as variáveis até os VIFs de todas as variáveis são < 7.5. Execute SOLSR para desenvolver modelos baseados em topografia SOLSRr para densidade SOC e taxas de redistribuição com base em métricas topográficas que foram removidos alta colinearidade variáveis do solo. Use o AIC e validação cruzada leave-one-out para selecionar a combinação ideal para os modelos der SOLSR mais bem equipadas. Realize a regressão de componentes principais em etapas (SPCR) para desenvolver modelos SPCR baseados em topografia para densidade SOC e taxas de redistribuição baseadas os TPCs nos campos de terra cultivada em pequena escala do solo. Use o AIC e validação cruzada leave-one-out para selecionar a combinação ideal de TPCs para os modelos mais bem equipados do SPCR. Calcule o coeficiente de determinação (Radj.2) e eficiência de Nash-Sutcliffe (NSE) razão entre o erro de raiz quadrada para o desvio padrão dos dados medidos (RSR) para avaliar a eficiência do modelo ajustado. Modelo de avaliação Estimar a densidade SOC e taxas de redistribuição na área de estudo inteiro do solo aplicando os modelos estimados. Validar o modelo desenvolvido por comparar a previsão com dataset medida de densidade SOC e taxas de redistribuição na área de estudo inteiro do solo. Avaliar os desempenhos de modelo usando RSR, NSE e Radj2valores.

