Name: use of principal components for scaling up topographic models to map soil redistribution and soil organic carbon
Uploaded: 2018-10-16T14:00:00
Duration: 9 min 44 s
Description: Watch this Scientific Journal Video about Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon at JoVE.com

Dit onderzoek werd gesteund door de USDA natuurlijkehulpbronnen instandhouding Service i.s.m. het Wetland onderdeel van de nationale instandhouding effecten beoordeling Project (NRC 67-3A75-13-177).

1. topografische Analyses
<ol><li>Digitale gegevens voorbehandelen<ol>
<li>LiDAR gegevens verzamelen van de GeoTREE LiDAR website van het project van de toewijzing. Selecteer "grens type" en "regio" in te zoomen in een specifiek gebied. Een veelhoekige hotspot om te downloaden van LiDAR tegels voor het geselecteerde studiegebied tekenen.</li>
		<li>De ruwe LiDAR gegevens omzetten in een LAS-bestand met behulp van het hulpprogramma voor toewijzing van geografische informatie systeem (GIS).</li>
		<li>DEMs genereren met een 3-m ruimtelijke resolutie met behulp van inverse afstand gewogen interpolatie.</li>
		<li>Filter de 3-m DEMs tweemaal met een 3-kernel low-pass filter om geluiden koppelen aan lokale variatie.</li>
	</ol>
</li>
	<li>Topografische metrische generatie<ol>
<li>Topografische statistieken te genereren, moet u eerst de nieuwste versie van het systeem voor geautomatiseerde geowetenschappelijke analyse (SAGA)23downloaden. Klik op "Importeren Raster" in de sectie importeren/exporteren om de gefilterde 3-m DEMs importeren SAGA.</li>
		<li>Klik op de "Helling, Aspect, kromming" module van SAGA met de standaardinstellingen voor het genereren van de helling en kromming-gerelateerde [profiel kromming (P_Cur), plan kromming (Pl_Cur), en algemene kromming (G_Cur)] statistieken met behulp van de gefilterde DEMs (Figuur 1).</li>
		<li>Klik op de "Flow accumulatie (Top-Down)" module van SAGA en selecteer "Deterministische infinity" als de methode voor het genereren van stroom accumulatie (FA) metrisch met behulp van de gefilterde DEMs.</li>
		<li>Klik op de "SAGA topografische openheid"-module met de standaardinstellingen voor het genereren van de metric van de positieve openheid (POP) met behulp van een versterkte beeld van gefilterde z-as.</li>
		<li>Klik op de "LS-factor (veld gebaseerd)" module van SAGA met de standaardinstellingen voor het genereren van de buigpunten helling (Upsl) en lengte factor (LS_FB) statistieken met behulp van de gefilterde DEMs helling.</li>
		<li>Klik op de "Flow weglengte" module van SAGA met de standaardinstellingen voor het genereren van de stroom pad lengte (FPL) metric met behulp van de gefilterde DEMs.</li>
		<li>Klik op de "Top afstand Gradient" module van SAGA met de standaardinstellingen voor het genereren van de index (DI)-metric van top met behulp van de gefilterde DEMs.</li>
		<li>Klik op de module "SAGA nattigheid Index" en selecteer "absolute stroomgebied" als het tekstvlak voor het genereren van het stroomgebied (CA) en topografische nattigheid index (TWI) statistieken met behulp van de gefilterde DEMs.</li>
		<li>Klik op de "Index van de macht van de Stream" module van SAGA en selecteer "pseudo-specifieke stroomgebied" als de conversie van de ruimte voor het genereren van de stream macht index (SPI) metric met behulp van de gefilterde DEMs.</li>
		<li>Maximale hoogte kaarten met meerdere radiuses genereren. Filtreer de maximale hoogte kaarten tweemaal door een 3-kernel low-pass filter. De gefilterde 3-m DEM uit de gefilterde maximale hoogte kaarten om te krijgen een aantal kaarten van de vrijstelling aftrekken. Pak een aantal opluchting variabelen op een aantal locaties.</li>
		<li>Belangrijkste componenten analyse (PCA) op de opluchting variabelen om te zetten van de reliëfs in topografische verlichting onderdelen uitvoeren. Selecteer principale componenten die verklaren meer dan 90% variantie van de dataset van opluchting als de topografische opluchting statistieken.</li>
	</ol>
</li>
</ol>2. het verzamelen van de gegevens van veld
<ol><li>Veld bemonstering<ol>
<li>Selecteer een aantal akkerland veld locaties die de kenmerken van het landschap van het studiegebied adequaat kunnen vertegenwoordigen en verschillende representatieve kleinschalige akkerland velden die intensief kunnen worden bemonsterd. Opmerking: De bodemmonsters verzameld uit de twee akkerland velden werden gebruikt voor het kalibreren van het model. Bodemmonsters verzameld uit het gehele studiegebied werden gebruikt voor modelvalidatie.</li>
		<li>De coördinaten voor de locatie monster uploaden naar een op basis van code geografische positiebepalingssysteem (GPS) en fysiek zoek hen in de velden.</li>
		<li>3 monsters voor elke bemonstering locatie ophalen door de bodemlaag van de bovenste 30 cm met een push-sonde (3.2 cm diameter). Opmerking: Bodemmonsters uit 30-50 cm lagen werden verzameld op sites waar de afzetting van sediment werd verwacht. Het volume van elk monster was 241 cm3.</li>
		<li>Geografische coördinaten recordgegevens van bemonstering van locaties met behulp van GPS.</li>
