Summary

Использование основных компонентов для масштабирования Топографическая модели для сопоставления перераспределения земли и почвы органического углерода

Published: October 16, 2018
doi:

Summary

Пейзаж процессы являются важнейшими компонентами почвообразования и играют важную роль в определении свойств почвы и пространственной структуры в пейзажах. Мы предлагаем новый подход с использованием ступенчатой главных компонент регрессии для прогнозирования перераспределения почвы и почвенного органического углерода в различных пространственных масштабах.

Abstract

Топография ландшафта является критическим фактором, влияющим на почвообразование и играет важную роль в определении свойств почвы на поверхности земли, как он регулирует движение гравитации инициативе почвы, индуцированных стока и почвы. Недавнее применение обнаружения света и ранжирование (LiDAR) данных перспективным для создания топографических метрик высокое пространственное разрешение, который может использоваться для изучения изменчивости свойств почвы. В этом исследовании пятнадцать Топографическая метрики, производные от лидарных данных были использованы для расследования Топографическая воздействие на перераспределение почвы и пространственное распределение почвы органического углерода (SOC). В частности мы изучили использование топографических основных компонентов (КПБН) характеризующих рельеф метрики и поэтапного главных компонент регрессии (SPCR) развивать эрозии почв на основе топографии и SOC моделей в масштабах сайта и водосборных бассейнов. Производительность модели SPCR оценивалась против ступенчатой обычных наименее модели регрессии квадратный (SOLSR). Результаты показали, что SPCR модели превысил SOLSR модели в прогнозировании почвы распространение ставки и SOC плотность в различных пространственных масштабах. Использование КПБН устраняет потенциальные коллинеарности между отдельными входными переменными, и снижение размерности на анализ главных компонент (PCA) уменьшает риск переобучения моделей прогнозирования. Это исследование предлагает новый подход для моделирования перераспределения почвы в различных пространственных масштабах. Для одного приложения часто ограничен доступ к частной земли, и о необходимости экстраполировать результаты репрезентативное исследование сайтов больше параметров, которые включают частные земли может иметь важное значение.

Introduction

Перераспределение почвы (эрозии и осаждения) оказывает значительное воздействие на почвы органического углерода (SOC) и динамика. Все усилия были посвящены расследование как SOC отдельностоящий, перевозки и хранение над пейзаж1,2,3. Carbon (C) поглощение и SOC распределения находятся под влиянием гравитации инициативе почвы движения, вызванных водой эрозии4,5,6. В возделанные поля транслокации почвы путем обработки почвы является еще одним важным процессом, способствуя C перераспределение7,8,9. Эрозия почвы вызывает значительный чистый склону движение частиц почвы и приводит к вариации в пределах поля почвы10. Воды и почвы Эрозия значительно зависят от топографии ландшафта, который определяет расположение эрозионные и осадконакопления сайтов11. Таким образом, эффективное почвы Эрозия регулирования и C динамических расследования в сельскохозяйственных земель требует лучшего понимания топографических элементов управления на эрозии почвы и движений.

Несколько исследований изучили влияние рельефа на почве перераспределения и связанные SOC динамика9,12,13,14,,1516, 17. ван дер воспрянуть духом и др. 12 сообщили, что топографические факторы объяснил 43% изменчивости в почве перераспределения. Резаи и Gilkes13 нашли выше SOC в почвах на тенистой аспект, из-за более низких температурах и менее испарения по сравнению с другими аспектами в пастбищных угодий. Рельеф может иметь более серьезные последствия на почве перераспределения сельскохозяйственных землях с традиционной обработке почвы лечения, чем те, с минимальной обработки почвы, из-за взаимодействия между формами рельефа и почвообрабатывающая практики9. Однако эти выводы были главным образом получены из полевых наблюдений, которые представляют трудности в расследовании свойств почвы в широком пространственном масштабе. Существует настоятельная необходимость разработать новые стратегии для эффективного понимания пространственных изменений свойств почвы на водосборных бассейнов и региональном масштабах.

Цель данного исследования является разработка эффективных моделей для имитации почвы перераспределения и SOC распределения. Модели на основе топографии использованием топографических метрик, как предикторы были разработаны для количественной оценки процессов эрозии и осаждения почвы. По сравнению с эмпирическим или процесса на основе – эрозии, которую можно было бы разработать модели, которые используются дискретные поле выборок для имитации почвы Эрозия18,19, моделей на основе топографии на основе топографической информации, производных от цифровой модели рельефа (DEM) с высоким разрешением. Этот подход позволяет непрерывной почвы свойство моделирования на уровне водосборных бассейнов или региональном масштабе. В последние несколько десятилетий существенно улучшилась точность топографической информации, с увеличением доступности данных высокого разрешения дистанционного зондирования. Хотя предыдущие исследования использовали на основе топографии моделей для имитации почвы свойства12,20,21,22, большинство из этих расследований используется один Топографическая метрики или одной категории Топографическая метрик (местные, не местных или комбинированных Топографическая метрики), который может не изучили достаточно Топографическая воздействия на микробную активность почвы. Таким образом чтобы лучше понять топографии контроля эрозии почвы и C динамики, мы изучили всеобъемлющий набор показателей топографических, включая местные, нелокальные и комбинированных Топографическая метрики и разработали мульти переменной на основе топографии модели для моделирования динамики свойства почвы. Применения этих моделей, как ожидается, оказывать научную поддержку для лучшего контроля эрозии почвы и сельскохозяйственного землепользования.