Representative Results

Usamos a bacia hidrográfica de Walnut Creek (WCW) como um teste para avaliar a viabilidade de modelos baseados em topografia na investigação redistribuição do solo e dinâmica da SOC. A bacia hidrográfica é no Condado de Boone e história dentro do estado de Iowa (41 ° 55′-42 ° 00 ‘ n, 93 ° 32′-93 ° 45’ W) com uma área de 5.130 hectares (Figura 2). Terra fértil é a terra dominante usar tipo na WCW, com um terreno relativamente plano (média de 90 m, relevo topográfico 2,29 m). Formão de aragem, gradagem, e angustiante de operações são as práticas de plantio direto principal na cultura campos26,27; no entanto, instruções de plantio variam devido às diferenças nas práticas de gestão. Locais de campo colheita quatro cento e sessenta foram selecionados aleatoriamente para derivar informações topográficas na WCW (Figura 2). 100 de 460 locais, incluindo dois 300 m transectos (cada um tem 9 locais de amostragem), foram selecionados para realizar amostragens de campo e para a análise dos níveis de redistribuição SOC e solo. Além disso, dois locais de campo em pequena escala com paisagem topográfica, tipos de solo e práticas de manejo semelhantes para a WCW foram selecionados para amostragem mais intensiva. Em cada local de campo em pequena escala, foi criado um 25 × 25 m quadrícula, e 230 locais de amostragem foram localizadas em nós de grade (Figura 3). Informações de propriedade de métricas e solo topográficas foram calculados para os 230 locais. As métricas topográficas na WCW foram geradas seguindo o protocolo acima. A WCW é caracterizada com topografia de baixa a moderada (que variam de 260 a 325 m de altitude) com uma inclinação baixa relativa (variando de 0 a 0,11 radiano), inclinação ascendente (0 para 0,09 m) e curvaturas moderadas (perfil curvatura: plano de-0.009 de 0,009 m-1, curvatura:-0.85 de 0,85 m-1, curvatura geral:-0.02 de 0,02 m-1). As elevações verticais de DEMs foram ampliadas 100 vezes para aumentar a distinguibilidade do campo-escala relativamente baixo relevo encontrado na WCW para criar as métricas de abertura positiva (POP100). Após a conversão, o intervalo de abertura positiva aumentou de 0,08 radianos (POP: 1,51-1,59 radianos) a 0,86 radianos (POP100: 0,36-1,22 radianos). Para o relevo topográfico, geramos sete mapas de relevo com raios seguintes: 7,5 m, 15 m, 30 m, 45 m, 60 m, 75 m e 90 m. Dois componentes principais do relevo foram selecionados com base nos resultados da PCA nas variáveis sete alívio. A primeira mostrou variação de relevo grosseiro resolução com relevo45 m como a principal variável. Definimos este componente como o alívio em grande escala (LsRe). O segundo componente, o que foi altamente correlacionado com o alívio de7,5 m e apresentaram variação de alívio de resolução fina, foi definido como o alívio em pequena escala (SsRe). Resultados das análises de correlação entre métricas topográficas e redistribuição de densidade/solo SOC são apresentados na tabela 2. A TWI e LsRe mostraram as maiores correlações com densidade SOC e taxas de redistribuição do solo, respectivamente. Padrões espaciais das duas métricas são apresentados na Figura 4. Detalhes do TWI e LsRe podem ser melhor observados da área transecto. Ambos os parâmetros mostraram valores elevados na área depressional e valores baixos em áreas de inclinação e cume. No entanto, as diferenças entre as duas métricas ocorreram nas áreas de vala, onde o TWI exibiu valores extremamente altos, mas os valores do LsRe não eram diferentes das áreas adjacentes. Depois de gerar as métricas topográficas quinze, usámos PCA essas variáveis topográficas sobre os 460 sítios de amostragem na WCW. O primeiro sete topográficos principais componentes (TPCs) que explicaram mais do que 90% de variabilidade do conjunto de dados inteiro topográfico foram selecionada. Cinco TPCs que foram finais selecionado para construir modelos baseados em topografia estão listados na tabela 3. Para o primeiro componente principal (TPC1), G_Cur mostrou o maior carregamento. Inclinação, TWI, Upsl e LS_FB foram as métricas mais importantes em TPC2, com cargas superiores a 0,35. No TPC3, FA, SPI e CA foram métricas importantes, com cargas de 0.482 0.460 e 0,400, respectivamente. FPL (-0.703) e Pl_Cur (0,485) foram as mais importantes no TPC6. As principais métricas com altas cargas no TPC7 foram SsRe (0.597), DI (0.435), FPL (0.407) e Pl_Cur (0,383). Colinearidade de variável topográfico foi verificada examinando VIF. Das 15 métricas, inclinação, TWI e G_Cur foram removidos devido as altas VIFs. Com base em taxas de redistribuição do solo e dados de densidade de carbono de sites 1 e 2, modelos SOLSR foram desenvolvidos usando todas as 15 métricas (SOLSRf) e as métricas de 12 com covariável colinear removido (SOLSRr) (tabela 4). Geralmente, mais de 70% e 65% da variabilidade na redistribuição de densidade e solo SOC taxas foram explicadas pelos modelos SOLSRf , respectivamente. Para os modelos com colinear covariável removido (SOLSRr), eficiências de simulação foram ligeiramente inferiores a modelos def SOLSR (68% para a densidade SOC e 63% para redistribuição de solo). NSEs foram ligeiramente menores e RSR foram ligeiramente maiores em modelos der SOLSR do que nos modelos def SOLSR. Para os modelos SPCR, eficiências de simulação semelhante como SOLSRr são observadas na tabela 4. No entanto, menos as variáveis independentes foram selecionadas modelos SPCR (menos de 5 variáveis) do que o SOLSRf e modelos SOLSRr (mais de 6 variáveis). TPCs 1, 2, 3 e 7 foram selecionadas como as combinações de variáveis independentes para o modelo do SOC e TPCs 1, 2, 3, 6 e 7 foram selecionados como a combinação para o modelo de redistribuição do solo. Descobrimos que os modelos SPCR tinham as melhores previsões e os modelos der SOLSR mostraram as performances mais pobres em escala de bacia hidrográfica. Os coeficientes de determinação (r2), comparando a predição de densidade SOC a observação aumentaram de: 1) 0,60 em SOLSRf e 0,52 em SOLSRr a 0,66 no SPCR e 2) NSE aumentaram de 0,21 em SOLSRf e 0,16 em SOLSRr para 0,59 em SPCR; enquanto RSR reduzido de 0,87 em SOLSRf e 0.91 em SOLSRr para 0,64 em SPCR. Previsão de taxa de redistribuição de solo em SPCR representou 36% da variabilidade na variável medida e era maior do que as previsões por SOLSRf (34%) e SOLSRr (0.35%). Um NSE superior e inferior RSR no