		<li>Weeg de bodemmonsters na het drogen ze bij 90 ° C gedurende 48 h. berekenen bodem dichtheid met behulp van informatie van totale steekproef volumes op bemonstering locaties en gewichten. Meng de drie monsters van dezelfde locatie om een samengestelde bodemmonster.</li>
	</ol>
</li>
	<li>Bereiding van de monsters van de bodem<ol>
<li>Zeef de samengestelde bodemmonsters met een 2-mm-scherm.</li>
		<li>Een deelmonster van 10 g van het gezeefde grond tot een zeer fijn poeder vermalen met een roller molen.</li>
	</ol>
</li>
	<li>Bodem monster analyses<ol>
<li>Meten van de bodem totale koolstofgehalte (C) in roller gemalen monsters door verbranding op een CN elemental analyzer bij een temperatuur van 1350 ° C. Schatten calciumcarbonaat C inhoud door het analyseren van de resterende C na het bakken van organisch bodemmateriaal, bij een temperatuur van 420 ° C gedurende 16 uur in een oven.</li>
		<li>Bereken SOC inhoud (%) door calciumcarbonaat C inhoud van totale bodem C inhoud af te trekken. SOC inhoud (%) omzetten in SOC dichtheid (kg m-2) met behulp van de dichtheid van de bodem.</li>
		<li>Zet de bulk 2-mm gezeefde bodemmonsters in Marinelli bekers en verzegelen. Meten van 137Cs concentratie van elk monster door gammastraling analyse met behulp van een systeem van spectroscopie die ingangen ontvangt van drie hoge zuiverheid coaxiale germanium kristallen (HpCN30% rendement) in 8192 vierkanaals Analysers (Zie tabel van materialen ).</li>
		<li>Kalibreer het systeem met behulp van een analytische gemengde radionuclide standaard11. 137Cs concentratie omzetten in 137Cs inventaris met behulp van de dichtheid van de bodem.</li>
		<li>Bodem herverdeling tarief met behulp van 137Cs inventaris door het toepassen van de massa balans Model II (MBMII) in een werkblad toe: voegen-in programma ontwikkeld door Walling et al. berekenen 24.</li>
	</ol>
</li>
</ol>3. topografie-gebaseerde Model ontwikkeling
<ol><li>Topografische belangrijkste component schatting<ol>
<li>Pak de topografische statistieken voor bemonstering van locaties in het hele studiegebied en de kleinschalige akkerland velden.</li>
		<li>De topografische statistieken van de bemonstering locaties in het hele studiegebied standaardiseren met behulp van de gemiddelde en de opgegeven standaarddeviatie. Schatten van de topografische metrische belastingen in elk onderdeel op basis van de gestandaardiseerde topografische statistieken partnerschaps-en samenwerkingsovereenkomst met statistische softwarepakket. Verzamelen van de topografische metrische belastingen in elke topografische belangrijkste component (TPC) en selecteer de bovenste TPCs die 90% variantie van alle statistieken te verklaren.</li>
		<li>Standaardiseren van de topografische statistieken van de locaties van de bemonstering op het gebied van kleinschalige akkerland. Bereken de hoogste TPCs voor elke locatie door de som van de gestandaardiseerde topografische statistieken gewogen met de overeenkomstige belastingen vanaf de locaties van de bemonstering in WCW.</li>
	</ol>
</li>
	<li>Model kalibratie<ol>
<li>Stapsgewijze gewone minste vierkante regressie (SOLSR) te ontwikkelen topografie-gebaseerde SOLSRf modellen voor SOC dichtheid en bodem herverdeling tarieven op basis van alle topografische statistieken op de kleinschalige akkerland velden uit te voeren. Gebruik Akaike informatie criterium (AIC) en verlof-one-out cross-validatie selecteren de optimale combinatie van topografische statistieken voor de best uitgeruste SOLSRf -modellen.</li>
		<li>Controleer de collineariteit onder de topografische variabelen met behulp van de variantie inflatie factor (VIF). Verwijderen van de variabelen met de grootste VIF (VIF ≥ 7.525), en controleer nogmaals VIF. De variabelen verwijderen totdat de VIFs van alle variabelen < 7.5 zijn. Uitvoeren van SOLSR voor het ontwikkelen van topografie-gebaseerde SOLSRr modellen voor SOC dichtheid en herverdeling tarieven op basis van topografische statistieken die verwijderd hoge collineariteit variabelen werden in de bodem. Kunt de AIC en verlof-one-out cross-validatie selecteren de optimale combinatie voor de best uitgeruste SOLSRr modellen.</li>
		<li>Stapsgewijze belangrijkste component regressie (SPCR-) ontwikkelen van topografie-gebaseerde SPCR-modellen voor SOC dichtheid en herverdeling tarieven op basis van de TPCs op de velden van kleinschalige akkerland in de bodem uit te voeren. Kunt de AIC en verlof-one-out cross-validatie selecteren de optimale combinatie van TPCs voor de best uitgeruste SPCR-modellen.</li>
		<li>Berekening van de gecorrigeerde coëfficiënt van bepaling (Radj2), Nash-Sutcliffe efficiëntie (NSE) en verhouding van de kwadratische gemiddelde fout de standaardafwijking van meetgegevens (RSR) te beoordelen van de efficiëntie van het model.</li>
	</ol>
</li>
	<li>Model-evaluatie<ol>
<li>Schatten van de SOC dichtheid en herverdeling tarieven in het gehele studiegebied in de bodem door de geschatte modellen toe te passen.</li>
		<li>Valideren van het ontwikkelde model door het vergelijken van voorspelling met gemeten dataset van SOC dichtheid en herverdeling tarieven in het gehele studiegebied in de bodem. Evalueren van de prestaties van de model met behulp van Radj2, NSE en RSR waarden.</li>
	</ol>
</li>
</ol>