Топографическая метрики обычно относится к одной из трех категорий:) местные топографические метрики, b) не местных топографических метрики или c) комбинированных Топографическая метрики. Местные топографические метрики относятся к местных особенностей одной точке на поверхности земли. Нелокальные Топографическая метрики сослаться относительного расположения выбранных точек. Комбинированные Топографическая метрики интеграции местных и неместных Топографическая метрики. Набор топографических метрик, затрагивающих эрозии почвы и осаждений были использованы в этом исследовании расследовать Топографическая контроль движения почвы и C запасов (Таблица 1). В частности, мы использовали четыре местных топографических метрики [склон, профиль кривизны (P_Cur), план кривизны (Pl_Cur), общую изгиб (G_Cur)], семь-местные топографические метрик [потока накопления (ФА), Топографическая рельеф, позитивные открытость (POP), расчищенной склон (UpSl), длина пути потока (FPL), склону индекс (DI), площадь водосбора (CA)], и три сводных метрик Топографическая [Топографическая влажность индекс (TWI), индекс силы потока (SPI) и коэффициент наклона длины (LS)].

Protocol

1. Топографическая анализы Предварительной обработки цифровых данных Сбор данных LiDAR от GeoTREE LiDAR сопоставления проекта веб-сайта. Выберите «тип границы» и «регион», чтобы увеличить масштаб определенной области. Рисование многоугольника для загрузки LiDAR плитки для выбранного исследуемой области. Преобразуйте необработанные данные лидара Лас файл с помощью инструмента сопоставления географической информационной системы (ГИС). Создание DEMs с пространственным разрешением 3-м с использованием обратных расстояние взвешенный интерполяции. Фильтр 3-м DEMs дважды с фильтром низких частот 3-ядра для уменьшения шумов ассоциируется с местные вариации. Топографическая метрических поколение Для создания топографических метрики, сначала загрузите последнюю версию системы для автоматизированной Geoscientific анализ (Сага)23. Нажмите кнопку «Импортировать растровые» в разделе Импорт и экспорт для импорта отфильтрованных DEMs 3-м в Сага. Щелкните модуль «Склон, аспект, кривизна» саги с параметрами по умолчанию для создания склона и связанных с ними кривизны [профиль кривизны (P_Cur), план кривизны (Pl_Cur) и общей кривизны (G_Cur)] метрик с помощью отфильтрованных DEMs (рис. 1). Щелкните модуль «Накопления (сверху вниз) потока» Сага и выберите «Детерминированный бесконечности» как метод для создания потока накопления (ФА) метрики с помощью отфильтрованных DEMs. Нажмите кнопку «Сага Топографическая открытости» модуль с параметрами по умолчанию для создания метрики позитивные открытость (POP), с помощью отфильтрованных z-axis изображения усиливается. Щелкните модуль «LS-фактор (поле базе)» Сага с параметрами по умолчанию для создания расчищенной склон (Upsl) и наклон метрики фактор (LS_FB) Длина с помощью отфильтрованных DEMs. Щелкните модуль «Длина пути потока» саги с параметрами по умолчанию для создания потока путь длиной (FPL) метрики с помощью отфильтрованных DEMs. Нажмите кнопку «Склону расстояние градиента» модуль Сага с параметрами по умолчанию для создания метрики склону индекс (ди), с помощью отфильтрованных DEMs. Щелкните модуль «Сага влажность индекс» и выберите «абсолютный водосбора» как тип области для создания водосбора (CA) и Топографическая влажность индекс (TWI) метрик с помощью отфильтрованных DEMs. Щелкните модуль «Поток мощности индекс» саги и выберите «псевдо конкретных водосбора» как области преобразования для создания потока мощности индекс (SPI) метрики с помощью отфильтрованных DEMs. Генерировать максимальная высота карты с несколькими радиусами. Фильтрация карты максимальная высота дважды через фильтр низких частот 3-ядра. Вычтите отфильтрованные DEM 3-m от отфильтрованных максимальная высота карты для получения ряда рельефные карты. Экстракт серии помощи переменных для ряда мест. Выполните анализ главных компонент (СПС) на рельеф переменных для преобразования рельефы в топографических помощи компонентов. Выберите основные компоненты, которые объясняют более 90% дисперсии помощи набора топографических помощи метрик. 2. сбор данных поля Поле выборки Выберите количество пахотных земель на местах, которые могут адекватно представлять характеристики ландшафта области исследования и несколько представительных мелкие пахотными полей, которые можно отведать интенсивно.Примечание: Образцы почвы, собранных из двух полей пахотных земель были использованы для калибровки модели. Пробы почвы из района всего исследования использовались для проверки моделей. Загрузить все координаты местоположения образца на основе кода географической системы позиционирования (GPS) и физически разместите их в полях. Соберите 3 образцы для каждого места отбора проб от топ 30 см слоя почвы, с помощью push зонда (3,2 см в диаметре).