SPCR (NSE = 0,33, RSR = 0,82) em comparação com SOLSRf (NSE = 0,31, RSR = 0,83) e SOLSRr (NSE = 0.32, RSR = 0,82) também demonstrou um melhor desempenho na simulação de taxa de redistribuição de solo pela SPCR. De acordo com as avaliações de desempenho do modelo, modelos SPCR foram selecionados para gerar densidade SOC e taxa de redistribuição de solo mapas na escala de bacia hidrográfica. Os mapas revelaram padrões consistentes entre um modelo e medições de campo (Figura 5). A alta consistência entre simulações e observações foram mais evidente ao longo de transectos. Ambas as taxas de redistribuição de densidade e solo SOC mostraram alta correlação com a topografia da paisagem. Altos valores de densidade do SOC podem ser encontrados em áreas deposicionais, onde a deposição de solo ocorreu, enquanto valores baixos de densidade SOC foram observados em declive e footslope áreas, onde a erosão do solo teve lugar. Figura 1 : The Slope, aspecto, módulo de curvatura no sistema para automatizadas geocientíficas análise (SAGA). Os polígonos mostram a localização das áreas de estudo. Clique aqui para ver uma versão maior desta figura. Figura 2 : Localização da microbacia de Walnut Creek e locais de amostragem na bacia hidrográfica (Iowa). Esta figura foi adaptada do anterior trabalho17. Clique aqui para ver uma versão maior desta figura. Figura 3 : Localização dos sítios amostrados a) 1 e 2 b) (elevação de 15 x eixo z). Esta figura foi adaptada do anterior trabalho17. Clique aqui para ver uma versão maior desta figura.  Figura 4 : Mapas topográfica métrica. (a) índice de umidade topográfico (TWI) e (b) em grande escala relevo topográfico (LsRe) na bacia hidrográfica de Walnut Creek e transecto de área (elevação de 15 x eixo z). Clique aqui para ver uma versão maior desta figura. Figura 5 : Taxa de redistribuição de solo (t ha-1 ano-1) mapas e densidade SOC (kg m-2) mapas .  Mapas de redistribuição do solo (a) dentro da bacia hidrográfica de Walnut Creek e (b) ao longo de dois transectos são mostrados. É mostrados densidade SOC mapas (kg m-2) (c) dentro da microbacia de Walnut Creek e (d) ao longo de dois transectos usando os modelos de análise de componente principal em etapas (elevação de 15 x eixo z). Clique aqui para ver uma versão maior desta figura. Variáveis Significado Inclinação (radiano) Velocidade de escoamento, solo água conteúdo28,29 Perfil de curvatura (m-1) Fluxo de aceleração, a erosão do solo, a taxa de deposição11,30 Plano de curvatura (m-1) Fluxo de convergência e divergência, solo água conteúdo30 Curvatura geral (m-1) Velocidade de escoamento, erosão do solo, deposição29 Acumulação de fluxo Solo, água de runoff conteúdo, volume20 Relevo topográfico (m) Da paisagem características de drenagem, velocidade de escoamento e aceleração21,31  Abertura positiva (radiano) Paisagem de características de drenagem, solo água conteúdo32 Declive da curva ascendente (m) Velocidade de escoamento33,34 Comprimento do caminho de fluxo (m) Rendimento de sedimentos, erosão taxa35  Índice de curva descendente (radiano) Solo água conteúdo36 Área de captação (m2) Escoamento velocidade e volume33,37  Índice de umidade topográfico Solo umidade distribuição28,38,39  Índice de poder de fluxo Erosão do solo, convergência de fluxo40  Fator de comprimento de declive Fluxo de convergência e divergência de28,40 Tabela 1: Significados de métricas topográficos selecionados. Inclinação P_Cur Pl_Cur G_Cur FA LsRe SsRe POP Upsl FPL DI CA TWI SPI LS_FB (radiano) (m-1) (m-1) (m-1) (m) (m) (radiano) (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 são curvatura do perfil, plano de curvatura e curvatura geral, respectivamente; FA é o acúmulo de fluxo; RePC1 e RePC2 são componente relevo topográfico 1 e 2, respectivamente; POP100 é a abertura positiva; Upsl é a inclinação da curva ascendente; FPL é o comprimento do caminho de fluxo; DI é o índice de curva descendente; CA é a bacia hidrográfica; TWI é o índice de umidade topográficos; e SPI é índice de poder de fluxo; e LS_FB é fator de comprimento de declive (campo baseado). * P < 0.05, * * P < 0.005, * * * P < 0,0001. Coeficiente de †Correlation > 0,5, coeficiente de correlação de ‡Highest para cada propriedade do solo. Tabela 2: Correlação de Spearman (n = 560) entre métricas topográficas selecionadas e densidade do solo de carbono orgânico (SOC) e taxas de redistribuição de solo (SR). TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%) Inclinação 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 são curvatura do perfil, plano de curvatura e curvatura geral, respectivamente; FA é o acúmulo de fluxo; RePC1 e RePC2 são componente relevo topográfico 1 e 2, respectivamente; POP100 é a abertura positiva; Upsl é a inclinação da curva ascendente; FPL é o comprimento do caminho de fluxo; DI é o índice de curva descendente; CA é a bacia hidrográfica; TWI é o índice de umidade topográficos; e SPI é índice de poder de fluxo; e LS_FB é fator de comprimento de declive (campo baseado). †Loadings > 0.35. Tabela 3: Cargas variáveis nos componentes principais (TPCs) calculado para métricas topográficas (n = 460) em Walnut Creek Watershed. Modelo R2adj NSE RSR Regressão de componentes principais em etapas (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 Passo a passo ordinário menos quadrado regressão (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 Regressão quadrado menos ordinário gradual com covariável colinear removido (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 † A ordem dos TPCs baseia-se as etapas de seleção gradual R2adj é ajustado o coeficiente de determinação; NSE é Nash-Sutcliffe eficiência; RSR é a relação entre o erro de raiz quadrada (RMSE) para o desvio padrão dos dados medidos. TPC representa topográfico componente principal. TWI é o índice de umidade topográficos; FPL é o comprimento do caminho de fluxo; P_Cur, Pl_Cur e G_Cur são curvatura do perfil, plano de curvatura e curvatura geral, respectivamente; LS_FB é o fator de comprimento de declive (campo baseado); LsRe e SsRe são relevos topográficos em grande escala e em pequena escala, respectivamente; DI é o índice de curva descendente; e Upsl é inclinação ascendente. Tabela 4: Modelos de densidade do solo de carbono orgânico (SOC) e taxas de redistribuição de solo (SR) para campos agrícolas, com base em métricas topográficas em sites 1 e 2.

