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

Denna forskning stöddes av USDA naturresurser Conservation Service i samband med komponenten våtmark av nationella bevarande effekter bedömning projektet (NRC 67-3A75-13-177).

1. topografiska analyser
<ol><li>Digital data Förbearbeta<ol>
<li>Samla in LiDAR data från webbplatsen GeoTREE LiDAR kartläggning projektet. Välj ”gräns typ” och ”region” för att zooma in ett specifikt område. Rita en polygon för att hämta LiDAR plattor för det valda studieområdet.</li>
		<li>Konvertera raw LiDAR-data till en LAS fil med verktyget geographic information system (GIS) mappning.</li>
		<li>Generera DEMs med en 3-m rumslig upplösning använder omvänd avstånd vägt interpolation.</li>
		<li>Filter 3-m DEMs två gånger med ett 3-kernel lågpassfilter att minska ljud associera med lokal variation.</li>
	</ol>
</li>
	<li>Topografiska metriska generation<ol>
<li>För att generera topografiska mätvärden, först ladda ner den senaste versionen av systemet för Automated Geoscientific analys (SAGA)23. Klicka på ”Importera Raster” i avsnittet Importera/exportera för att importera filtrerade 3-m DEMs till SAGA.</li>
		<li>Klicka på modulen ”lutning, aspekt, krökning” saga med standardinställningarna för att generera lutning och krökning-relaterade [profil krökning (P_Cur), plan krökning (Pl_Cur) och allmänna krökning (G_Cur)] mätvärden använder filtrerad DEMs (figur 1).</li>
		<li>Klicka på modulen ”flöde ackumulation (Top-Down)” Saga och välj ”deterministiska oändligheten” som metod att generera flöde ansamling (FA) metriska använda filtrerade DEMs.</li>
		<li>Klicka på modulen ”SAGA topografisk öppenhet” med standardinställningarna för att generera positiva öppenhet (POP) måttet med en filtrerad z-axis förstärkta avbildning.</li>
		<li>Klicka på modulen ”LS-faktor (fältet baserat)” saga med standardinställningarna för att generera upslope lutningen (Upsl) och lutning längd faktor (LS_FB) mått använder filtrerad DEMs.</li>
		<li>Klicka på modulen ”flöde sökvägens längd” saga med standardinställningarna för att generera det flöde sökvägen längd (FPL) mått använder filtrerad DEMs.</li>
		<li>Klicka på modulen ”Downslope avstånd Gradient” saga med standardinställningarna för att generera downslope index (DI) måttet använder filtrerad DEMs.</li>
		<li>Klicka på modulen ”SAGA väta Index” och välj ”absoluta upptagningsområde” som typ av området att generera upptagningsområde (CA) och topografiska väta index (TWI) mätvärden använder filtrerad DEMs.</li>
		<li>Klicka på modulen ”Stream Power Index” av SAGA och välj ”pseudo specifika upptagningsområde” som område konverteringen att generera ström power index (SPI) måttet använder filtrerad DEMs.</li>
		<li>Generera maximal höjd kartor med flera radier. Filtrera de maximala höjd kartorna två gånger genom ett lågpassfilter med 3-kernel. Subtrahera den filtrerade 3-m mark från de filtrerade maximala höjd kartorna för att få en serie lättnad kartor. Extrahera en rad lättnad variabler till ett antal platser.</li>