Примечание: На участках, где ожидалось отложения были собраны пробы почвы от 30-50 см слоев. Объем каждой выборки был 241 см3. Запись координат Геоинформационные выборки местоположения с помощью GPS. Взвесьте образцы почвы после высыхания их на 90 ° C в течение 48 ч. Расчет плотности грунта с использованием сведений о томах общей выборки в местах выборки и весов. Смесь трех образцов из того же места, чтобы получить образец составного почвы. Подготовка почвы Сито образцы составных почвы с экраном 2 мм. Растереть 10 g подвыборки фильтруют почвы очень мелкий порошок с роликовыми мельницами. Анализ образцов почвы Измерить почвы общего углерода (C) содержание ролика молотые проб путем сжигания на CN Элементаль анализатора при температуре 1350 ° C. Оценить содержание кальция карбонат C, анализируя остальные C после выпечки органического вещества почвы при температуре 420 ° C для 16 h в печи. Рассчитайте содержание SOC (%) путем вычитания карбонат кальция C содержание от содержания общей почве C. Преобразуйте содержимое SOC (%) SOC плотности (кг м-2) с помощью плотности грунта. Положите массовых проб почвы фильтруют 2-мм в Маринелли мензурки и запечатать их. Измерение концентрации 137Cs каждого образца через гамма-анализ с использованием спектроскопии системы, которая получает входы от трех высокой чистоты коаксиальный Германий кристаллов (HpCN30% эффективности) в анализаторы 8192-канал (см. таблица материалов ). Калибровка системы с использованием стандартных аналитических смешанные радионуклидов11. Преобразуйте 137Cs концентрации 137Cs инвентаризации с помощью плотности почвы. Вычислить скорость перераспределения почвы с помощью 137Cs инвентаризации, применяя II модели баланса массы (MBMII) в электронную таблицу-в программе, разработанной Уоллинг et al. 24. 3. топография ориентированная модель разработки Топографическая главных компонент оценки Извлечь Топографическая метрики для отбора мест всей исследуемой области и в областях мелкие пахотными. Стандартизируйте Топографическая метрик выборки мест в области всего исследования, используя среднее и стандартное отклонение. Оценки топографических метрических нагрузок в каждый компонент на основе стандартизированных Топографическая метрик, используя PCA с статистического программного пакета. Собирать Топографическая метрических нагрузки в каждом Топографическая главных компонент (TPC) и выберите верхний КПБН, которые объясняют 90% дисперсии всех метрик. Стандартизируйте Топографическая метрик выборки мест в полях мелкие пахотными. Вычислить Топ КПБН для каждого местоположения, сумма стандартизированных Топографическая метрик, взвешенные по соответствующей нагрузки от места отбора проб в WCW. Калибровка модели Регрессии ступенчатой обычных наименее квадратный (SOLSR) для разработки на основе топографии SOLSRf моделей для SOC плотности и коэффициенты перераспределения почвы, основанные на всех топографических метрик на полях мелкие пахотными. Используйте критерий Akaike информации (AIC) и отпуск один из перекрестной проверки выбрать оптимальное сочетание топографических метрики для наилучшего установлены моделиf SOLSR. Проверьте коллинеарности среди Топографическая переменных с использованием коэффициента инфляции дисперсии (ВИФ). Удалить переменные с крупнейшим VIF (ВИФ ≥ 7,525) и снова проверьте VIF. Удалите переменные, пока ПНП всех переменных < 7.5. Выполните SOLSR для разработки на основе топографии SOLSRr модели для SOC плотности и почвы перераспределения ставок на основе топографических метрик, которые были удалены высокой коллинеарности переменные. Используйте АПК и отпуск один из перекрестной проверки выбрать оптимальное сочетание для наилучшего установлены моделиr SOLSR. Регрессии (SPCR) поэтапный главных компонент для разработки моделей на основе топографии SPCR для SOC плотности и почвы перераспределения коэффициенты, основанные на КПБН на полях мелкие пахотными. Используйте АПК и отпуск один из перекрестной проверки выбрать оптимальное сочетание КПБН для наилучшего установлены SPCR моделей. Вычислите скорректированный коэффициент определения (Radj2), Нэш-Сатклифф эффективности (NSE) и соотношение Корень среднеквадратичной ошибки для стандартного отклонения измеренных данных (RSR) для оценки эффективности модели. Модель оценки Оценить плотность SOC и почвы перераспределения ставки в районе всего исследования путем применения сметных модели. Проверка разработанной модели путем сопоставления прогноза с измеренной dataset SOC плотности и почвы перераспределения ставки в районе всего исследования. Оценить модель выступления с помощью Radj2, NSE и RSR значения.