Discussion

Os modelos def SOLSR tinham desempenhos ligeiramente melhores do que os modelos SPCR na calibração da escala de campo. No entanto, algumas das métricas topográficas, tais como a SPI e CA (r > 0,80), estão estreitamente correlacionadas uns com os outros. A colinearidade pode adicionar as incertezas para as previsões do modelo. Por causa da Multicolinearidade entre os preditores, pequenas alterações nas variáveis de entrada pode afetar significativamente as previsões do modelo41. Portanto, os modelos def SOLSR tendiam a ser instável e mostrou baixos eficiência em simulações de taxa de redistribuição densidade e solo SOC em escala de bacia hidrográfica. Os modelos SPCR substancialmente superaram os modelos def SOLSR na previsão da distribuição de SOC em escala de bacia hidrográfica. TPCs eliminar a Multicolinearidade, convertendo as métricas topográficas quinze em componentes (ortogonais) independentes entre si. A conversão também descobriu relações subjacentes entre métricas topográficas. Conforme indicado pelas altas cargas elevadas (> 0.35) de topográficas métricas para os componentes, o TPC1, TPC2, TPC3, TPC6 e TPC7 foram associados com a velocidade de escoamento superficial, teor de água do solo, volume de escoamento superficial, divergência de fluxo e aceleração do fluxo, respectivamente. Padrões espaciais de taxas de redistribuição do solo e distribuição SOC foram altamente correlacionados com o conteúdo de água de solo e divergência de escoamento na WCW, que é consistente com o estudo de Fox e Papanicolaou2, que demonstrou que erosão de solo de Planalto poderia ser atingido pela divergência do fluxo em um divisor de águas agrícola de baixo-relevo.