De auteurs hebben niets te onthullen.

De SOLSRf modellen had iets betere prestaties dan de SPCR-modellen in de kalibratie op de schaal van het veld. Echter zijn sommige van de topografische statistieken, zoals SPI en CA (r > 0.80), nauw met elkaar gecorreleerd. Het collineariteit kan onzekerheden aan modelvoorspellingen toevoegen. Vanwege de multicollinearity onder de voorspellers, kan kleine veranderingen in de invoervariabelen aanzienlijk beïnvloeden de model voorspellingen41. Dus de SOLSRf modellen neiging om onstabiel en toonde lage efficiëntie in simulaties van SOC dichtheid en bodem herverdeling tarief op de schaal van de waterscheiding. De SPCR-modellen overtroffen aanzienlijk de SOLSRf modellen in de voorspelling van SOC distributie op de schaal van de waterscheiding. TPCs elimineren de multicollinearity door het omzetten van de vijftien topografische statistieken in onderling onafhankelijke (orthogonale) onderdelen. De conversie ook ontdekt onderliggende relaties tussen topografische statistieken. Zoals aangegeven door de hoge belastingen (> 0.35) van topografische Maatstelsel van de componenten, werden de TPC1, TPC2, TPC3, TPC6 en TPC7 geassocieerd met afvoer snelheid, vochtgehalte van de bodem, afvoer volume, stroom divergentie en stroom versnelling, respectievelijk. Ruimtelijke patronen van bodem herverdeling tarieven en SOC distributie waren sterk gecorreleerd met bodem vochtgehalte en afvoer divergentie in de WCW, die strookt met de studie van Fox en Papanicolaou2, die aangetoond dat uitgehold bodem van Upland kan worden beïnvloed door stroom divergentie in een laag-reliëf landbouw waterscheiding.
Bovendien beperkt minder voorspeller variabelen in de SPCR-modellen dan de SOLSRf en SOLSRr modellen het risico van overdreven passen de voorspelling modellen42,43. Er waren meer dan zes variabelen in alle SOLSR modellen, die kunnen de moeilijkheid van de data interpretatie verhogen en induceren hoge variantie in model simulaties41,44,45. Dit kan goed zijn voor de lagere efficiency van de voorspelling in WCW door de modellen van de SOLSR dan door de SPCR-modellen.
Topografie-gebaseerde SPCR-modellen voordelen hebben in simuleren bodem herverdeling en bijbehorende SOC dynamiek. Eerste, topografische informatie kan gemakkelijk worden afgeleid uit DEMs. Recente grotere toegankelijkheid van de hoge ruimtelijke resolutie LiDAR gegevens kan helpen verbeteren van de nauwkeurigheid van DEM afkomstige landschap topografie en profiteren van onderzoek in regio's met beperkte veldwaarnemingen. Ten tweede, met behulp van een set van topografische metrics en statistische analyses, de topografie-gebaseerde modellen kunnen efficiënt kwantificeren bodem herverdeling en SOC distributiepatronen. Ten derde, de toepassing van de belangrijkste component kan effectief verminderen vooroordelen die zijn gekoppeld aan multicollinearity van topografische metrics en verhogen de stabiliteit van de stapsgewijze regressiemodellen wanneer toegepast op verschillende ruimtelijke schalen.
De SPCA modellen kunnen echter worden beperkt door variabelen tijdens de ontwikkeling van het model. Hoewel toepassing van de gegevens van LiDAR in ecologische studies toegenomen, is de methoden voor het afleiden van nuttige topografische informatie nog niet volledig onderzocht. In deze studie, de TWI en LsRe toonde de hoogste correlatie met SOC dichtheid en bodem herverdeling tarieven, respectievelijk. Aanvullende topografische variabelen die niet worden beschouwd als kunnen echter even of meer belangrijk in het verklaren van bodemerosie en C dynamiek. Daarnaast waren andere factoren zoals beheerspraktijken, waardoor grond erosie variabiliteit, niet opgenomen in deze studie. Bijvoorbeeld, toen grondbewerking parallel aan de richting van de maximale helling, kan bodemerosie verdubbelen ten opzichte van de erosie in slantwise grondbewerking bodem buigpunten46draaien. Verschillende grondbewerking praktijken kunnen ook dus een reden voor de verminderde voorspelling efficiency van de SPCR-modellen.
De studie is gebaseerd op het papier gepubliceerd in Catena17. In plaats van een mechanistische gebaseerde analyse van topografische invloeden op beweging van de bodem en bodemeigenschappen zoals uitgevoerd in de Catena papier, hier we gericht op de methoden voor het kwantificeren van de topografische statistieken en het ontwikkelen van topografie-gebaseerde modellen. Bespraken wij de haalbaarheid en de voordelen van het gebruik van topografie-gebaseerde modellen in studies van de ruimtelijke structuur van de bodemeigenschappen van de. Ondertussen, we onze modellen verbeterd door bijwerking van de algoritmen van de accumulatie van helling lengte factor en stroom. De omvang van de helling lengte factor meting was beperkt tot het gebied. Bovendien werd de deterministische infinity-algoritme gebruikt voor generatie van de accumulatie van de flow. Vergeleken met de methode gerapporteerd in Li et al. 17 die gegenereerd van accumulatie van de stroom met een deterministische acht knooppunten algoritme, het algoritme van de oneindigheid aangenomen in deze studie vermindert lussen in de hoeken van de stroom richting en bleek te zijn een betere algoritme voor laag reliëf gebieden47.
Kortom, onze resultaten tonen aan de haalbaarheid van topografie gebaseerde SPCR-modellen simuleren de SOC distributie en bodem herverdeling patronen in landbouw velden. Als een voordelige methode te schatten SOC voorraden en bodem herverdeling tarieven, is van toepassing op sites met beperkte observationele gegevens en particuliere landerijen ontbreekt van de toegang van het publiek. In de toekomst studies, de voorspelling modellen zou kunnen worden verbeterd met verdere verfijning en beschikbaarheid van LiDAR gegevens en integratie van aanvullende topografische metrics. De grootschalige eigenschap bodemkaarten die zijn ontwikkeld op basis van de modellen zal leiden tot meer inzicht in de mechanismen die ten grondslag liggen aan de topografische effecten op bodem beweging in agrarische landschappen en het lot van SOC op de waterscheiding en regionale schaal.