		<li>Utföra principalkomponentanalys (PCA) på variablerna lättnad att konvertera relieferna i topografiska lättnad komponenter. Välj huvudsakliga komponenter som förklarar mer än 90% variansen för lättnad datamängden som topografiska lättnad mätvärden.</li>
	</ol>
</li>
</ol>2. fält datainsamling
<ol><li>Fältet provtagning<ol>
<li>Välj ett antal odlingsmark fält platser som kan adekvat representera det landskap som kännetecknen studieområdet och flera representativa småskaliga odlingsmark fält som kan avsmakas intensivt. Obs: De jordprover som samlas in från de två odlingsmark fälten användes för modell kalibrering. Jordprover som samlas in från området hela studien användes för modellvalidering.</li>
		<li>Ladda upp alla prov läge koordinaterna till en kod-baserade geografiska positioneringssystem (GPS) och fysiskt placera dem i fälten.</li>
		<li>Samla 3 prover för varje provtagning läge från de översta 30 cm jordlager med en push sond (3,2 cm i diameter). Obs: Jordprover från 30-50 cm lager samlades på platser där sediment nedfall förväntades. Volymen av varje prov var 241 cm3.</li>
		<li>Registrera geografiska koordinaten information provtagning platser med GPS.</li>
		<li>Väga jordproverna efter torkning dem vid 90 ° C i 48 h. beräkna jordens densitet hjälp informationen av totala provvolymer på mätplatser och vikter. Blanda de tre proverna från samma plats för att få en sammansatt jordprov.</li>
	</ol>
</li>
	<li>Jord provberedning<ol>
<li>Sila de sammansatta jordproverna med en 2 mm skärm.</li>
		<li>Slipa ett 10 g delurval av den sållen jorden till ett mycket fint pulver med en valskvarn.</li>
	</ol>
</li>
	<li>Prov jordanalyser<ol>
<li>Mäta markens totala kolhalt (C) i rullen slipat prover genom förbränning på en CN elementärt analyzer vid en temperatur av 1350 ° C. Uppskatta kalciumkarbonat C innehåll genom att analysera de återstående C efter gräddning markens organiska material vid en temperatur av 420 ° C för 16 h i en ugn.</li>
		<li>Beräkna SOC innehåll (%) genom att subtrahera kalciumkarbonat C innehåll från totala mark C innehåll. Konvertera SOC innehåll (%) till SOC densitet (kg m-2) med hjälp av jordens densitet.</li>
		<li>Sätta de bulk 2 mm sållen jordproverna i Marinelli bägare och täta dem. Mäta 137Cs koncentrationen av varje prov genom gamma-ray analys använder ett spektroskopi-system som får indata från tre hög renhet koaxial germanium kristaller (HpCN30% effektivitet) till 8192-kanal analysatorer (se tabellen av material ).</li>
		<li>Kalibrera systemet med hjälp av en standard för analytic blandade radionukliden11. Konvertera 137Cs koncentration till 137Cs lagret med jordens densitet.</li>
		<li>Beräkna jord omfördelning använder 137Cs lager genom att tillämpa massa balans modell II (MBMII) i ett kalkylblad-tillägg program utvecklat av Walling o.a. 24.</li>
	</ol>
</li>
</ol>3. topografi-baserad modellutveckling
