JoVE Logo
发表
联系我们

登录

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 结果
  • 讨论
  • 披露声明
  • 致谢
  • 材料
  • 参考文献
  • 转载和许可

摘要

景观过程是土壤形成的重要组成部分, 在确定景观土壤性质和空间结构方面起着重要作用。我们提出一种新的方法, 采用逐步主成分回归预测不同空间尺度下土壤的再分配和土壤有机碳。

摘要

景观地形是影响土壤形成的重要因素, 对地表土壤性质的确定起着重要作用, 它调节了径流和耕作活动引起的重力驱动的土壤运动。近年来, 光探测和测距 (激光雷达) 数据的应用有望产生高空间分辨率地形指标, 可用于调查土壤性质的变异性。在本研究中, 利用激光雷达数据得出的十五个地形指标来研究地形对土壤有机碳 (SOC) 分布的影响。具体而言, 我们探讨了使用地形主成分 (TPCs) 来表征地形指标和逐步主成分回归 (SPCR), 以在场地和分水岭尺度上开发基于地形的土壤侵蚀和 SOC 模型。针对逐步的普通最小二乘法 (SOLSR) 模型, 对 SPCR 模型的性能进行了评估。结果表明, 在不同空间尺度下, SPCR 模型优于 SOLSR 模型预测土壤再分配率和 SOC 密度。使用 TPCs 消除了单个输入变量之间的潜在共线性, 而主成分分析 (PCA) 的维数减少降低了预测模型过度拟合的风险。本研究提出了一种新的空间尺度土壤再分布建模方法。对于一项申请, 对私人土地的访问往往是有限的, 而且需要将代表性研究地点的调查结果推断为包括私人土地的更大的设置, 这一点很重要。

引言

土壤再分配 (侵蚀和沉积) 对土壤有机碳 (SOC) 种群和动力学产生重大影响。越来越多的工作致力于调查 SOC 是如何分离、运输和沉积在1、2、3的景观上的。碳 (C) 封存和 SOC 分布受水土流失引起的重力驱动土壤运动的影响4,5,6。在耕地中, 耕作的土壤迁移是导致 C 再分配7、8、9的另一个重要过程。耕作侵蚀导致土壤颗粒的净下坡移动相当大, 导致田间土壤变异10。水体和耕作侵蚀都受到景观地形的显著影响, 这决定了侵蚀和沉积场地11的位置。因此, 有效的土壤侵蚀调控和农业土地的 C 动态调查要求更好地了解土壤侵蚀和运动的地形控制。

一些研究已经研究了地形对土壤再分配和相关 SOC 动力学9、12、13、14、15、16的影响,17. Van der等。12报告说, 地形因素解释了土壤再分配中43% 的变异性。雷扎伊和 Gilkes13在土壤中发现了更高的 SOC, 这是因为相对于牧场的其他方面, 温度较低, 蒸发更少。由于地貌与耕作实践之间的相互作用, 地形对传统耕作处理的农用地土壤再分配可能产生更显著的影响9。然而, 这些发现主要来源于实地观察, 目前在更广泛的空间尺度上研究土壤性质存在困难。迫切需要制定新的战略, 以有效地了解流域和区域尺度土壤属性的空间格局。

本研究的目的是开发有效的模型来模拟土壤再分配和 SOC 分布。利用地形指标作为预测因子的基于地形的模型已开发用于定量土壤侵蚀和沉积过程。与采用离散场采样模拟土壤侵蚀18、19的基于经验或过程的侵蚀模型相比, 基于数字的地形信息可以开发基于地形的模型。高分辨率的高程模型 (dem)。这种方法允许在流域或区域尺度上进行连续的土壤属性模拟。在过去几十年中, 地形信息的准确性得到了显著改善, 高分辨率遥感数据的可用性不断提高。虽然以前的研究已经采用基于地形的模型模拟土壤属性12,20,21,22, 这些调查大多使用单一的地形指标或单一类别地形指标 (局部、非局部或综合地形指标), 可能没有充分探索地形对土壤微生物活动的影响。因此, 为了更好地了解土壤侵蚀和 C 动力学的地形控制, 我们研究了一套全面的地形指标, 包括局部、非局部和综合地形指标, 并开发了多变量基于地形的模拟土壤属性动力学模型。这些模型的应用有望为更好的土壤侵蚀控制和农业土地管理提供科学支持。