Representative Results

Мы использовали грецкий орех Creek водосборами (WCW) как обкатки оценить осуществимость моделей на основе топографии в следственный почвы перераспределения и SOC динамики. Водораздел находится в графствах Бун и история в пределах штата Айова (41 ° 55′-42 ° 00’N; 93 ° 32′-93 ° 45′ W) с площадью 5,130 га (рис. 2). Пахотных земель является доминирующей тип землепользования в WCW, с относительно ровной местности (среднее 90 м, топографических помощи 2,29 м). Зубило, пахота, дискование, и душераздирающие операции являются основной обработки почвы практики в урожай поля26,27; Однако почвы направления варьироваться из-за различий в практике управления. Сто шестьдесят культур на местах были случайно выбранных для получения топографической информации в WCW (рис. 2). 100 из 460 мест, включая два 300 m трансекты (каждый имеют 9 участков для выборочного обследования), были отобраны для проведения полевых измерений и анализа уровней SOC и почве перераспределения. Кроме того для более интенсивного выборок были отобраны два небольших местах с топографических пейзаж, типов почвы и практики обработки аналогичны WCW. На каждом сайте мелких местах был создан 25 × 25 m ячейки сетки, и 230 мест отбора проб были расположены в сетке узлов (рис. 3). Топографическая информация свойства метрики и почвы были рассчитаны на 230 мест. Топографическая метрики в WCW были получены после вышеупомянутого протокола. WCW характеризуется низким средним топографии (высота от 260 до 325 м) с относительно малым уклоном (от 0 до 0,11 радиан), расчищенной склон (0 до 0,09 м) и умеренные искривлений (профиль кривизны:-0.009-0,009 м-1, план кривизны: -0.85-0,85 м-1, общей кривизны: -0.02-0,02 м-1). Вертикальной высоты демократов были увеличены 100 раз увеличить различимость относительно низкой рельефа поля шкала в WCW для создания положительных открытость метрики (POP100). После преобразования, спектр положительных открытости увеличилась с 0,08 радианах (поп: 1,51-1,59 радианы) до 0,86 радиан (POP100: 0,36-1.22 радианы). Для топографических помощи, мы созданы семь рельефные карты с радиусами следующие: 7,5 м, 15 м, 30 м, 45 м, 60 м, 75 м и 90 м. Два главных компонентов чрезвычайной помощи были отобраны по результатам PCA на семь помощи переменных. Первый показал разрешающей помощи вариации с облегчением45 m как главной переменной. Мы определили этот компонент как крупномасштабной чрезвычайной помощи (LsRe). Второй компонент, который был высоко коррелируют с облегчением7,5 м и представлены прекрасные резолюции помощи вариации, был определен как мелких помощи (SsRe). Результаты анализов корреляции между Топографическая метрики и SOC перераспределения плотности/почвы представлены в таблице 2. TWI и LsRe показали высокие корреляции с плотностью SOC и почвы распространение ставки, соответственно. Пространственная структура двух метрик представлены на рисунке 4. Подробная информация о Тви и LsRe могут наблюдаться лучше из области разреза. Обе метрики показали высокие значения в районе депрессионные и низких значений в наклонных и хребет районах. Однако различия между двумя показателями произошли в районах ров, где TWI выставлены чрезвычайно высокие значения, но значения LsRe не отличались от прилегающих районов. После создания пятнадцать Топографическая метрик, мы использовали PCA на эти топографические переменных на 460 мест взятия проб в WCW. Были отобраны первые семь топографических основных компонентов (КПБН), которые объяснены более изменчивость 90% всей топографических данных DataSet. В таблице 3перечислены пять КПБН, которые были окончательными выбран для построения моделей на основе топографии. Для первого основного компонента (TPC1) G_Cur показали высокие нагрузки. Склон, тви, Upsl и LS_FB являются наиболее важные метрики в TPC2, с нагрузками больше 0.35. В TPC3, Англии, SPI и CA были важные метрики, с нагрузками 0.482, 0.460 и 0.400, соответственно. FPL (-0.703) и Pl_Cur (0,485) являются наиболее важными в TPC6. Основные метрики с высокими нагрузками в TPC7 были SsRe (0,597), ди (0.435), FPL (0.407) и Pl_Cur (0.383). Коллинеарность Топографическая переменной была проверена путем изучения VIF. Из 15 показателей склон, TWI и G_Cur были удалены из-за высокой ПНП. Основываясь на почве перераспределения ставки и углерода плотность данных из сайтов 1 и 2, SOLSR модели были разработаны с использованием всех 15 метрик (fSOLSR) и 12 метрик с коллинеарных ковариаций удалены (SOLSRr) (Таблица 4). Как правило более 70% и 65% изменчивости в SOC перераспределения плотности и почвы ставки были объяснены моделиf SOLSR, соответственно. Для моделей с коллинеарных ковариаций удалены (rSOLSR) моделирование эффективности были несколько ниже, чем моделиf SOLSR (68% для SOC плотности и 63% для перераспределения почвы). НГП были чуть ниже и RSR были несколько выше в SOLSRr модели, чем в моделиf SOLSR. Для моделей SPCR аналогичные моделирование эффективности как SOLSRr наблюдаются в таблице 4. Однако меньше независимых переменных были отобраны в моделях SPCR (менее 5 переменных) чем SOLSRf иr -модели SOLSR (более 6 переменных). КПБН 1, 2, 3 и 7 были выбраны в качестве независимой переменной комбинации для соц модель и КПБН 1, 2, 3, 6 и 7 были отобраны как комбинация для перераспределения модель почвы. Мы обнаружили, что модели SPCR лучшие прогнозы и SOLSRr модели показали бедных спектаклей в масштабах водосборных бассейнов. Коэффициенты определения (2r), сравнивая плотность предсказание SOC для наблюдения увеличилась с: 1) 0.60 в SOLSRf и 0,52 в SOLSRr 0,66 SPCR, и 2) NSE увеличилась с 0,21 в SOLSRf и 0,16 в SOLSRr до 0,59 в SPCR; в то время как RSR сокращено с 0,87 в SOLSRf и 0,91 в SOLSRr до 0,64 в SPCR. Почвы распространение ставки прогнозирования в SPCR приходилось 36% изменчивости в Измеренная перемеююый и был выше, чем прогнозы SOLSRf (34%), SOLSRr (0,35%). Выше NSE и Нижняя RSR в SPCR (NSE = 0,33, RSR = 0,82) по сравнению с SOLSRf (NSE = 0,31, RSR = 0,83) и SOLSRr (NSE = 0,32, RSR = 0,82) также