Herverdeling van de bodem (erosie en afzetting) oefent significante effecten op bodem organische koolstof (SOC) voorraden en dynamiek. Toenemende inspanningen hebben besteed aan het onderzoeken hoe SOC is vrijstaand, vervoerd en gestort meer dan het landschap1,2,3. Carbon (C) sekwestratie en SOC distributie worden beïnvloed door de zwaartekracht-gedreven bodem beweging geïnduceerd door water erosie4,5,6. In akkers is bodem translocatie door grondbewerking een ander belangrijk proces bij te dragen tot en met C herverdeling7,8,9. Grondbewerking erosie veroorzaakt een aanzienlijke netto top beweging van deeltjes van de bodem en leidt tot een binnen-veld bodem variatie10. Zowel water als grondbewerking erosie zijn sterk beïnvloed door de topografie van het landschap, die bepalend is voor de locaties van geërodeerd en energetisch sites11. Daarom effectieve bodemerosie verordening en C dynamisch onderzoek in landbouwgronden oproepen voor een beter begrip van topografische besturingselementen op bodemerosie en bewegingen.
Verschillende studies hebben onderzocht de effecten van topografie op bodem herverdeling en bijbehorende SOC dynamics9,12,13,14,15,16, 17. van der Perk et al. 12 gemeld dat topografische factoren verklaard 43% van de variabiliteit in de herverdeling van de bodem. Rezaei en Gilkes13 gevonden hogere SOC in de bodem op een schaduwrijke aspect, als gevolg van lagere temperaturen en minder verdamping in vergelijking met andere aspecten van de woeste gronden. Topografie wellicht meer significante effecten op bodem herverdeling in landbouwgronden met traditionele grondbewerking behandeling dan die met minimale grondbewerking, als gevolg van de interacties tussen landvormen en grondbewerking praktijken9. Echter, deze bevindingen werden voornamelijk ontleend veldwaarnemingen, die de huidige moeilijkheden bij het onderzoeken van de bodemeigenschappen op een breder ruimtelijke schaal. Er is een dringende behoefte aan het ontwikkelen van nieuwe strategieën om effectief begrijpen ruimtelijke patronen van bodemeigenschappen watershed en regionale schaal.
Het doel van deze studie is om efficiënte modellen te simuleren van herverdeling van de bodem en SOC distributie te ontwikkelen. Topografie-gebaseerde modellen gebruik van topografische statistieken zoals voorspellers zijn ontwikkeld om te kwantificeren van erosie en afzetting processen van de bodem. In vergelijking met empirische of proces-gebaseerde erosie modellen die discreet veld bemonsteringen te simuleren bodemerosie18,19, topografie-gebaseerde modellen ingezet zou kunnen worden ontwikkeld op basis van topografische gegevens afgeleid van digitale hoogte modellen (DEM) met hoge resoluties. Deze aanpak zorgt voor continue bodem eigenschap simulaties op de waterscheiding of regionale schaal. In de afgelopen decennia, is nauwkeurigheid van topografische informatie aanzienlijk verbeterd, met de toenemende beschikbaarheid van gegevens met hoge resolutie op afstand voelde. Hoewel eerdere studies hebt gebruikt topografie-gebaseerde modellen te simuleren van bodem eigenschappen12,20,21,22, de meeste van deze onderzoeken gebruikt een enkele topografische metrisch of één categorie van topografische metrics (lokaal, interlokaal of gecombineerde topografische metrics), die kan niet hebben voldoende onderzocht topografische effecten op bodem microbiële activiteit. Daarom, om te krijgen een beter begrip van topografie controles van bodemerosie en C dynamiek, onderzochten we een uitgebreide set van topografische statistieken, met inbegrip van lokaal, interlokaal en gecombineerde topografische statistieken en meerdere variabele topografie gebaseerde ontwikkeld modellen te simuleren van bodem eigenschap dynamiek. Toepassingen van deze modellen wordt verwacht dat zij wetenschappelijke ondersteuning voor betere bodem erosiebestrijding en het beheer van landbouwgrond.
Topografische statistieken zijn over het algemeen gecategoriseerd in drie categorieën: a) lokale topografische metrics, b) niet-lokale topografische statistieken of c) gecombineerde topografische statistieken. Lokale topografische statistieken verwijzen naar lokale kenmerken van één punt op het landoppervlak. Non-lokale topografische statistieken verwijzen naar de relatieve plaatsen van geselecteerde punten. Gecombineerde topografische statistieken integreren lokale en niet-lokale topografische statistieken. Een set van topografische statistieken op het gebied van bodemerosie en afzetting gewend waren in deze studie onderzoeken de topografische besturingselementen op beweging van de bodem en C voorraden (tabel 1). Specifiek, gebruikten we vier lokale topografische statistieken [helling, profiel kromming (P_Cur), plan kromming (Pl_Cur), algemene kromming (G_Cur)], zeven niet-lokale topografische statistieken [stroom accumulatie (FA) topografische opluchting, positieve openheid (POP), buigpunten helling (UpSl), stroom weglengte (FPL), top index (DI), stroomgebied (CA)], en drie gecombineerd topografische statistieken [topografische nattigheid index (TWI), stream macht index (SPI) en factor van de lengte van de helling (LS)].