<ol><li>Topografiska principalkomponent uppskattning<ol>
<li>Extrahera topografiska mätvärden för provtagning platser i området hela studien och fälten småskaliga odlingsmark.</li>
		<li>Standardisera topografiska mätvärden av provtagning platser i området hela studien med hjälp av medelvärdet och standardavvikelsen. Uppskatta de topografiska metriska belastningar i varje komponent som grundas på standardiserade topografiska mätvärden med PCA med statistiskt programpaket. Samla de topografiska metriska belastningar i varje topografiska huvudkomponenten (TPC) och välj de översta TPCs som förklarar 90% variansen för alla mätvärden.</li>
		<li>Standardisera topografiska mätvärden av provtagning platser i fälten småskaliga odlingsmark. Beräkna de översta TPCs för varje plats genom summan av standardiserade topografiska mätvärden viktat med den motsvarande belastningen från provtagning platser i WCW.</li>
	</ol>
</li>
	<li>Modellen kalibrering<ol>
<li>Utföra stegvis ordinarie minst kvadratisk regression (SOLSR) att utveckla topografi-baserade SOLSRf modeller för SOC densitet och jord omfördelning priser utifrån alla topografiska mätvärden på fälten småskaliga odlingsmark. Använd Akaike information kriterium (AIC) och ledighet-en-ut cross-validering för att välja den optimala kombinationen av topografiska mätvärden för de bäst utrustade SOLSRf modellerna.</li>
		<li>Kontrollera kolinjäritet bland de topografiska variabler med hjälp av variansen inflationen faktorn (VIF). Ta bort variabler med den största VIF (VIF ≥ 7,525), och kontrollera VIF igen. Ta bort variabler tills VIFs av alla variabler är < 7,5. Utföra SOLSR för att utveckla topografi-baserade SOLSRr modeller för SOC densitet och jord omfördelning priser utifrån topografiska mått som var borttagna hög kolinjäritet variabler. Använda AIC och ledighet-en-ut cross-validering för att välja den optimala kombinationen för de bäst utrustade SOLSRr -modellerna.</li>
		<li>Utföra stegvis principalkomponent regression (SPCR) för att utveckla topografi-baserade SPCR modeller för SOC densitet och jord omfördelning priser utifrån TPCs på fälten småskaliga odlingsmark. Använda AIC och ledighet-en-ut cross-validering för att välja den optimala kombinationen av TPCs för de bäst utrustade SPCR-modellerna.</li>
		<li>Beräkna den justera koefficienten för bestämning (Radj2), Nash-Sutcliffe effektivitet (NSE) och förhållandet mellan det kvadratiska medelvärde felet med standardavvikelsen av mätdata (RSR) att bedöma modell effektivitetsvinster.</li>
	</ol>
</li>
	<li>Modell utvärdering<ol>
<li>Uppskatta SOC densitet och jord omfördelning priser i området hela studien genom att tillämpa de uppskatta modellerna.</li>
		<li>Validera den utveckla modellen genom att jämföra förutsägelse med uppmätta dataset av SOC densitet och jord omfördelning priser i området hela studien. Utvärdera modellen föreställningarna med Radj2, NSE och RSR värden.</li>
	</ol>
</li>
</ol>