продемонстрировали более высокую производительность в почве перераспределения курс моделирование SPCR. Согласно модели оценки производительности SPCR модели были отобраны для создания SOC плотности и почвы распространение ставки карт в масштабах водосборных бассейнов. Картах выявлены закономерности между моделирования и полевых измерений (рис. 5). Высокая консистенции между моделирования и наблюдений были более очевидным вдоль трансекты. Оба показателя перераспределения плотности и почвы SOC показали высокую корреляцию с топографией ландшафта. Высокие значения плотности SOC можно найти в footslope и осадконакопления районах, где произошло почвы осаждения, в то время как низкие значения плотности SOC наблюдались в наклонной области, где проходил эрозии почвы. Рисунок 1 : Склон, аспект, модуль кривизны в системе для автоматизированной Geoscientific анализ (Сага). Полигоны показывают расположение областей исследования. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры. Рисунок 2 : Расположение Walnut Creek водосборами и участков для отбора проб в речном бассейне (Айова). Эта цифра была адаптирована из предыдущей работы17. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры. Рисунок 3 : Расположение выбранных сайтов) 1 и 2 b) (15 x высота z-axis). Эта цифра была адаптирована из предыдущей работы17. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.  Рисунок 4 : Карты топографические метрика. () индекс топографические влажности (TWI) и (b) крупномасштабных топографических помощи (LsRe) в Walnut Creek водосборами и разрез области (15 x Высота оси z). Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры. Рисунок 5 : Скорость перераспределения почвы (т га-1 год-1) карты и SOC плотности (кг м-2) карты .  Изображены почве перераспределения карты (a) в Walnut Creek водосборами и (b) вдоль двух разрезов. Изображены SOC плотности (кг м-2) карты (c) в рамках Walnut Creek водосборами и (d) вдоль двух разрезов с использованием ступенчатой главных компонент анализа моделей (15 x Высота оси z). Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры. Переменные Значение Склон (радиан) Скорость стока, почвы воды содержание28,29 Профиль кривизны (m-1) Ускорение, эрозии почвы,11,скорость осаждения30 потока План кривизны (m-1) Потока конвергенция и дивергенция, почвы воды содержание30 Генеральный кривизны (m-1) Скорость стока, эрозии почвы, осаждения29 Накопление потока Почвы воды содержание, стока объем20 Топографическая рельеф (м) Пейзаж дренаж Характеристики стока скорость и ускорение21,31  Позитивные открытость (радиан) Пейзаж дренаж характеристики, почвы воды содержание32 Расчищенной склон (м) Стока скорости33,34 Длина пути потока (м) Осадков урожайность, темпы эрозии35  Склону индекс (радиан) Почвы воды содержание36 Площадь водосбора (2m) 33,скорость и объем стока37  Топографическая влажность индекс Почвы влага распределения28,,3839  Индекс силы потока Эрозия почв, сближение потока40  Коэффициент длины склона Потока конвергенции и дивергенции28,40 Таблица 1: Значимости отдельных топографических метрик. Наклон P_Cur Pl_Cur G_Cur FA LsRe SsRe ПОП Upsl FPL ДИ CA TWI SPI LS_FB (радиан) (m-1) (m-1) (m-1) (m) (m) (радиан) (m) (m) (°) (2m) 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 и G_Cur являются кривизны профиля, план кривизны и общую изгиб, соответственно; Фа — накопление потока; RePC1 и RePC2 являются топографических помощи компонента 1 и 2, соответственно; POP100 является позитивным открытость; Upsl является расчищенной склона; FPL-длина пути потока; ДИ является индекс склону; CA является водосбора; TWI является индекс Топографическая влажности; и SPI является индекс потока мощности; и LS_FB коэффициент наклона длины (поле). * P < 0,05, ** P < 0,005, *** P < 0,0001. †Correlation коэффициент > 0,5, коэффициент корреляции ‡Highest для каждого свойства почвы. Таблица 2: Корреляции Спирмена (n = 560) между выбранной Топографическая метрики и плотности почвы органического углерода (SOC) и почвы распространение ставки (SR). TPC1(25%) TPC2(24%) TPC3(14%) TPC6(5%) TPC7(4%) Наклон 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† ДИ 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 и G_Cur являются кривизны профиля, план кривизны и общую изгиб, соответственно; Фа — накопление потока; RePC1 и RePC2 являются топографических помощи компонента 1 и 2, соответственно; POP100 является позитивным открытость; Upsl является расчищенной склона; FPL-длина пути потока; ДИ является индекс склону; CA является водосбора; TWI является индекс Топографическая влажности; и SPI является индекс потока мощности; и LS_FB коэффициент наклона длины (поле). †Loadings > 0,35. Таблица 3: Переменных нагрузок основных компонентов (КПБН) рассчитаны для топографических метрики (n = 460) в Walnut Creek водосборами. Модель R2adj NSE RSR Ступенчатые главных компонент регрессии (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 Ступенчатые обычных наименее квадратных регрессии (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 Ступенчатой обычных наименее квадратных регрессии с коллинеарных ковариаций удалены (rSOLSR) 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 † Порядок КПБН основан на поэтапный выбор действия R2Рег является скорректированный коэффициент смешанной корреляции; NSE-Нэш-Сатклифф эффективность; RSR является соотношение корень квадратный из среднего квадрата ошибки (СКО) стандартного отклонения измеренных данных. TPC представляет Топографическая главных компонент. TWI является индекс Топографическая влажности; FPL-длина пути потока; P_Cur, Pl_Cur и G_Cur являются кривизны профиля, план кривизны и общую изгиб, соответственно; LS_FB является фактором, Длина склона (поле); LsRe и SsRe, крупных и мелких топографических рельефы, соответственно; ДИ является индекс склону; и Upsl расчищенной склона. Таблица 4: Модели плотности почвы органического углерода (SOC) и почвы распространение ставки (SR) для сельскохозяйственных полей на основе топографических метрики в пунктах 1 и 2.