地形指标一般分为三类: a) 局部地形指标, b) 非局部地形指标, 或 c) 综合地形指标。局部地形指标是指陆地表面上一个点的局部特征。非局部地形指标指选定点的相对位置。综合地形指标集成了本地和非本地地形指标。本研究采用了一套影响土壤侵蚀和沉积的地形指标, 调查了土壤运动和 C 种群的地形控制 (表 1)。具体而言, 我们使用了四局部地形指标 [坡度、剖面曲率 (P_Cur)、平面曲率 (Pl_Cur)、一般曲率 (G_Cur)]、七非局部地形指标 [流累积 (FA)、地形浮雕、正向开放 (POP)、上坡坡度 (UpSl)、流道长度 (FPL)、下坡指数 (DI)、集水区 (CA)] 和三综合地形指标 [地形湿度指数 (两用)、流功率指数 (SPI) 和坡度长度因子 (LS)]。

研究方案

1. 地形分析

  1. 数字数据预处理
    1. 从 GeoTREE 激光雷达映射项目网站收集激光雷达数据。选择 "边界类型" 和 "区域" 可缩放到特定区域。绘制多边形以下载所选研究区域的激光雷达切片。
    2. 使用地理信息系统 (GIS) 映射工具将原始激光雷达数据转换为 LAS 文件。
    3. 使用反向距离加权插值法生成具有 3 m 空间分辨率的 dem。
    4. 使用3核低通滤波器过滤 3 m dem 两次, 以减少与局部变化相关的噪声。
  2. 地形度量生成
    1. 要生成地形指标, 首先下载自动地学分析 (SAGA)23系统的最新版本。单击导入/导出部分中的 "导入栅格", 将经过筛选的 3 m dem 导入佐贺。
    2. 单击带有默认设置的 SAGA 的 "坡度、坡向、曲率" 模块, 使用经过筛选的 dem 生成坡度和曲率相关的 [剖面曲率 (P_Cur)、平面曲率 (Pl_Cur) 和一般曲率 (G_Cur)]] 指标 (图 1)。
    3. 单击佐贺的 "流累积 (自上而下)" 模块, 并选择 "确定性无穷大" 作为使用筛选的 dem 生成流累积 (FA) 度量的方法。
    4. 单击具有默认设置的 "佐贺地形开放" 模块, 使用经过筛选的 z 轴放大图像生成正向开放性 (POP) 指标。
    5. 单击佐贺的 "LS 因子 (基于字段的)" 模块, 使用默认设置生成上坡坡度 (Upsl) 和坡度长度因子 (LS_FB) 指标, 这些度量值采用已筛选的 dem。
    6. 单击包含默认设置的 SAGA 的 "流路径长度" 模块, 使用筛选的 dem 生成流路径长度 (FPL) 指标。
    7. 单击佐贺的 "下坡距离梯度" 模块和默认设置, 使用筛选的 dem 生成下坡索引 (DI) 指标。
    8. 点击 "佐贺湿度指数" 模块, 并选择 "绝对汇流区" 作为区域类型, 以生成集水区 (CA) 和地形湿度指数 (的) 指标使用过滤的 dem。
    9. 单击佐贺的 "流电源索引" 模块, 然后选择 "伪特定汇流区" 作为区域转换, 以使用经过筛选的 dem 生成流功率指数 (SPI) 指标。
    10. 生成具有多个半径的最大高程贴图。通过3核低通滤波器两次过滤最大高程贴图。从过滤的最大高程贴图中减去经过筛选的 3 m DEM 以获取一系列浮雕贴图。将一系列救济变量提取到多个位置。
    11. 对浮雕变量执行主成分分析 (PCA), 将浮雕转换为地形浮雕元件。选择将救济数据集的90% 以上方差解释为地形浮雕指标的主体组件。