Författarna har något att avslöja.

SOLSRf modellerna hade något bättre prestanda än SPCR modeller i kalibrering i fältet skala. Dock är några av de topografiska mätningar, såsom SPI och CA (r > 0,80), nära korrelerade med varandra. Kolinjäritet kan lägga till osäkerheter i modellprognoser. På grund av hypotesprövningar bland prediktorer, kan små förändringar i den ingående variablerna väsentligt påverka den modell förutsägelser41. Därför SOLSRf modellerna tenderade att vara instabil och visade låg effektivitet i simuleringar av SOC densitet och jord omfördelning andelen vattendelare skalan. SPCR modellerna överträffade väsentligen SOLSRf modeller i Prediktion av SOC distribution på skalan vattendelare. TPCs eliminera hypotesprövningar genom att omvandla femton topografiska mätvärden till oberoende av varandra (ortogonala) komponenter. Konverteringen avslöjade också underliggande relationer bland topografiska mätvärden. Som framgår av de höga belastningar (> 0,35) topografiska mätvärden till komponenter, var den TPC1, TPC2, TPC3, TPC6 och TPC7 associerade med avrinning velocity, markens vattenhalt, avrinning volym, flöde divergens och flöde acceleration, respektive. Rumsliga mönster av jord omfördelning priser och SOC distribution var starkt korrelerade med markens vattenhalt och avrinning divergens i WCW, vilket överensstämmer med studier av Fox och Papanicolaou2, som visade att eroderad jord från Upland kunde påverkas av flöde divergens i en låg-relief jordbruks vattendelare.
Dessutom minskat färre prediktor variabler i SPCR modeller än SOLSRf och SOLSRr -modellerna risken för alltför passande prognos modeller42,43. Det fanns mer än sex variabler i alla SOLSR modeller, som kan öka svårigheten att tolkning av data och inducera hög varians i modell simuleringar41,44,45. Detta kan redogöra för de lägsta prognos effektivitetsvinsterna i WCW av SOLSR modeller än av SPCR-modeller.
Topografi-baserade SPCR modeller har fördelar i simulera jord omfördelning och associerade SOC dynamik. Första, topografisk information kan enkelt härledas från DEMs. Senaste ökad tillgänglighet av den hög rumslig upplösningen LiDAR-data kan hjälpa förbättra noggrannheten i mark-derived landskap topografi och gynna utredningar i regioner med begränsad fältobservationer. Andra kan använder en uppsättning av topografiska mätvärden och statistiska analyser, topografi-baserade modellerna effektivt kvantifiera jord omfördelning och SOC spridningsmönster. För det tredje kan tillämpningen av principalkomponent effektivt minska fördomar som är associerad med hypotesprövningar topografiska mätvärden och öka stabiliteten i stegvis regression modellerna när det appliceras på flera rumsliga skalor.
SPCA modeller kan dock begränsas av variabler under modellutveckling. Även om tillämpningen av LiDAR data ökat i ekologiska studier, har metoderna för att härleda användbara topografisk information inte ännu fullständigt undersökts. I denna studie visade av TWI och LsRe de högsta korrelationerna med SOC densitet och jord omfördelning priser, respektive. Ytterligare topografiska variabler som inte anses kan dock vara lika eller mer viktiga för att förklara jorderosion och C dynamics. Dessutom kan ingick andra faktorer såsom metoder, som kan orsaka jord erosion variabilitet, inte i denna studie. Till exempel när jordbearbetning var parallellt med riktningen av maximal lutning, kan jorderosion fördubblas i förhållande till erosionen i slantwise jordbearbetning svarvning jord upslope46. Därför kan olika jordbearbetning praxis också vara en orsak till minskad förutsägelse effektivitetsvinsterna av SPCR modeller.
Studien är baserad på papperet publicerade i Catena17. I stället för en mekanistisk-baserad analys av topografiska influenser på smutsa rörelse och markens egenskaper som utförs i Catena papperet, fokuserat här vi på metoderna för kvantifiering av topografiska mätvärden och utveckla topografi-baserade modeller. Vi diskuterade möjligheterna och fördelarna med att använda topografi-baserade modeller i studier av det rumsliga strukturerar av markens egenskaper. Under tiden förbättrat vi våra modeller genom att uppdatera algoritmer lutning längd faktor och flöde ackumulation. Omfattningen av lutning längdmätning faktor var begränsad till fältets område. Dessutom användes den deterministiska infinity algoritmen för flöde ackumulering generation. Jämfört med den metod som redovisas i Li et al. 17 som genereras flöde ackumulering med en deterministisk algoritm åtta-nod, infinity algoritmen antogs i denna studie minskar loopar i flöde riktning vinklar och visade sig vara en bättre algoritm för låg relief områden47.
Sammanfattningsvis visar vår resultaten genomförbarheten av topografi-baserade SPCR modeller i simulera SOC distribution och jord omfördelning mönster i jordbruk fält. Som en kostnadseffektiv metod för att uppskatta SOC bestånd och jord omfördelning priser, är det tillämpliga på platser med begränsad observationsdata och privata marker saknar allmänhetens tillgång. I framtida studier, prognos modeller kan förbättras med ytterligare förfining och LiDAR datatillgänglighet och införande av topografiska mätvärden. De storskaliga boende markkartor som har utvecklats baserat på modeller kommer att leda till ytterligare förståelse av mekanismerna bakom den topografiska påverkan på smutsa rörelse i jordbrukslandskap och ödet för SOC vid vattendelare och regionala skalor.