Discussion

Моделиf SOLSR был немного лучше выступления чем SPCR модели в калибровки в поле Масштаб. Однако некоторые из топографических метрик, таких как SPI и CA (r > 0,80), тесно связаны друг с другом. Коллинеарность может добавить неопределенности в модели прогнозов. Из-за Мультиколлинеарность среди предикторы небольшие изменения в входных переменных может существенно повлиять на модель предсказания41. Таким образом, моделиf SOLSR склонны быть нестабильным и показал низкой эффективности в симуляции SOC плотности и почвы перераспределения ставки на уровне водосборных бассейнов. Модели SPCR существенно превысили SOLSRf модели в прогнозировании SOC распространения в масштабах водосборных бассейнов. КПБН устранить мультиколлинеарность путем преобразования пятнадцать Топографическая метрики в взаимно независимыми (ортогональных) компоненты. Преобразование также обнаружили базовые отношения между Топографическая метрики. Как указано в высоких нагрузках (> 0.35) топографические метрик для компонентов, TPC1, TPC2, TPC3, TPC6 и TPC7 были связаны с скорость стока, содержание воды в почве, объем стока, расхождение потока и ускорение потока, соответственно. Пространственная структура почвы распространение ставки и SOC распределения высоко коррелировали с содержанием воды почвы и стока расхождение в WCW, которая согласуется с изучением Фокс и Папаниколау2, который продемонстрировал, что эрозии почвы от возвышенности могут быть затронуты дивергенции потока в невысоком рельефе сельскохозяйственных водораздел.

Кроме того меньше переменные в модели SPCR чем SOLSRf иr модели SOLSR снижает риск чрезмерного оснащения прогнозирующих моделей42,43. Во всех моделях SOLSR, которые могут увеличить сложность интерпретации данных и вызвать высокую вариативность в модель моделирования41,,4445были более чем шесть переменных. Это может объясняться нижней прогнозирования эффективности в WCW, SOLSR чем моделях SPCR модели.

Рельеф-на основе модели SPCR имеют преимущества в имитации почвы перераспределения и связанные SOC динамики. Во-первых, Топографическая информация может быть легко получена от демократов. Недавнее увеличение доступности высокого пространственного разрешения лидарных данных может помочь улучшить точность DEM-производные пейзаж топографии и пользу расследований в регионах с ограниченным полевых наблюдений. Во-вторых с помощью набора топографических метрики и статистического анализа, моделей на основе топографии можно эффективно количественно почве перераспределения и моделей распределения соц. В-третьих применение главных компонент может эффективно уменьшить перекосы, связанные с Мультиколлинеарность Топографическая метрик и увеличить стабильность поэтапного регрессии модели при применении к несколько пространственных масштабах.

Однако SPCA модели может быть ограничена переменных во время разработки модели. Хотя применение данных LiDAR увеличение экологических исследований, методы для получения полезной топографической информации еще не были изучены полностью. В этом исследовании TWI и LsRe показали высокие корреляции с плотностью SOC и почвы распространение ставки, соответственно. Однако, дополнительные Топографическая переменные, которые не считаются может быть в равной степени или более важную роль в объяснении эрозии почвы и C динамики. Кроме того другие факторы, например практики управления, которые могут привести к изменчивости эрозии почвы, не были включены в этом исследовании. Например когда почвы была параллельна направлению максимальный наклон, эрозии почвы может вдвое по отношению к эрозии в косо почвы, обращаясь почвы расчищенной46. Таким образом различные почвы практики также могут быть причиной для снижение прогноза эффективности моделей SPCR.

Исследование основано на статье, опубликованной в Catena17. Вместо того чтобы механистический на основе анализа топографических влияет на движение грунта и свойств почвы, выполнена в документе Катена здесь мы сосредоточились на методы количественной оценки топографических метрики и разработки моделей на основе топографии. Мы обсудили возможности и преимущества использования моделей на основе топографии исследования пространственной структуры свойств почвы. Тем временем мы улучшили наши модели путем обновления алгоритмов накопления фактор и потока Длина склона. Шкала измерения наклона длины фактор был ограничен для поля области. Кроме того Инфинити детерминистские алгоритм использовался для потока накопления поколения. По сравнению с методом, сообщили в Li et al. 17 , вызвавшего потока накопления с детерминированный алгоритм восьми узлов, алгоритм бесконечности, принятой в этом исследовании уменьшает петель в направлении углов потока и оказался лучше алгоритм для невысоком рельефе районах47.

В заключение наши результаты демонстрируют возможности моделей на основе топографии SPCR в имитации SOC распределение и перераспределение структуры почвы в областях сельского хозяйства. Как экономически эффективным методом для оценки запасов SOC и почвы распространение ставки это применимо к сайтам с ограниченных данных наблюдений и частных землях, не хватает доступа общественности. В будущем исследования, предсказание, что модели может быть улучшена с дальнейшей доработки и доступность данных LiDAR и включение дополнительных топографических метрик. Крупномасштабные почвы свойства карты, которые были разработаны на основе моделей приведет к дальнейшему пониманию механизмов, лежащих в основе топографических воздействия на движение грунта в сельскохозяйственных ландшафтах и судьба SOC на уровне водосборных бассейнов и региональном масштабе.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Это исследование было поддержано USDA природных ресурсов службы охраны совместно с компонентом водно-болотные угодья национального сохранения эффекты оценки проекта (NRCS 67-3A75-13-177).