2. 现场数据收集

  1. 现场取样
    1. 选择大量农田场地, 这些地点可以充分代表研究区的景观特征和几个可密集取样的具有代表性的小规模农田。
      注: 从两个农田中收集的土壤样本用于模型标定。从整个研究区域收集的土壤样本用于模型验证。
    2. 将所有示例位置坐标上载到基于代码的地理定位系统 (GPS), 并在字段中进行物理定位。
    3. 使用推探针 (直径为3.2 厘米), 从顶部30厘米的土壤层收集3个取样位置。
      注: 在预计沉积物沉积的地点收集了30-50 厘米层的土壤样本。每个样品的体积为 241 cm3。
    4. 使用 GPS 记录取样位置的地理坐标信息。
    5. 在90摄氏度干燥后对土壤样品进行称量, 48 小时. 使用取样位置和权重中总样本体积的信息计算土壤密度。将三个样品从同一位置混合, 获得复合土壤样品。
  2. 土壤样品制备
    1. 用2毫米的屏幕筛出复合土壤样品。
    2. 研磨一个10克小子的过筛土壤到一个非常精细的粉末与辊磨。
  3. 土壤样品分析
    1. 在温度为1350年摄氏度的 CN 元素分析仪上燃烧, 测量碾磨样品中的土壤总碳 (C) 含量。通过分析剩余的 c, 在420摄氏度的温度下在熔炉中进行16小时的烘烤后, 估算碳酸钙 c 含量。
    2. 通过从总土壤 c 含量中减去碳酸钙 c 含量来计算 SOC 含量 (%)。使用土壤密度将 soc 内容 (%) 转换为 soc 密度 (kg m-2)。
    3. 将散装的2毫米过筛土壤样品放入马里内利烧杯中并密封。使用光谱系统从三个高纯度同轴锗晶体 (HpCN30%efficiency) 接收输入到8192通道分析仪 (参见材料表), 通过伽玛射线分析测量每个样品的137Cs 浓度).
    4. 使用分析混合核素标准11校准系统。使用土壤密度将137cs 浓度转换为137cs 库存。
    5. 使用137Cs 库存计算土壤再分配率, 方法是将质量平衡模型 II (MBMII) 应用于墙体等开发的电子表格加载程序中。24。

3. 基于地形的模型开发

  1. 地形主成分估计
    1. 在整个研究区域和小规模农田中提取取样位置的地形指标。
    2. 通过使用平均值和标准差, 标准化整个研究区域抽样位置的地形指标。根据使用 PCA 与统计软件包的标准化地形指标, 估计每个构件中的地形度量载荷。收集每个地形主成分 (TPC) 中的地形公制载荷, 并选择解释所有指标90% 方差的顶部 TPCs。
    3. 标准化小规模农田抽样地点的地形指标。根据 WCW 中采样位置的相应载荷加权的标准地形度量值的总和计算每个位置的顶部 TPCs。
  2. 模型校准
    1. 执行逐步的普通最小二乘法 (SOLSR), 根据小规模农田领域的所有地形指标, 开发基于地形的 SOLSRf模型, 以实现 SOC 密度和土壤再分配率。使用 Akaike 信息标准 (AIC) 和离开一项交叉验证, 选择最佳拟合的 SOLSRf模型的地形指标的最佳组合。
    2. 使用方差膨胀系数 (VIF) 检查地形变量之间的共线性。删除最大 VIF (VIF ≥ 7.525) 的变量, 然后再次检查 VIF。删除变量, 直到所有变量的 VIFs < 7.5。执行 SOLSR, 基于已删除高共线性变量的地形指标, 开发基于地形的 SOLSRr模型, 以实现 SOC 密度和土壤再分配率。使用 AIC 和离开一出交叉验证选择最佳 SOLSRr模型的最佳组合。
    3. 执行逐步主成分回归 (SPCR), 根据小规模农田的 TPCs, 开发基于地形的 SPCR 模型, 实现 SOC 密度和土壤再分配率。使用 AIC 和离开一出交叉验证, 选择最佳拟合的 SPCR 模型 TPCs 的最佳组合。
    4. 计算校正系数 (R 调整值2)、纳什-萨特克利夫效率 (NSE)、根均方根误差与测量数据标准差 (秩和比) 的比值, 以评估模型效率。
  3. 模型评估
    1. 通过应用估计模型估计整个研究区域的 SOC 密度和土壤再分配率。
    2. 通过对整个研究区域的 SOC 密度和土壤再分配率的实测数据集进行比较预测, 验证开发的模型。使用 R 调整2、NSE 和秩和比值评估模型性能。

结果

我们用核桃溪流域 (WCW) 作为试验平台, 评估地形模型在土壤再分配和 SOC 动力学研究中的可行性。流域是在布恩和故事县内的爱荷华州 (41°55 '-42°00 ' N; 93°32 '-93°45 ' W), 面积为5130公顷 (图 2)。农田是 WCW 的主要土地利用类型, 地势相对平坦 (平均为90米, 地形地貌为2.29 米)。凿犁、横扫和悲惨的作业是作物田26、27的主要耕作做法;然而, 耕作方向因管理实践的不同而不同。