Jord omfördelning (erosion och nedfall) utövar betydande effekter på jorden organiskt kol (SOC) bestånd och dynamik. Öka ansträngningarna har ägnats till att undersöka hur SOC är fristående, transporteras och deponeras över landskapet1,2,3. Carbon (C) kvarstad och SOC fördelningen påverkas av gravitation-driven smutsa rörelse framkallas av vatten erosion4,5,6. I odlade fält är jord translokation av jordbearbetning en annan viktig process bidrar till C omfördelning7,8,9. Jordbearbetning erosion orsakar en betydande netto downslope rörelse av jordpartiklar och leder till en inom-fältet jord variant10. Både vatten och jordbearbetning erosion påverkas avsevärt av landskapet topografi, som bestämmer placeringen av erosional och depositional platser11. Därför effektiva jord erosion förordning och C dynamisk utredning i odlingslandskapet efterlyser en bättre förståelse av topografiska kontroller på jorderosion och rörelser.
Flera studier har undersökt effekterna av topografi på jord omfördelning och associerade SOC dynamics9,12,13,14,15,16, 17. van der Perk et al. 12 rapporterade att topografiska faktorer förklarade 43% av variabiliteten i jord omfördelning. Rezaei och Gilkes13 hittade högre SOC i marken på en skuggig aspekt, på grund av lägre temperaturer och mindre avdunstning jämfört med andra aspekter i landområden. Topografin kan ha mer betydande påverkan på jord omfördelning i jordbruksmark med traditionella jordbearbetning behandling än de med minimal bearbetning av jorden, på grund av samspelet mellan landformer och jordbearbetning metoder9. Dock var dessa fynd härrör huvudsakligen från fältobservationer, som presenterar svårigheter i att undersöka markens egenskaper på en bredare geografisk skala. Det finns ett trängande behov av att utveckla nya strategier för att effektivt förstå rumsliga mönster av markens egenskaper på vattendelare och regionala skalor.
Syftet med denna studie är att utveckla effektiva modeller för att simulera jord omfördelning och SOC distribution. Topografi-baserade modeller med topografiska mätvärden som prediktorer har utvecklats för att kvantifiera jord erosion och nedfall processer. Jämfört med empiriska - eller process-baserade erosion modeller som anställd diskret fältet provtagningar att simulera jord erosion18,19, topografi-baserade modeller skulle kunna utvecklas utifrån topografisk information som härrör från digital höjdmodeller (DEMs) med hög upplösning. Detta tillvägagångssätt möjliggör kontinuerlig jord egendom simuleringar på vattendelare eller regional skala. Under de senaste decennierna, har topografiska informationens riktighet förbättras avsevärt, med ökande tillgänglighet av hög upplösning distans kände data. Även om tidigare studier har sysselsatt topografi-baserade modeller för att simulera jord boenden12,20,21,22, används de flesta av dessa undersökningar en enda topografiska metriska eller enda kategori topografiska mätvärden (lokala, icke-lokala eller kombinerade topografiska metrics), som kanske inte har tillräckligt utforskat topografiska påverkan på mikrobiell aktivitet i jord. Därför, för att få en bättre förståelse av topografin kontroller jorderosion och C dynamics har vi granskat en omfattande uppsättning topografiska mätvärden inklusive lokala, icke-lokala och kombinerade topografiska mätvärden och utvecklat flera variabel topografi-baserade modeller för att simulera boende jorddynamik. Tillämpningar av dessa modeller förväntas ge vetenskapligt stöd för bättre jord erosionskontroll och hantering av jordbruksmark.
Topografiska mätvärden är generellt kategoriseras in i tre kategorier: (a) lokala topografiska mätvärden, (b) icke-lokala topografiska mätvärden eller c) kombinerade topografiska mätvärden. Lokala topografiska mätvärden avser lokala funktioner i en punkt på markytan. Icke-lokala topografiska mätvärden avser de relativa platserna markerade punkter. Kombinerade topografiska mätvärden integrera lokala och icke-lokala topografiska mätvärden. En uppsättning topografiska mätvärden som påverkar jorderosion och nedfall användes i denna studie för att undersöka topografiska kontrollerna på smutsa rörelse och C bestånd (tabell 1). Specifikt, vi använde fyra lokala topografiska mått [lutning, profil krökning (P_Cur), planera krökning (Pl_Cur), allmänna krökning (G_Cur)], sju icke-lokala topografiska mått [flöde ansamling (FA), topografiska lättnad, positiva öppenhet (POP), upslope lutning (UpSl) flöde sökvägens längd (FPL), downslope index (DI), upptagningsområde (CA)], och tre kombinerade topografiska mått [topografiska väta index (TWI), ström power index (SPI) och lutning längd faktor (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