<table border="0" cellpadding="0" cellspacing="0" style="width:1151px;" width="1150">
	<tbody>
		<tr height="21">
			<td>Light Detection and Ranging (LiDAR) data&#160;</td>
			<td style="width:233px;"></td>
			<td style="width:256px;">http://www.geotree.uni.edu/lidar/</td>
			<td style="width:355px;">Collected from the GeoTREE LiDAR mapping project&#160;</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">LECO CNS 2000 elemental analyzer&#160;</td>
			<td>LECO Corp., St. Joseph, MI</td>
			<td style="width:256px;"></td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Canberra Genie-2000 Spectroscopy System</td>
			<td>CANBERRA Industries</td>
			<td style="width:256px;"></td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:307px;">Geographic positioning system</td>
			<td>Trimble&#160;</td>
			<td style="width:256px;">RTK 4700 GPS</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">ArcGIS</td>
			<td>ESRI, Redlands, CA</td>
			<td style="width:256px;">10.2.2</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:307px;">Statistical Analysis System&#160;</td>
			<td>SAS Institute Inc</td>
			<td style="width:256px;"></td>
			<td></td>
		</tr>
		<tr height="23">
			<td height="23" style="height:23px;">System for Automated Geoscientific Analysis&#160;</td>
			<td>University of G&#246;ttingen, Germany&#160;</td>
			<td>v. 2.2.5, http://www.saga-gis.org/</td>
			<td>GNU General Public License</td>
		</tr>
	</tbody>
</table>

use of principal components for scaling up topographic models to map soil redistribution and soil organic carbon