随机选择了460个裁剪场位置, 以在 WCW 中获取地形信息 (图 2)。在460个地点中, 包括两个 300 m 样带 (每个都有9取样地点) 的 100, 被选作实地采样和分析 SOC 和土壤再分配水平。此外, 还选择了两个与 WCW 相似的小规模野外场地、土壤类型和耕作做法, 以获得更为密集的采样。在每个小规模的现场站点上, 创建了一个 25 x 25 m 的网格单元, 230 个采样位置位于网格节点上 (图 3)。对230个地点的地形指标和土壤属性信息进行了计算。

WCW 中的地形指标是根据上述协议生成的。WCW 的特征是低到中等地形 (海拔范围从260到325米), 相对较低的坡度 (范围从0到0.11 弧度), 上坡斜率 (0 到0.09 米), 和适度曲率 (剖面曲率:-0.009 至 0.009 m-1, 计划曲率:-0.85 至 0.85 m-1, 一般曲率:-0.02 至 0.02 m-1)。dem 的垂直高程扩大了100倍, 以增加 WCW 中发现的相对较低的场级救济分辨率, 以创造积极的开放性指标 (POP100)。转换后, 正向开放范围从0.08 弧度 (POP: 1.51-1. 59 弧度) 增加到0.86 弧度 (POP100: 0.36-1. 22 弧度)。

对于地形浮雕, 我们生成了以下半径的七张浮雕地图: 7.5 米、15米、30米、45米、60米、75米和90米。根据 PCA 对七个减压变量的结果, 选择了两种减压主成分。第一个显示了粗糙分辨率的浮雕变化与救济45m作为主变量。我们将此组件定义为大规模浮雕 (LsRe)。第二分量与浮雕7.5m高度相关, 并提出了精细分辨率的浮雕变化, 被定义为小尺度浮雕 (SsRe)。

表 2给出了地形指标与 SOC 密度/土壤再分配的相关分析结果。与 LsRe 密度和土壤再分配率的相关性最高。图 4给出了这两种指标的空间模式。从样带区可以更好地观察到 LsRe 的细节。这两种指标都显示了沉积地区的高值和坡度和山脊区域的低值。然而, 两个指标之间的差异发生在沟区, 其中的双展表现出极高的价值, 但 LsRe 的值不同于相邻区域。

在生成十五个地形指标之后, 我们在 WCW 的460个采样点上使用了这些地形变量的 PCA。第一个七地形主成分 (TPCs) 解释了整个地形数据集的90% 以上的变异性。表 3列出了用于构建基于地形的模型的最终选择的五 TPCs。对于第一个主分量 (TPC1), G_Cur 显示了最高的载荷。斜率、Upsl 和 LS_FB 是 TPC2 中最重要的指标, 荷载大于0.35。在 TPC3 中, FA、SPI 和 CA 是重要的指标, 其载荷分别为0.482、0.460 和0.400。FPL (-0.703) 和 Pl_Cur (0.485) 是 TPC6 中最重要的。TPC7 中高载荷的主要指标为 SsRe (0.597)、DI (0.435)、FPL (0.407) 和 Pl_Cur (0.383)。

通过检查 VIF, 检查了地形变量的共线性度。在15个指标中, 坡度、G_Cur 和 VIFs 被移除。根据1和2站点的土壤再分配率和碳密度数据, SOLSR 模型是使用所有15指标 (SOLSRf) 和12指标 (采用共线协变量移除 (SOLSRr) (表 4) 开发的。一般情况下, SOLSRf模型分别解释了 SOC 密度和土壤再分配速率的变化率超过70% 和65%。对于带共线协变量 (SOLSRr) 的模型, 模拟效率略低于 SOLSRf模型 (68% 用于 SOC 密度, 63% 用于土壤再分配)。SOLSRr模型的 NSEs 略低, 比 SOLSRf模型略高。

对于 SPCR 模型,表 4中观察到 SOLSRr类似的模拟效率。但是, 在 SPCR 模型 (小于5变量) 中选择的独立变量少于 SOLSRf和 SOLSRr模型 (超过6变量)。选择 TPCs 1、2、3和7作为 SOC 模型的独立变量组合, 选择 TPCs 1、2、3、6和7作为土壤再分配模型的组合。