Materials

Light Detection and Ranging (LiDAR) data  http://www.geotree.uni.edu/lidar/ Collected from the GeoTREE LiDAR mapping project 
LECO CNS 2000 elemental analyzer  LECO Corp., St. Joseph, MI
Canberra Genie-2000 Spectroscopy System CANBERRA Industries
Geographic positioning system Trimble  RTK 4700 GPS
ArcGIS ESRI, Redlands, CA 10.2.2
Statistical Analysis System  SAS Institute Inc
System for Automated Geoscientific Analysis  University of Göttingen, Germany  v. 2.2.5, http://www.saga-gis.org/ GNU General Public License

References

  1. Lal, R. Soil erosion and carbon dynamics. Soil and Tillage Research. 81 (2), 137-142 (2005).
  2. Fox, J. F., Papanicolaou, A. N. The use of carbon and nitrogen isotopes to study watershed erosion processes. Journal of the American Water Resources Association. 43 (4), 1047-1064 (2007).
  3. Hemelryck, H. V., Fiener, P., Van Oost, K., Govers, G., Merckx, R. The effect of soil redistribution on soil organic carbon: An experimental study. Biogeosciences. 7 (12), 3971-3986 (2010).
  4. McCarty, G. W., Ritchie, J. C. Impact of soil movement on carbon sequestration in agricultural ecosystems. Environmental Pollution. 116 (3), 423-430 (2002).
  5. Quine, T. A., van Oost, K. Quantifying carbon sequestration as a result of soil erosion and deposition: Retrospective assessment using caesium-137 and carbon inventories. Global Change Biology. 13 (12), 2610-2625 (2007).
  6. Polyakov, V. O., Lal, R. Soil organic matter and CO2 emission as affected by water erosion on field runoff plots. Geoderma. 143 (1-2), 216-222 (2008).
  7. Balesdent, J., Mariotti, A., Boisgontier, D. Effect of tillage on soil organic carbon mineralization estimated from 13C abundance in maize fields. Journal of Soil Science. 41, 587-596 (1990).
  8. Van Oost, K., et al. Landscape-scale modeling of carbon cycling under the impact of soil redistribution: The role of tillage erosion. Global Biogeochemical Cycles. 19 (4), 1-13 (2005).
  9. De Gryze, S., Six, J., Bossuyt, H., Van Oost, K., Merckx, R. The relationship between landform and the distribution of soil C, N and p under conventional and minimum tillage. Geoderma. 144 (1-2), 180-188 (2008).
  10. Zhang, J., Quine, T. A., Ni, S., Ge, F. Stocks and dynamics of SOC in relation to soil redistribution by water and tillage erosion. Global Biogeochemical Cycles. 12, 1834-1841 (2006).
  11. Ritchie, J. C., McCarty, G. W., Venteris, E. R., Kaspar, T. C. Soil and soil organic carbon redistribution on the landscape. Geomorphology. 89, 163-171 (2007).
  12. Vander Perk, M., Slávik, O., Fulajtár, E. Assessment of spatial variation of cesium-137 in small catchments. Journal of Environmental Quality. 31 (6), 1930-1939 (2002).
  13. Rezaei, S. A., Gilkes, R. J. The effects of landscape attributes and plant community on soil physical properties in rangelands. Geoderma. 125 (1-2), 145-154 (2005).
  14. Rieke-Zapp, D. H., Nearing, M. A. Slope shape effects on erosion: a laboratory study. Soil Science Society of America Journal. 69 (5), 1463-1471 (2005).
  15. Schwanghart, W., Jarmer, T. Linking spatial patterns of soil organic carbon to topography – A case study from south-eastern Spain. Geomorphology. 126 (1-2), 252-263 (2011).
  16. Dialynas, Y. G., et al. Topographic variability and the influence of soil erosion on the carbon cycle. Global Biogeochemical Cycles. 30, 644-660 (2016).
  17. Li, X., McCarty, G. W., Karlen, D. L., Cambardella, C. A. Topographic metric predictions of soil redistribution and organic carbon in Iowa cropland fields. Catena. 160, 222-232 (2018).
  18. Amore, E., Modica, C., Nearing, M. A., Santoro, V. C. Scale effect in USLE and WEPP application for soil erosion computation from three Sicilian basins. Journal of Hydrology. 293 (1-4), 100-114 (2004).
  19. Doetterl, S., et al. Erosion, deposition and soil carbon: A review of process-level controls, experimental tools and models to address C cycling in dynamic landscapes. Earth-Science Reviews. 154, 102-122 (2016).
  20. Gessler, P. E., Chadwick, O. A., Chamran, F., Althouse, L., Holmes, K. Modeling soil-landscape and ecosystem properties using terrain attributes. Soil Science Society of America Journal. 64 (6), 2046-2056 (2000).
  21. Montgomery, D. R., Brandon, M. T. Topographic controls on erosion rates in tectonically active mountain ranges. Earth and Planetary Science Letters. 201 (3-4), 481-489 (2002).
  22. Pan, B., Geng, H., Hu, X., Sun, R., Wang, C. The topographic controls on the decadal-scale erosion rates in Qilian Shan Mountains N.W. China. Earth and Planetary Science Letters. 292 (1-2), 148-157 (2010).
  23. Conrad, O., et al. System for Automated Geoscientific Analyses (SAGA) v . 2.1.4. Geoscientific Model Development. 8, 1991-2007 (2015).