Topografie van het landschap is een kritische factor die bodemvorming en speelt een belangrijke rol bij het bepalen van de bodemeigenschappen op het oppervlak van de aarde, zoals het regelt het verkeer van de zwaartekracht-gedreven bodem geïnduceerd door afvoer en grondbewerking activiteiten. De afgelopen toepassing van licht Detection and Ranging (LiDAR) gegevens houdt belofte voor het genereren van hoge ruimtelijke resolutie topografische statistieken die kan worden gebruikt voor het onderzoeken van de bodem eigenschap variabiliteit. In deze studie werden vijftien topografische metriek afgeleid van LiDAR gegevens gebruikt om te onderzoeken topografische gevolgen voor herverdeling van de bodem en de ruimtelijke spreiding van de bodem organische koolstof (SOC). Specifiek, verkenden we het gebruik van topografische principale componenten (TPCs) voor het karakteriseren van de topografie metrics en stapsgewijze belangrijkste component regressie (SPCR) om topografie gebaseerde bodemerosie en SOC modellen op site en waterscheiding schalen te ontwikkelen. Prestaties van SPCR-modellen werd geëvalueerd tegen stapsgewijze gewone minste vierkante (SOLSR) regressiemodellen. Resultaten toonden aan dat SPCR presteerde beter dan SOLSR modellen modellen in het voorspellen van de bodem herverdeling tarieven en SOC dichtheid op verschillende ruimtelijke schalen. Gebruik van TPCs verwijdert potentiële collineariteit tussen individuele invoervariabelen en dimensionaliteit vermindering door belangrijkste componenten analyse (PCA) vermindert het risico van overfitting van de voorspellingsmodellen. Deze studie stelt een nieuwe aanpak voor het modelleren van herverdeling van de bodem op verschillende ruimtelijke schalen. Voor één toepassing, kan toegang tot particuliere landerijen is vaak beperkt, en de noodzaak om te extrapoleren van bevindingen uit representatieve studieplaatsen aan grotere instellingen waarin particuliere landerijen belangrijk.

Watch this Scientific Journal Video about Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon at JoVE.com

Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon

Landschap processen zijn kritieke onderdelen van bodemvorming en spelen een belangrijke rol bij het bepalen van de bodemeigenschappen en ruimtelijke structuur in landschappen. Wij stellen voor een nieuwe aanpak met stapsgewijze belangrijkste component regressie te voorspellen van herverdeling van de bodem en organische koolstof van de bodem op verschillende ruimtelijke schalen.

Gebruik van Principal Components voor schaalvergroting van modellen van de topografische kaart van herverdeling van de bodem en bodemverontreiniging organische koolstof

Landscape topography is a critical factor affecting soil formation and plays an important role in determining soil properties on the earth surface, as it ...

