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

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).

1. Топографическая анализы
<ol><li>Предварительной обработки цифровых данных<ol>
<li>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.</li>
		<li>Преобразуйте необработанные данные лидара Лас файл с помощью инструмента сопоставления географической информационной системы (ГИС).</li>
		<li>Создание DEMs с пространственным разрешением 3-м с использованием обратных расстояние взвешенный интерполяции.</li>
		<li>Фильтр 3-м DEMs дважды с фильтром низких частот 3-ядра для уменьшения шумов ассоциируется с местные вариации.</li>
	</ol>
</li>
	<li>Топографическая метрических поколение<ol>
<li>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.</li>
		<li>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).</li>
		<li>Щелкните модуль «Накопления (сверху вниз) потока» Сага и выберите «Детерминированный бесконечности» как метод для создания потока накопления (ФА) метрики с помощью отфильтрованных DEMs.</li>
		<li>Нажмите кнопку «Сага Топографическая открытости» модуль с параметрами по умолчанию для создания метрики позитивные открытость (POP), с помощью отфильтрованных z-axis изображения усиливается.</li>
		<li>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.</li>
		<li>Щелкните модуль «Длина пути потока» саги с параметрами по умолчанию для создания потока путь длиной (FPL) метрики с помощью отфильтрованных DEMs.</li>
		<li>Нажмите кнопку «Склону расстояние градиента» модуль Сага с параметрами по умолчанию для создания метрики склону индекс (ди), с помощью отфильтрованных DEMs.</li>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
</li>
</ol>2. сбор данных поля
<ol><li>Поле выборки<ol>
<li>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.</li>
		<li>Загрузить все координаты местоположения образца на основе кода географической системы позиционирования (GPS) и физически разместите их в полях.</li>
		<li>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.</li>
		<li>Запись координат Геоинформационные выборки местоположения с помощью GPS.</li>
		<li>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.</li>
	</ol>
</li>
	<li>Подготовка почвы<ol>
<li>Сито образцы составных почвы с экраном 2 мм.</li>
		<li>Растереть 10 g подвыборки фильтруют почвы очень мелкий порошок с роликовыми мельницами.</li>
	</ol>
</li>
	<li>Анализ образцов почвы<ol>
<li>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.</li>
		<li>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.</li>
		<li>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 ).</li>
		<li>Калибровка системы с использованием стандартных аналитических смешанные радионуклидов11. Преобразуйте 137Cs концентрации 137Cs инвентаризации с помощью плотности почвы.</li>
		<li>Вычислить скорость перераспределения почвы с помощью 137Cs инвентаризации, применяя II модели баланса массы (MBMII) в электронную таблицу-в программе, разработанной Уоллинг et al. 24.</li>
	</ol>
</li>
</ol>3. топография ориентированная модель разработки
<ol><li>Топографическая главных компонент оценки<ol>
<li>Извлечь Топографическая метрики для отбора мест всей исследуемой области и в областях мелкие пахотными.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
</li>
	<li>Калибровка модели<ol>
<li>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.</li>
		<li>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.</li>
		<li>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.</li>
		<li>Вычислите скорректированный коэффициент определения (Radj2), Нэш-Сатклифф эффективности (NSE) и соотношение Корень среднеквадратичной ошибки для стандартного отклонения измеренных данных (RSR) для оценки эффективности модели.</li>
	</ol>
</li>
	<li>Модель оценки<ol>
<li>Оценить плотность SOC и почвы перераспределения ставки в районе всего исследования путем применения сметных модели.</li>
		<li>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.</li>
	</ol>
</li>
</ol>

Авторы не имеют ничего сообщать.

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.

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)].

<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

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.

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

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.

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

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

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.

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

Устройство и принцип действия непрерывного<sup&gt; 13</sup&gt; С и<sup&gt; 15</sup&gt; N Маркировка палата для Uniform или дифференциальный, Метаболический и структурная, завод Изотоп Маркировка

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

Протокол по проведению Rainfall моделирование по изучению почвы стока

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

Оценка лабильного органического углерода в почве Использование процедур последовательного Фумигация инкубационного

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

A Таблица складками термоградиентный для управления температуры почвы для оценки роста растений и мониторинга почвенных процессов

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

Протоколы для Количественная переводных остаточным пестицидам в системах Turfgrass

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

Нанопор секвенирования ДНК для анализа почвы метагеномных

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

Измерение и сопоставление моделей осаждения, относящиеся к концентрации карбоната почвы под управление сельским хозяйством и эрозии почвы

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

Улучшение инфракрасной спектроскопии характеристика органического вещества почвы с спектральных вычеты

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

Сингл-пропускная способность взаимодополняющих разрешением аналитические методы характеризующие сложных природных органических веществ смеси

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 Дизайн и завод и почва Пример подготовки к 15анализа азота

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. ...