我们发现 SPCR 模型有最好的预测, SOLSRr模型显示了流域尺度上最穷的表现。通过将 SOC 密度预测与观测结果进行比较, 确定系数 (r2) 从: 1) 0.60 在 SOLSRf和 0.52 in SOLSRr到 0.66 in SPCR 和 2) NSE 从0.21 在 SOLSRf和0.16 在 SOLSR r 中增加到0.59 在 SPCR;而秩和比从0.87 在 SOLSRf和0.91 在 SOLSRr到0.64 在 SPCR。SPCR 中的土壤再分配率预测占测量变量的变异性的 36%, 高于 SOLSRf (34%) 和 SOLSRr (0.35%) 的预测值。与 SOLSRf (nse = 0.31, 秩和比 = 0.83) 和 SOLSRr (nse = 0.32, 秩和比 = 0.82) 相比, SPCR (nse = 0.33, 秩和比 = 0.82) 中的 nse 和更低的秩和比为 SPCR。

根据模型性能评价, 选择 SPCR 模型, 在流域尺度上生成 SOC 密度和土壤再分配速率图。这些地图显示了模型模拟和现场测量之间的一致模式 (图 5)。在样带, 模拟和观测之间的高一致性更明显。SOC 密度和土壤再分配率均与景观地形有很高的相关性。在土壤沉积发生的 footslope 和沉积区, 可以发现较高的 soc 密度值, 而在土壤侵蚀发生的斜坡地区则观察到了较低的 soc 密度值。

figure-results-3796
图 1: 用于自动地学分析 (SAGA) 的系统中的坡度、坡向、曲率模块.多边形显示研究区域的位置。请点击这里查看这个数字的更大版本.

figure-results-4149
图 2: 核桃溪流域的位置和流域 (爱荷华州) 的取样点.这个数字是从以前的工作17改编的。请点击这里查看这个数字的更大版本.

figure-results-4522
图 3:采样站点 a) 1 和 b) 2 (z 轴15x 高程)的位置。这个数字是从以前的工作17改编的。请点击这里查看这个数字的更大版本. 

figure-results-4938
图 4: 地形度量地图.(a) 在核桃溪流域和样带区 (z 轴 15 x 高程) 的地形湿度指数 (LsRe) 和 (b) 大规模地形浮雕。请点击这里查看这个数字的更大版本.

figure-results-5311
图 5:土壤再分配率(t ha-1年-1)地图和 SOC 密度 (千克 m-2) 地图. 显示的是核桃溪流域内的土壤再分配图 (a) 和 (b) 沿两个样带。显示的是在核桃溪流域内的 SOC 密度 (kg m-2) 地图 (c) 和 (d) 沿两个样带使用逐步主成分分析模型 (z 轴15x 高程)。请点击这里查看这个数字的更大版本.

变量意义
坡度 (弧度)径流流速, 土壤含水量28,29
轮廓曲率 (m-1)流速加速, 土壤侵蚀, 沉积速率11,30
平面曲率 (m-1)流量收敛和发散, 土壤含水量30
一般曲率 (m-1)径流速度, 土壤侵蚀, 沉积29
流量积累土壤含水量, 径流量20
地形浮雕 (m)景观排水特性, 径流速度和加速度21,31 
正向开放性 (弧度)景观排水特性, 土壤含水量32
上坡斜坡 (米)径流速度33,34
流量路径长度 (m)泥沙产量, 侵蚀率35 
下坡指数 (弧度)土壤含水量36
集水区 (m2)径流速度和体积33,37 
地形湿度指数土壤水分分布28,38,39 
流功率指数土壤侵蚀, 流动收敛40 
坡度长度因子流量收敛和发散28,40

表 1:选定地形指标的意义.

边坡P_CurPl_CurG_Cur发LsReSsRe流行UpslFPL地约TWISpiLS_FB
弧度(m-1)(m-1)(m-1)米米弧度米米(°)(m2)
Soc-0.687-0.159-0.333-0.2880.1650.698-0.171-0.451-0.3150.4990.4130.5880.7350.165-0.453
,†***********,†***************,†,‡******
锶-0.65-0.205-0.274-0.2820.1560.687-0.099-0.427-0.2170.4870.3610.5650.6470.156-0.438
,†***********,‡*************,†,†******
P_Cur、Pl_Cur 和 G_Cur 分别为剖面曲率、平面曲率和一般曲率;FA 是流动积累;RePC1 和 RePC2 分别为地形浮雕成分1和 2;POP100 是积极的开放性;Upsl 是上坡斜坡;FPL 是流道长度;DI 是下坡指数;CA 是集水区;地形湿度指数;和 SPI 是流功率指数;LS_FB 是斜坡长度因子 (基于场)。
* p < 0.05, *** p < 0.005, *** p < 0.0001。
†Correlation 系数 > 0.5, 各土壤性质的‡Highest 相关系数。