Deze methode kan helpen bij het beantwoorden van belangrijke vragen op landbouwgebied, zoals hoe landschaptopografie bodemerosie en de dynamiek van organische stoffen in de bodem kan beïnvloeden. Het belangrijkste voordeel van deze techniek is dat deze toepasbaar is op locaties met beperkte waarnemingen, en het biedt een kosteneffectieve schatting van de organische koolstofvoorraden in de bodem en bodemherverdelingsprocessen. Verzamel eerst gegevens van de Website Van GeoTREE Light Detection and Ranging Mapping Project.Selecteer grenstype en -regio om in te zoomen op een bepaald gebied. Teken vervolgens een veelhoek om lichtdetectie en variërendtegels voor het geselecteerde studiegebied te downloaden. Converteer de ruwe lichtdetectie en variërend gegevens naar een LAS-bestand met behulp van het gereedschap voor het toewijzen van geografische informatie.Vervolgens genereren digitale hoogtemodellen, of DEMS, met een ruimtelijke resolutie van drie meter met behulp van omgekeerde afstand gewogen interpolatie. Filter de DEMS van drie meter twee keer met een low-pass-filter met drie kernels om geluiden in verband met lokale variatie te verminderen. Als u topografische statistieken wilt genereren, klikt u eerst op Raster importeren in de sectie Importeren/exporteren om de gefilterde DEMS met drie meter in SAGA te importeren.Klik vervolgens op de module Helling, Aspect, Kromming van SAGA met de standaardinstellingen om de helling, de krommingsgerelateerde statistiek en de algemene krommingsmetrie te genereren met behulp van de gefilterde DEM's. Klik op de top-downmodule stroomaccumulatie van SAGA en selecteer Deterministische oneindigheid als methode om de statistiek stroomaccumulatie te genereren met behulp van de gefilterde DEM's. Klik hierna op de saga-topografische openheidsmodule met de standaardinstellingen om de statistiek positieve openheid te genereren met behulp van een gefilterde z-as versterkte afbeelding.De uitbreiding van de verticale afstanden in de digitale hoogtemodellen verbetert de onderscheidende kenmerken van positieve openheid op locaties met een relatief vlak oppervlak. Klik op de LS-Factor Field Based module van SAGA met de standaardinstellingen om de upslope hellings- en hellingslengtefactorstatistieken te genereren met behulp van de gefilterde DEM's. Klik vervolgens op de module Stroompadlengte van SAGA met de standaardinstellingen om de lengtemetriek van het stroompad te genereren met behulp van de gefilterde DEM's.Klik op de module Verloop van de afstand downslope van SAGA met de standaardinstellingen om de statistiek downslope index te genereren met behulp van de gefilterde DEM's. Klik nu op de SAGA Wetness Index-module en selecteer het absolute verzorgingsgebied als het type gebied om het verzorgingsgebied en topografische gegevensstatistieken van de nattigheidsindex te genereren met behulp van de gefilterde DEM's. Klik op de module Stroomkrachtindex van SAGA en selecteer pseudo-specifiek verzorgingsgebied als gebiedsconversie om de statistiek stroomstroomindex te genereren met behulp van de gefilterde DEM's.Als volgt genereert u maximale hoogtekaarten met meerdere straalen. Filter de maximale hoogtekaarten twee keer via een low-pass-filter met drie kernels. Trek de gefilterde DEM van drie meter af van de gefilterde maximale hoogtekaarten om een reeks reliëfkaarten te verkrijgen.Haal een reeks reliëfvariabelen naar een aantal locaties. Voer de belangrijkste componentanalyse uit op de reliëfvariabelen om de reliëfs om te zetten in topografische reliëfcomponenten. Selecteer hoofdcomponenten die meer dan 90% variantie van de hulpgegevensset verklaren als de topografische reliëfstatistieken.Standaardiseer de zeven reliëfkaarten met gemiddelde en standaarddeviatie. Maak reliëf belangrijkste componenten op som van de gestandaardiseerde topografische verlichting gewogen door de overeenkomstige ladingen. Tijdens het maken van de reliëfmetriek is het belangrijk om reliëfbeelden op verschillende ruimtelijke schaal te genereren om onzekerheden in verband met de willekeurige selectie van straal te beperken, omdat de controle op reliëf op bodemeigenschappen kan worden beïnvloed door ruimtelijke schalen van reliëf.Selecteer een aantal akkerlocaties die de landschapskenmerken van het studiegebied en een aantal representatieve kleinschalige akkervelden die intensief kunnen worden bemonsterd, adequaat kunnen vertegenwoordigen. Upload alle voorbeeldlocatiecoördinaten naar een op code gebaseerd geografisch positioneringssysteem en lokaliseer ze fysiek in het veld. Verzamel vervolgens drie monsters voor elke bemonsteringslocatie van de bovenste bodemlaag van 30 centimeter met behulp van een duwsonde.Noteer geografische coördinateninformatie van de bemonsteringslocaties met behulp van het geografische positioneringssysteem. Zeef hierna het bodemmonster met een twee millimeter scherm. Weeg de bodemmonsters na het drogen.Bereken de bodemdichtheid aan de hand van de totale monstervolumes op bemonsteringslocaties en -gewichten. Meng de drie monsters van dezelfde locatie om een samengesteld bodemmonster te krijgen. Maal een substeek van 10 gram van de gezeefde grond tot een zeer fijn poeder met een rolmolen.Meet nu het totale koolstofgehalte in het rolgefreesde monster door verbranding op een CN elemental analyzer bij een temperatuur van 1350 graden Celsius. Na het bakken van de bodem organische stof in een oven, schat calciumcarbonaat koolstofgehalte door het analyseren van de resterende koolstof. Plaats de bulk twee millimeter gezeefde bodemmonsters in Marinelli bekers en sluit ze af.Plaats het bekerglas in de detector en meet de cesiumconcentratie van elk monster door middel van een gamma-ray analyse met behulp van een spectroscopiesysteem dat ingangen van drie hoogzuivere coaxiale germaniumkristallen in 8, 192-kanaals analyzers ontvangt. Nota van de cesiumconcentratie output. Bereken ten slotte de herverdelingssnelheid van de bodem aan de hand van cesiumvoorraad door de Mass Balance Model II toe te passen in een spreadsheetinvoegprogramma.460 gewas veld locaties werden willekeurig geselecteerd om topografische informatie af te leiden in de Walnut Creek Watershed in Iowa. Resultaten van correlatieanalyses tussen topografische metrische gegevens en de organische koolstofdichtheid in de bodem, de herverdeling van de bodem worden hier gepresenteerd. De topografische nattigheidsindex en grootschalige topografische reliëf vertoonden de hoogste correlaties met respectievelijk dichtheids- en bodemherverdelingspercentages.Ruimtelijke patronen van de twee metrische gegevens toonden hoge waarden in depressieve gebied en lage waarden in glooiende en nok gebieden. Echter, verschillen tussen de twee statistieken zich voordeden in sloot gebieden, waar de topografische nattigheid index vertoonde extreem hoge waarden, maar de waarden van grootschalige topografische reliëf waren niet anders dan aangrenzende gebieden. Vijf topografische hoofdcomponenten die zijn geselecteerd om op topografie gebaseerde modellen te bouwen, worden hier vermeld.Meer dan 70 en 65% van de variabiliteit in de organische koolstofdichtheid en bodemherverdeling werden verklaard door het stapsgewijze gewone minst vierkante regressiemodel met hele variabelen. Voor de modellen met collinear covariate verwijderd, simulatie efficiëntie was iets lager dan de stapsgewijze gewone minst vierkante regressie model met hele variabelen model. Voor SPCR-modellen worden vergelijkbare simulatie-efficiëntieverbeteringen waargenomen als het stapsgewijze gewone minst vierkante regressiemodel met collinear covariate verwijderd.De bodemherverdeling en de organische koolstofdichtheidskaarten van de bodem die uit SPCR-modellen werden gegenereerd, toonden consistente patronen tussen modelsimulaties en veldmetingen. Deze techniek maakt de weg vrij voor onderzoekers op het gebied van landbouw om bodemherverdeling en organische stofpatronen op waterscheidings- en regionale schalen te onderzoeken. De techniek kan worden verbeterd met verdere verfijning van lichtdetectie en variërende gegevens en opname van aanvullende topografische statistieken.

