Этот метод может помочь ответить на ключевые вопросы в сельскохозяйственной области, такие как, как ландшафтная топография может повлиять на эрозию почвы и динамику почвы органических веществ. Основным преимуществом этого метода является то, что он применим к участкам с ограниченными наблюдениями и обеспечивает рентабельную оценку запасов органического углерода в почве и процессов перераспределения почвы. Во-первых, соберите данные с веб-сайта GeoTREE Light Detection and Ranging Mapping Project.
Выберите тип границы и область для масштабирования в определенную область. Затем нарисуйте полигон для загрузки обнаружения света и диапазона плитки для выбранной области исследования. Преобразование необработанное обнаружение света и диапазон данных в файл LAS с помощью инструмента отображения географической информационной системы.
Затем создайте цифровые модели высот, или DEMS, с трехметровым разрешением с помощью обратной взвешенной интерполяции расстояния. Фильтруй трехметровый DEMS дважды с помощью фильтра с низким проходом из трех ядер, чтобы уменьшить шумы, связанные с локальными изменениями. Для создания топографических метрик, сначала нажмите Импорт Raster в разделе Импорт / Экспорт для импорта фильтруется трехметровый DEMS в SAGA.
Далее нажмите на модуль Slope, Aspect, Curvature SAGA с настройками по умолчанию для генерации наклона, метрики, связанной с кривизной, и общей кривизны метрики с помощью фильтрованных DEMs. Нажмите модуль накопления потока Top-Down SAGA и выберите детерминированную бесконечность в качестве метода генерации метрики накопления потока с помощью фильтрованных DEMs. После этого нажмите модуль SAGA Topographic Openness с настройками по умолчанию для создания положительной метрики открытости с помощью отфильтрованного z-оси.
Расширение вертикальных расстояний в моделях цифровой высоты улучшает различимость положительной открытости на участках с относительно плоской поверхностью. Нажмите модуль SAGA на основе поля LS-Factor с настройками по умолчанию для генерации метрик коэффициента наклона и наклона с помощью отфильтрованных DEM. Затем нажмите модуль длины пути потока SAGA с настройками по умолчанию для генерации метрики длины пути потока с помощью отфильтрованных DEMs.
Нажмите на модуль Downslope Distance Gradient SAGA с настройками по умолчанию для генерации метрики индекса downslope с помощью фильтрованных DEMs. Теперь щелкните модуль SAGA Wetness Index и выберите область абсолютного водосбора в качестве типа области для генерации области водосбора и топографических показателей индекса влажности с помощью отфильтрованных DEM. Нажмите модуль индекса мощности потока SAGA и выберите псевдоспецифическую область водосбора в качестве преобразования области для генерации метрики индекса мощности потока с помощью фильтрованных DEMs.
После этого создать карты максимальной высоты с несколькими радиусами. Фильтр карты максимальной высоты дважды через трехядерный фильтр с низким проходом. Вычесть отфильтрованный трехметровый DEM из отфильтрованных карт максимальной высоты, чтобы получить ряд карт рельефа.
Извлекайте ряд переменных рельефа в ряд мест. Выполните анализ основных компонентов переменных рельефа для преобразования рельефов в топографические компоненты рельефа. Выберите основные компоненты, объясняя более чем 90%-ную дисперсию набора данных по оказанию помощи в качестве топографических метрик рельефа.
Стандартизируйте семь карт рельефа, используя среднее и стандартное отклонение. Создание основных компонентов рельефа по сумме стандартизированного топографического рельефа, взвешенного по соответствующим нагрузкам. При создании метрики рельефа важно создавать изображения рельефа в различных пространственных масштабах, чтобы ограничить неопределенности, связанные с произвольным отбором радиуса, поскольку на контроль рельефа свойств почвы могут влиять пространственные масштабы рельефа.
Выберите ряд мест проведения полей сельскохозяйственных угодий, которые могут адекватно представлять ландшафтные характеристики района исследования, и несколько репрезентативных мелкомасштабных полей сельскохозяйственных угодий, которые можно интенсивно отбирать. Загрузите все координаты местоположения выборки в систему географического позиционирования на основе кода и физически найдите их в полевых условиях. Затем соберите три образца для каждого места отбора проб из верхнего 30-сантиметрового слоя почвы с помощью зонда push.
Запись географической координатной информации о местах отбора проб с использованием системы географического позиционирования. После этого сито образца почвы с двухмиллиметровым экраном. Взвешивание образцов почвы после высыхания.
Рассчитайте плотность почвы с использованием общих объемов выборки в местах отбора проб и весах. Смешайте три образца из одного и того же места, чтобы получить образец композитной почвы. Измельчить 10-граммовый подсемейку просеянной почвы до очень мелкого порошка с помощью роликовой мельницы.
Теперь измерьте общее содержание углерода в образце, измельченном роликами, путем сгорания на элементарном анализаторе CN при температуре 1350 градусов по Цельсию. После выпечки органического вещества почвы в печи, оценить содержание карбоната кальция, анализируя оставшийся углерод. Теперь поместите объемные двухмиллиметровые просеянные образцы почвы в стаканы Маринелли и запечатайте их.
Поместите стакан в детектор и измерьте концентрацию цезия в каждом образце с помощью гамма-анализа с помощью системы спектроскопии, которая получает входы от трех высокой чистоты коаксиальных кристаллов германия в 8, 192-канальных анализаторов. Запись производства концентрации цезия. Наконец, вычислите скорость перераспределения почвы с помощью инвентаризации цезия, применив модель массового баланса II в программе дополнения к электронной таблице.
460 мест на сельскохозяйственных полях были выбраны случайным образом для получения топографической информации в водоразделе Уолнат-Крик в Айове. Здесь представлены результаты корреляционного анализа топографических показателей и плотности почвы органических углерода, перераспределения почвы. Топографический индекс влажности и крупномасштабное топографическое рельеф показали самую высокую корреляцию с плотностью и темпами перераспределения почвы, соответственно.
Пространственные модели этих двух показателей показали высокие значения в области депрессии и низкие значения в наклонных и хребтов областях. Однако различия между этими двумя показателями имели место в районах канавы, где топографический индекс влажности демонстрировали чрезвычайно высокие значения, однако значения крупномасштабного топографического рельефа не отличались от смежных районов. Здесь перечислены пять топографических основных компонентов, отобранных для построения топографических моделей.
Более 70 и 65% изменчивости в почве органической плотности углерода и темпов перераспределения почвы были объяснены пошаговой обычной наименее квадратной регрессионной моделью с целыми переменными, соответственно. Для моделей с удаленным коллинарным ковариатом эффективность моделирования была несколько ниже, чем у обычной наименее квадратной регрессионные модели с целой моделью переменных. Для моделей SPCR наблюдаются аналогичные эффективности моделирования, как и пошаговая обычная наименее квадратная регрессионная модель с удаленным коллинарным ковариатом.
Карты перераспределения почвы и органической плотности углерода, полученные на основе моделей SPCR, выявили последовательную закономерность между моделированием моделей и полевыми измерениями. Этот метод открывает путь для исследователей в области сельского хозяйства для изучения перераспределения почв и органических веществ моделей в водоразделе и региональных масштабах. Этот метод можно было бы усовершенствовать с дальнейшим уточнением обнаружения света и диапазоном данных и включением дополнительных топографических метрик.