Landskap topografi är en kritisk faktor som påverkar bildandet av Mull och spelar en viktig roll för att fastställa markens egenskaper på jordens yta, eftersom det reglerar det gravitation-driven smutsa rörelse framkallas genom avrinning och jordbearbetning verksamhet. Senaste ansökan om ljus upptäckt och Ranging (LiDAR) data håller löfte för att generera hög rumslig upplösning topografiska mätvärden som kan användas för att undersöka markens boende variabilitet. I denna studie användes femton topografiska mätvärden härrör från LiDAR-data att undersöka topografiska påverkan på omfördelning av jord och rumslig distribution av organiskt kol i marken (SOC). Specifikt, utforskade vi användningen av topografiska huvudkomponenter (TPCs) för kännetecknar topografi mätvärden och stegvis principalkomponent regression (SPCR) utveckla topografi-baserade jorderosion och SOC modeller på plats och vattendelare skalor. Prestanda av SPCR modeller utvärderades mot stegvis ordinarie minst kvadratisk (SOLSR) regressionsmodeller. Resultaten visade att SPCR modeller klarade SOLSR modeller för att förutse mark omfördelning priser och SOC densitet vid olika rumsliga skalor. Användning av TPCs tar bort potentiella kolinjäritet mellan enskilda ingående variablerna och dimensionalitet minskning av principalkomponentanalys (PCA) minskar risken för overfitting i prediktionsmodeller. Denna studie föreslår en ny strategi för modellering jord omfördelning över olika rumsliga skalor. För en tillämpning, tillgång till privat mark är ofta begränsad, och behovet av att extrapolera resultaten från representativa studieplatser till större inställningar som inkluderar privat mark kan vara viktigt.

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

Landskap processer är kritiska komponenter i bildandet av Mull och spelar en viktig roll för att fastställa markens egenskaper och rumslig struktur i landskap. Vi föreslår en ny strategi med stegvis principalkomponent regression för att förutsäga jord omfördelning och organiskt kol i marken över olika rumsliga skalor.

Användning av rektor komponenter för skalning upp topografiska modeller att mappa jord omfördelning och jord organiskt kol