Research

JoVE Journal

Environment

Design and Operation of a Continuous 13C and 15N Labeling Chamber for Uniform or Differential, Metabolic and Structural, Plant Isotope Labeling

Design and Operation of a Continuous 13C and 15N Labeling Chamber for Uniform or Differential, Metabolic and Structural, Plant Isotope Labeling

Opzet en werking van een continue<sup&gt; 13</sup&gt; C<sup&gt; 15</sup&gt; N Labeling Kamer voor Uniform of Differentieel, Metabole en structurele, Plant isotooplabelen

Tracing rare stable isotopes from plant material through the ecosystem provides the most sensitive information about ecosystem processes; from CO2 fluxes ...

A Protocol for Conducting Rainfall Simulation to Study Soil Runoff

Een protocol voor het uitvoeren van Rainfall Simulatie voor in grond Berkel

Rainfall is a driving force for the transport of environmental contaminants from agricultural soils to surficial water bodies via surface runoff. The ...

Assessment of Labile Organic Carbon in Soil Using Sequential Fumigation Incubation Procedures

Beoordeling van de labiele organische koolstof in de bodem met behulp van Sequential Fumigatiediensten Incubation Procedures

Management practices and environmental changes can alter soil nutrient and carbon cycling. Soil labile organic carbon, a readily decomposable C pool, is ...

A Gusseted Thermogradient Table to Control Soil Temperatures for Evaluating Plant Growth and Monitoring Soil Processes

Een Gusseted Thermogradient Tabel naar grondtemperaturen controle voor het evalueren van Plant Groei en Monitoring bodemprocessen

Thermogradient tables were first developed in the 1950s primarily to test seed germination over a range of temperatures simultaneously without using a ...

Protocols for Quantifying Transferable Pesticide Residues in Turfgrass Systems

Protocollen voor het kwantificeren van Overdraagbare residuen van bestrijdingsmiddelen in Turfgrass Systems

Plant canopies in established turfgrass systems can intercept an appreciable amount of sprayed pesticides, which can be transferred through various routes ...

Nanopore DNA Sequencing for Metagenomic Soil Analysis

Nanopore DNA rangschikkend voor Metagenomic bodemanalyse

This article describes the steps for construction of a DNA library from soil, preparation and use of the nanopore flow cell, and analysis of the DNA ...

Measuring and Mapping Patterns of Soil Erosion and Deposition Related to Soil Carbonate Concentrations Under Agricultural Management

Meten en in kaart brengen van patronen van bodemerosie en afzetting aan de bodem carbonaat concentraties onder beheer van de landbouw gerelateerde

Spatial patterns of soil erosion and deposition can be inferred from differences in ground elevation mapped at appropriate time increments. Such changes ...

Improving Infrared Spectroscopy Characterization of Soil Organic Matter with Spectral Subtractions

Verbetering van infrarood spectroscopie karakterisering van organisch bodemmateriaal met spectrale aftrekken

Soil organic matter (SOM) underlies numerous soil processes and functions. Fourier transform infrared (FTIR) spectroscopy detects infrared-active organic ...

Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures

Single-doorvoer complementaire High-resolution analytische technieken voor het karakteriseren van complexe natuurlijke organische stof mengsels

Natural organic matter (NOM) is composed of a highly complex mixture of thousands of organic compounds which, historically, proved difficult to ...

Microplot Design and Plant and Soil Sample Preparation for 15Nitrogen Analysis

Microplot Design and Plant and Soil Sample Preparation for 15Nitrogen Analysis

Microplot Ontwerp en Plant en Bodem Monster Voorbereiding voor 15Stikstof Analyse

Many&#160;nitrogen fertilizer studies evaluate the overall effect of a treatment on end-of-season measurements such as grain yield or cumulative N losses. ...