  24. Walling, D. E., Zhang, Y., He, Q. Models for deriving estimates of erosion and deposition rates from fallout radionuclide (caesium-137, excess lead-210, and beryllium-7) measurements and the development of user friendly software for model implementation (IAEA-TECDOC-1665). International Atomic Energy Agency. , 11-33 (2011).
  25. Sindayihebura, A., Ottoy, S., Dondeyne, S., Van Meirvenne, M., Van Orshoven, J. Comparing digital soil mapping techniques for organic carbon and clay content Case study in Burundi’s central plateaus. Catena. 156, 161-175 (2017).
  26. Schumacher, J. A., Kaspar, T. C., Ritchie, J. C., Schumacher, T. E., Karlen, D. L. Identifying spatial patterns of erosion for use in precision conservation. Journal of Soil and Water Conservation. 60 (6), 355-362 (2005).
  27. Young, C. J., et al. Evaluation of a model framework to estimate soil and soil organic carbon redistribution by water and tillage using 137Cs in two U.S. Midwest agricultural fields. Geoderma. 232, 437-448 (2014).
  28. Afshar, F. A., Ayoubi, S., Jalalian, A. Soil redistribution rate and its relationship with soil organic carbon and total nitrogen using 137Cs technique in a cultivated complex hillslope in western Iran. Journal of Environmental Radioactivity. 101 (8), 606-614 (2010).
  29. Li, Q. Y., Fang, H. Y., Sun, L. Y., Cai, Q. G. Using the 137Cs technique to study the effect of soil redistribution on soil organic carbon and total nitrogen stocks in an agricultural catchment of Northeast China. Land Degradation & Development. 25 (4), 350-359 (2014).
  30. Troch, P., Van Loon, E., Hilberts, A. Analytical solutions to a hillslope-storage kinematic wave equation for subsurface flow. Advances in Water Resources. 25 (6), 637-649 (2002).
  31. Tucker, G. E., Bras, R. L. Hillslope processes, drainage density, and landscape morphology. Water Resources Research. 34 (10), 2751-2764 (1998).
  32. Seijmonsbergen, A. C., Hengl, T., Anders, N. S. Semi-Automated Identification and Extraction of Geomorphological Features Using Digital Elevation Data. Developments in Earth Surface Processes. 15, (2011).
  33. Moore, I. D., Grayson, R. B., Ladson, D. A. R. Digital terrain modelling: A review of hydrological, geomorphological, and biological applications. Hydrological Processes. 5, 3-30 (1991).
  34. Kirkby, M. J. Do not only connect: A model of infiltration-excess overland flow based on simulation. Earth Surface Processes and Landforms. 39 (7), 952-963 (2014).
  35. Sharpley, A., Kleinman, P. Effect of rainfall simulator and plot scale on overland flow and phosphorus transport. Journal of Environmental Quality. 32 (6), 2172-2179 (2003).
  36. Hjerdt, K. N. A new topographic index to quantify downslope controls on local drainage. Water Resources Research. 40 (5), 1-6 (2004).
  37. Kasai, M., Marutani, T., Reid, L. M., Trustrum, N. A. Estimation of temporally averaged sediment delivery ratio using aggradational terraces in headwater catchments of the Waipaoa River, North Island, New Zealand. Earth Surface Processes and Landforms. 26 (1), 1-16 (2001).
  38. Lang, M. W., McCarty, G. W., Oesterling, R., Yeo, I. Y. Topographic metrics for improved mapping of forested wetlands. Wetlands. 33 (1), 141-155 (2013).
  39. Li, X., et al. Topographic and physicochemical controls on soil denitrification in prior converted croplands located on the Delmarva Peninsula, USA. Geoderma. 309, 41-49 (2018).
  40. Conforti, M., Aucelli, P. P. C., Robustelli, G., Scarciglia, F. Geomorphology and GIS analysis for mapping gully erosion susceptibility in the Turbolo stream catchment (Northern Calabria, Italy). Natural Hazards. 56 (3), 881-898 (2011).
  41. Dormann, C. F., et al. Collinearity: A review of methods to deal with it and a simulation study evaluating their performance. Ecography. 36 (1), 027-046 (2013).
  42. Fodor, I. K. . A survey of dimension reduction techniques. 9, 1-18 (2002).
  43. Quijano, L., Gaspar, L., Navas, A. Spatial patterns of SOC, SON, 137 Cs and soil properties as affected by redistribution processes in a Mediterranean cultivated field (Central Ebro Basin). Soil and Tillage Research. 155, 318-328 (2016).
  44. Næs, T., Martens, H. Principal component regression in NIR analysis: Viewpoints, background details and selection of components. Journal of Chemometrics. 2 (2), 155-167 (1988).
  45. Shlens, J. A Tutorial on Principal Component Analysis. Measurement. 51, 52 (2014).
  46. Heckrath, G., et al. Tillage erosion and its effect on soil properties and crop yield in Denmark. Journal of Environmental Quality. 34, 312-324 (2005).
  47. Tarboron, G. A new method for the determination of flow directions and upslope areas in grid digital elevation models. Water Resources Research. 33 (2), 309-319 (1997).

Play Video

Cite This Article
Li, X., McCarty, G. W. Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon. J. Vis. Exp. (140), e58189, doi:10.3791/58189 (2018).

View Video