表 2: 在选定的地形指标与土壤有机碳 (SOC) 密度和土壤再分配率 (SR) 之间, 长矛的秩相关 (n = 560)。

TPC1 (25%)TPC2 (24%)TPC3 (14%)TPC6 (5%)TPC7 (4%)
边坡0.0620.475†-0.035-0.013-0.183
P_Cur-0.2900.0000.346-0.070-0.002
Pl_Cur-0.2830.107-0.0010.485†0.383†
G_Cur-0.353†0.0540.2750.0250.100
发0.297-0.0420.482†0.1790.131
LsRe0.309-0.193-0.2370.113-0.116
SsRe0.2340.266-0.1180.0840.597†
POP100-0.3300.0920.258-0.2920.217
Upsl0.1870.419†-0.143-0.0660.012
FPL0.147-0.168-0.088-0.703†0.407†
地0.103-0.220-0.1640.1840.435†
约0.326-0.1280.4†-0.160-0.092
TWI0.053-0.465†-0.0670.185-0.047
Spi0.345-0.0140.46†0.1690.080
LS_FB0.2560.396†0.0500.011-0.072
P_Cur、Pl_Cur 和 G_Cur 分别为剖面曲率、平面曲率和一般曲率;FA 是流动积累;RePC1 和 RePC2 分别为地形浮雕成分1和 2;POP100 是积极的开放性;Upsl 是上坡斜坡;FPL 是流道长度;DI 是下坡指数;CA 是集水区;地形湿度指数;和 SPI 是流功率指数;LS_FB 是斜坡长度因子 (基于场)。
†Loadings > 0.35。

表 3: 在核桃溪流域的地形指标 (n = 460) 计算的主成分 (TPCs) 中的可变载荷。

模型R2调整 NseRSR
逐步主成分回归 (SPCR)
Soc2.932-0. 058TPC2-0. 025TPC3 + 0.051TPC7 + 0.037TPC1†0.680.690.56
锶2.111 + 0.013TPC1 + 0.032TPC7-0. 028TPC2-0 016TPC3-0. 010TPC60.630.630.61
逐步普通最小二乘法回归 (SOLSRf)
Soc2.755 + 0.021TWI + 0.0004FPL-6.369G_Cur-5.580Slope + 0.011LsRe + 0.091DI + 0.013SsRe + 0.125LS_FB0。70.710.55
锶2.117 + 0.007LsRe-3.128Slope + 0.109DI + 0.010SsRe + 0.0002FPL + 0.801Upsl-4.442P_Cur0.650.650.59
移除共线协变量的逐步普通最小二乘回归 (SOLSRr)
Soc2.951 + 0.033LsRe-2.869Upsl + 0.0006FPL + 0.028SsRe + 0.124DI-0.163LS_FB + 0.007SPI-10.187P_Cur0.680.680.56
锶2.042 + 0.016LsRe-0.146LS_FB + 0.118DI + 0.017SsRe + 0.0003FPL + 0.070POP0.630.640。6
† TPCs 的顺序基于逐步选择步骤
R2调整系数的测定;NSE 是纳什-萨特克利夫效率;秩和比是根均方误差 (RMSE) 与实测数据标准差的比值。
TPC 表示地形主体组件。地形湿度指数;FPL 是流道长度;P_Cur、Pl_Cur 和 G_Cur 分别为剖面曲率、平面曲率和一般曲率;LS_FB 是斜坡长度因子 (基于场);LsRe 和 SsRe 分别是大规模和小规模的地形浮雕;DI 是下坡指数;Upsl 是上坡斜坡。