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

Denna metod kan bidra till att besvara viktiga frågor inom jordbruksområdet, till exempel hur landskapstopografi kan påverka jorderosion och markorganisk materiadynamik. Den största fördelen med denna teknik är att den är tillämplig på platser med begränsade observationer, och det ger en kostnadseffektiv uppskattning av markens organiska kollager och processer för omfördelning av marken. Samla först in data från webbplatsen GeoTREE Light Detection and Ranging Mapping Project.Välj gränstyp och gränsregion om du vill zooma in till ett visst område. Rita sedan en polygon för att ladda ner ljusdetektering och sträcker plattor för det valda studieområdet. Konvertera identifieringen av råljus och sträcker data till en LAS-fil med hjälp av det geografiska informationssystemets mappningsverktyg.Generera därefter digitala höjdmodeller, eller DEMS, med en tre meter spacial upplösning med hjälp av omvänd avståndsvägd interpolation. Filtrera tremeters DEMS två gånger med ett lågpassfilter med tre kärnor för att minska ljud som är kopplade till lokal variation. Om du vill generera topografiska mått klickar du först på Importera raster i avsnittet Importera/exportera för att importera den filtrerade tremeters DEMS till SAGA.Därefter klickar du på modulen Lutning, aspekt, krökning av SAGA med standardinställningarna för att generera lutningen, krökningsrelaterade måttet och det allmänna krökningsmåttet med hjälp av de filtrerade DEM:erna. Klicka på flow accumulation Top-Down-modulen i SAGA och välj Deterministisk oändlighet som metod för att generera flödesackumuleringsmåttet med hjälp av de filtrerade DEM:erna. Efter detta klickar du på modulen SAGA Topografisk öppenhet med standardinställningarna för att generera det positiva måttet för öppenhet med hjälp av en filtrerad z-axel förstärkt bild.Utvidgningen av de vertikala avstånden i de digitala höjdmodellerna förbättrar särskiljbarheten av positiv öppenhet på platser med en relativt plan yta. Klicka på LS-Factor Field Based-modulen i SAGA med standardinställningarna för att generera mätvärdena för upslope-lutningslutning och lutningslängdfaktor med hjälp av de filtrerade DEM:erna. Därefter klickar du på modulen Flow Path Length i SAGA med standardinställningarna för att generera måttet flödesvägslängd med hjälp av de filtrerade DEM:erna.Klicka på downslope Distance gradient modulen i SAGA med standardinställningarna för att generera nedslope indexet mått med hjälp av de filtrerade DEMs. Klicka nu på modulen SAGA Wetness Index och välj absolut upptagningsområde som typ av område för att generera upptagningsområdet och topografiska våthetsindexmått med hjälp av de filtrerade DEM:erna. Klicka på Stream Power Index modulen av SAGA och välj pseudo specifika upptagningsområde som området konvertering för att generera dataflödet strömindexet mått med hjälp av de filtrerade DEMs.Efter detta generera maximala höjdkartor med flera radier. Filtrera de maximala höjdkartorna två gånger genom ett lågpassfilter med tre kärnor. Subtrahera den filtrerade tre meter DEM från de filtrerade maximala höjdkartor för att få en serie reliefkartor.Extrahera en serie reliefvariabler till ett antal platser. Utför huvudkomponentanalys på reliefvariablerna för att omvandla relieferna till topografiska reliefkomponenter. Välj huvudkomponenter som förklarar mer än 90%-varians för reliefdatauppsättningen som de topografiska reliefmåtten.Standardisera de sju reliefkartorna med hjälp av medelvärde och standardavvikelse. Skapa relief principal komponenter efter summan av den standardiserade topografisk lättnad viktad av motsvarande lastningar. Samtidigt som man skapar reliefmåttet är det viktigt att generera reliefbilder i olika rumslig skala för att begränsa osäkerheter i samband med det godtyckliga urvalet av radie, eftersom kontroller av lättnad på jordegenskaper kan påverkas av rumsliga skala av lättnad.Välj ett antal åkermarksplatser som på ett tillfredsställande sätt kan representera studieområdets landskapsegenskaper och flera representativa småskaliga åkermarkar som kan tas i prov intensivt. Överför alla exempelplatskoordinaterna till ett kodbaserat geografiskt positioneringssystem, och lokalisera dem fysiskt i fältet. Därefter samla tre prover för varje provtagningsplats från det översta 30-centimeters jordskiktet med hjälp av en push-sond.Registrera geografisk koordinatinformation för provtagningsplatserna med hjälp av det geografiska positioneringssystemet. Efter detta sikta jordprovet