Além disso, menos variáveis predictor nos modelos SPCR do que os modelos der SOLSR de SOLSRf e reduziram o risco de excesso, encaixe os modelos de previsão42,43. Havia mais de seis variáveis em todos os modelos SOLSR, que podem aumentar a dificuldade de interpretação dos dados e induzir a mudança alta no modelo simulações41,44,45. Isto explica as eficiências de previsão inferiores na WCW pelos modelos SOLSR do que pelos modelos SPCR.

Topografia-baseado SPCR modelos têm vantagens simulando a redistribuição do solo e dinâmica SOC associada. Informação de primeira, topográfica pode ser facilmente derivada de DEMs. Acessibilidade de aumentada recente da alta resolução espacial dados LiDAR pode ajudar a melhorar a precisão da topografia da paisagem DEM-derivado e beneficiar as investigações em regiões com observações de campo limitada. Em segundo lugar, usando um conjunto de métricas topográficas e análises estatísticas, os modelos baseados em topografia podem eficientemente quantificar redistribuição de solo e padrões de distribuição da SOC. Em terceiro lugar, a aplicação do componente principal pode eficazmente reduzir preconceitos associados a Multicolinearidade das métricas topográficas e aumentar a estabilidade dos modelos de regressão gradual, quando aplicado a várias escalas espaciais.

No entanto, os modelos de SPCA podem ser limitados por variáveis durante o desenvolvimento do modelo. Apesar da aplicação dos dados LiDAR aumentado em estudos ecológicos, os métodos úteis de informação topográfica não ainda sido totalmente explorados. Neste estudo, o TWI e LsRe mostraram as maiores correlações com densidade SOC e taxas de redistribuição do solo, respectivamente. No entanto, variáveis topográficas adicionais que não são consideradas podem ser igualmente ou mais importante em explicar a erosão do solo e dinâmica C. Além disso, outros fatores tais como as práticas de gestão, que podem causar a variabilidade de erosão do solo, não foram incluídos neste estudo. Por exemplo, quando o plantio direto foi paralelo à direção de inclinação máxima, erosão do solo pode dobrar em relação a erosão no slantwise plantio direto fazendo solo curva ascendente46. Portanto, práticas de manejo diferentes também podem ser uma razão para as eficiências de previsão reduzida dos modelos SPCR.

O estudo baseia-se no documento publicado em Catena17. Em vez de uma análise baseada em mecanicista de influências topográficas no movimento de solo e propriedades do solo, como realizado no jornal Catena, aqui enfocamos os métodos para quantificar métricas topográficas e criar modelos baseados em topografia. Discutimos a viabilidade e as vantagens do uso de modelos baseados em topografia em estudos da estrutura espacial de propriedades do solo. Enquanto isso, melhoramos nossos modelos, atualizando algoritmos de acumulação de fator e fluxo de comprimento de declive. Escala de medição de fator de comprimento de inclinação foi limitada a área do campo. Além disso, o algoritmo determinístico infinito foi usado para a geração de acumulação de fluxo. Em comparação com o método relatado em Li et al. 17 que gerou a acumulação de fluxo com um algoritmo de oito nós determinista, o algoritmo de infinito adoptado neste estudo reduz loops nos ângulos de direção de fluxo e provou para ser um algoritmo melhor para áreas de baixo relevo47.

Concluindo, nossos resultados demonstram a viabilidade de modelos baseados em topografia SPCR em simular a distribuição SOC e padrões de redistribuição de solo em campos de agricultura. Como um método de baixo custo para estimar estoques SOC e taxas de redistribuição de solo, é aplicável a sites com dados observacionais limitados e falta de acesso público de terras privadas. No futuro os estudos, a previsão de modelos podem ser melhorados com mais requinte e disponibilidade dos dados LiDAR e inclusão de métricas topográficas adicionais. Os solo em grande escala Propriedade mapas que foram desenvolvidos com base nos modelos levará a maior compreensão dos mecanismos subjacentes os impactos topográficos sobre movimento de solo em paisagens agrícolas e o destino do SOC na bacia hidrográfica e escalas regionais.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Esta pesquisa foi apoiada pelo USDA Natural Resources Conservation Service em associação com o componente de zonas húmidas do projeto nacional de conservação efeitos avaliação (CRN 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