表 4: 土壤有机碳 (SOC) 密度和农田土壤再分配率 (SR) 的模型, 根据地点1和2的地形指标。

讨论

SOLSRf模型的性能比 SPCR 模型在现场刻度上略佳。然而, 一些地形指标, 如 SPI 和 CA (r > 0.80), 是密切相关的。共线性可能会增加模型预测的不确定性。由于预测因子中的多重共线性, 输入变量中的小变化会显著影响模型预测41。因此, SOLSRf模型往往不稳定, 在流域尺度上模拟 SOC 密度和土壤再分配率的效率较低。SPCR 模型在流域尺度的 SOC 分布预测中显著优于 SOLSRf模型。TPCs 通过将十五地形指标转换为相互独立 (正交) 组件来消除多重共线性。转换还揭示了地形指标之间的基本关系。通过对构件的地形指标的高载荷 (> 0.35) 的说明, TPC1、TPC2、TPC3、TPC6 和 TPC7 分别与径流速度、土壤含水量、径流量、流量发散和流动加速度有关。土壤再分配速率和 SOC 分布的空间格局与 WCW 的土壤含水量和径流发散度密切相关, 这与狐狸和巴氏2的研究相一致, 表明侵蚀土壤从旱地在低济农业流域的流动发散可能受到影响。

此外, SPCR 模型中的预测变量较少, 比 SOLSRf和 SOLSRr模型降低了过度拟合预测模型42、43的风险。在 SOLSR 模型中有六多个变量, 这可能会增加数据解释的难度, 并在模型模拟41、44、45中引起高方差。这可能说明 SOLSR 模型 WCW 的预测效率低于 SPCR 模型。

基于地形的 SPCR 模型在模拟土壤再分配和相关 SOC 动力学方面具有优势。首先, 地形信息可以很容易地从 dem 派生。最近增加的高空间分辨率激光雷达数据的可访问性可以帮助提高 DEM 派生的景观地形的准确性, 并在有限的现场观测区域内受益调查。其次, 利用一套地形指标和统计分析方法, 可以有效地量化土壤再分配和 SOC 分布模式。第三, 主分量的应用可以有效地减少与地形指标多重共线性相关的偏差, 提高逐步回归模型在多空间尺度上的稳定性。

但是, 在模型开发过程中, SPCA 模型可能受变量的限制。虽然激光雷达数据在生态学研究中的应用有所增加, 但尚未充分探讨获取有用地形信息的方法。在本研究中, LsRe 与密度和土壤再分配率的相关性最高。但是, 在解释土壤侵蚀和 C 动力学时, 不考虑的其他地形变量可能同样或更重要。此外, 本研究不包括其他因素, 例如可能导致土壤侵蚀变异性的管理做法。例如, 当耕作与最大坡度方向平行时, 土壤侵蚀可能与倾斜耕作转土上坡46的侵蚀相对应加倍。因此, 不同的耕作做法也可能是降低 SPCR 模型预测效率的一个原因。

该研究基于连锁17发表的论文。在连锁论文中, 我们着重讨论了量化地形指标和开发基于地形的模型的方法, 而不是基于机械的地形对土壤运动和土壤特性影响的分析。讨论了利用地形模型研究土壤性质空间结构的可行性和优越性。同时, 通过对边坡长度因子和流累积算法的更新, 改进了模型。边坡长度因子测量的尺度仅限于田间面积。此外, 还使用确定性无穷大算法进行流累积生成。与李等的报告方法比较。17通过确定的八节点算法生成流积累, 本研究采用的无穷大算法减少了流向角的环路, 证明是低泄区47的较好算法。

最后, 我们的研究结果证明了基于地形的 SPCR 模型在农业领域模拟 SOC 分布和土壤再分配模式的可行性。作为估算 SOC 库存和土壤再分配率的一种经济有效的方法, 它适用于观测数据有限的场址和缺乏公共使用权的私人土地。在未来的研究中, 预测模型可以通过进一步细化和提供激光雷达数据和包含额外的地形指标来改进。根据模型开发的大规模土壤属性图将导致进一步了解地形对农业景观中土壤运动的影响以及流域和区域尺度上 SOC 的命运。

披露声明

作者没有什么可透露的。

致谢

这项研究得到了美国农业部自然资源保护处与国家养护效果评估项目 (NRCS 67-3A75-13-177) 湿地部分的支持。

材料

NameCompanyCatalog NumberComments
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 SystemCANBERRA Industries
Geographic positioning systemTrimble RTK 4700 GPS
ArcGISESRI, Redlands, CA10.2.2
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

参考文献

  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).

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

140

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

联系我们

向图书馆推荐

JoVE 新闻简报

科研

教育

发表

图书馆员

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。