med en två-millimeters skärm. Väg jordproverna efter torkning.Beräkna jordtätheten med hjälp av de totala provvolymerna vid provtagningsplatser och -vikter. Blanda de tre proverna från samma plats för att få ett sammansatt jordprov. Mala en 10-grams delprov av den siktade jorden till ett mycket fint pulver med en vals kvarn.Nu, mäta marken totala kolhalten i rullen-fräst prov genom förbränning på en CN elemental analysator vid en temperatur på 1350 grader Celsius. Efter bakning jorden organiskt material i en ugn, uppskatta kalciumkarbonat kolhalt genom att analysera resterande kol. Placera de två millimeters siktade jordproverna i Marinelli-bägare och försegla dem.Placera bägaren i detektorn, och mät cesiumkoncentrationen av varje prov genom gamma-ray-analys med hjälp av ett spektroskopisystem som tar emot ingångar från tre högrorkoaxiala germaniumkristaller i 8, 192-kanalsanalysatorer. Registrera cesiumkoncentrationens utgång. Slutligen beräkna jord omfördelningsgrad med hjälp av cesium inventering genom att tillämpa Mass Balance Model II i ett kalkylblad tilläggsprogram.460 gröda fält platser valdes slumpmässigt att härleda topografisk information i Walnut Creek Watershed i Iowa. Resultat av korrelationsanalyser mellan topografiska mätvärden och markorganisk koltäthet, jordomfördelning presenteras här. Den topografisk väta index och storskaliga topografisk lättnad visade de högsta korrelationerna med densitet och jord omfördelning priser, respektive.Rumsliga mönster av de två mätvärdena visade höga värden i depressional område och låga värden i sluttande och ås områden. Skillnader mellan de två mätvärdena inträffade dock i dikesområdena, där det topografiska väthetsindex uppvisade extremt höga värden, men värdena för storskalig topografisk relief var inte annorlunda än angränsande områden. Fem topografiska huvudkomponenter som valdes ut för att bygga topografibaserade modeller listas här.Över 70 och 65%av variabilitet i markens organiska koltäthet och jordomfördelningshastigheter förklarades av den stegvisa vanliga minst kvadratiska regressionsmodellen med hela variabler, respektive. För modellerna med kollinärt kovariat borttaget var simuleringseffektivitet något lägre än den stegvisa minst kvadratiska regressionsmodellen med hela variablersmodell. För SPCR-modeller observeras liknande simuleringseffektivitet som den stegvisa minst kvadratiska regressionsmodellen med kollinärt kovariat borttaget.Markomfördelningen och markens kartor över organisk koltäthet som genereras från SPCR-modeller visade på konsekventa mönster mellan modellsimuleringar och fältmätningar. Denna teknik banar väg för forskare inom jordbruksområdet att utforska jordomfördelning och organiska materialmönster vid vattendelare och regionala skalor. Tekniken skulle kunna förbättras med ytterligare förfining av ljus upptäckt och sträcker data och införande av ytterligare topografiska mått.

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

Design och drift av en kontinuerlig<sup&gt; 13</sup&gt; C och<sup&gt; 15</sup&gt; N Märkning avdelningen för Uniform eller Differential, Metabolic och struktur, växt Isotope Labeling

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

Ett protokoll för Genomföra Regn simulering för att studera mark Avrinning

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

Bedömning av labila organiskt kol i jorden med Sekventiell Bränning inkubation procedurer

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

En invikta Thermogradient tabell att kontrollera Jord Temperaturer för att utvärdera Växternas tillväxt och övervakning mark

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

Protokoll för att kvantifiera överlåtbara bekämpningsmedelsrester i 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-sekvensering för gjorts Jordanalys

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

Mätning och kartläggning mönster jorderosion och nedfall kopplad till jord karbonat koncentrationer Under jordbrukets förvaltning

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

Att förbättra infraröd spektroskopi karakterisering av markens organiska material med spektrala subtraktioner

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

Singel-genomströmning kompletterande högupplösta analysmetoder för kännetecknar komplexa naturliga organiska ämnen blandningar

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

Mikroplot Design och växt-och jordprov beredning för 15kväveanalys

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. ...