文摘

土壤属性的空间显式数据管理植物水可用性需要理解机制影响植物物种分布和预测植物对气候变化的响应。这对干旱和半干旱地区尤为重要。空间数据代表的代理人土壤形成因素越来越广泛使用(例如,光谱和地形层)。然而,实地训练数据仍然是一个限制因素,特别是在远程和广泛的旱地。我们提出一个方法来与陆地卫星地图土壤ETM +图像和高分辨率(5米)地形(IFSAR)数据统计特性的基础上,不依赖于输入数据层训练数据。然后我们描述土壤类映射使用半自动的技术。杰出的幽灵似地不同的方法在地下土壤不同的类,而不是表面的性质。现场评估长期植被的土壤分类与分析动态显示的方法成功地映射区域类似的土壤特性和生态潜力。

1。介绍

土壤特性是理解的关键模式的植被群落组成和全球干旱和半干旱生态系统初级生产力(1,2]。传入的沉淀和水之间的关系可用性植物生长在这些water-limited系统修改植被、地形、和土壤性质影响表面再分配,渗透和保水性3- - - - - -5]。因此,有关土壤属性的空间明确的信息是需要理解的机制管理植物物种分布和植被动力学,特别是在努力应对气候变化的预测。高分辨率图像和地形数据集越来越全局,加强数字土壤制图的机会机会产生精确的空间显式土壤地图获取这些重要的水文特性和减少工作。

尽管土壤映射是一个长期存在的科学,大规模映射的努力往往缺乏足够的细节了解植被模式和动态的调节机制。这特别适用于空间(即广泛的干旱和半干旱地区。旱地)。例如,在美国,土壤映射努力最初专注于土地适合耕种农业和更少的资源被分配给其他领域的映射,包括旱地。地图单位以外的有价值的农业用地通常包含几个不同的土壤,函数从生态的角度是很不同的。因此,在许多旱地土壤地图更新更大的分辨率和准确性需要理解植物群落模式和动力学。数字、基于栅格的地图的土壤属性是适合这样的分析。

增强可用性增加的卫星图像光谱、空间和时间分辨率为预测土壤提供充足的机会映射在不同级别的细节在一系列空间区段(6- - - - - -8]。McBratney et al。9)提出了一个框架,用于预测数字土壤制图(DSM),广义珍妮的10]5土壤形成因素(气候、生物、救援、母质和时间)也考虑空间位置和允许土壤形成因素之间的相互作用来预测spatially-explicit土类或离散的土壤特性。McBratney et al。9)方法利用了可用性的计算能力和不断增长的财富的遥感数据源作为协变量的环境。卫星图像的选择对于土壤映射应该基于成本和物流(例如,存储/计算)约束结合必要的映射结果的细节。

土地管理和规划空间广泛旱地需要审慎的评估成本和效益的可用资源来满足不断增长的需要数字土壤地图层。例如,在美国,而详细的土壤调查数据可用的地方,土壤单位通常组合在一起到一般类型映射类型和数量的基础上潜在的植被和网站的反应能力管理活动(即基于soil-vegetation反馈和属性。nrc生态的网站,看到11])。对于这样的应用程序,一个较低的空间分辨率的产品,可以很容易地获得大面积,与陆地卫星图像等,比更详细更有效地服务于更广泛的目的,劳动密集型的土壤地图产品。此外,存档和当代陆地卫星图像提供了一个容易可评价的数据来源的景观特性,配合牧场监测和覆盖映射(12,13]。

光谱信息土壤表面条件和植被指数作为植被的代理人已经结合高分辨率地形模型来改善DSM工作(7,14]。Boettinger et al。6)遥感图像的有效证明效用(即。,Landsat) for characterizing soil surface features in drylands with modest vegetation cover. In another study focused on automated soil mapping with Landsat imagery and terrain layers, Saunders and Boettinger [15)结合无监督分类技术与分类树的评价效用这种分类方法结合土壤分类的方法相比,基于专家知识和实地调查数据。

陆地表面的物理性质与土壤形成因素提供的卫星图像和地形特征源自数字高程数据(6,16]。协变量环境的可用性在数字格式计算能力和集成与当地知识的改变和降解关键部件全球努力地图土地管理和土壤碳储存计划(17]。尽管先进的数字数据和建模算法的可用性(例如,14]),预测数字地图广阔的空间尺度上的土壤属性通常受限于缺乏支持辅助或训练数据18]。尤其在空间广泛,常常远程旱地生态系统。我们现在statistically-based方法获得的光谱特征分类土壤事先广泛的实地采样,然后描述土壤类型和属性的映射类,便于解释。

我们分离土壤特性的影响在灌木和草地植被动态变化超过了71年新墨西哥南部的干旱草原,美国。我们假设土壤属性描述当代映射工作代表了71年以上。必要的数字土壤地图数据符合缀块动态没有现成的。本研究的目标是(1)描绘不同的土类研究区域内使用空间明确的地形数据层和土壤光谱特性和(2)描述派生类促进解释观察到的植被动力学。

2。材料和方法

2.1。研究区域

这项研究是在进行一个150公顷的景观在奇瓦瓦沙漠草地研究中心在新墨西哥北部奇瓦瓦沙漠南部,美国(图1)。土壤映射努力作为一个更大的研究的一部分进行辨别土壤的影响在一个长期植被动态的分析。气候特点是温暖干燥的春天,炎热潮湿的夏季,寒冷干燥的冬季。长期(1930年至2008年)平均年降雨量为232.0毫米。年度锅蒸发率远远超过降雨,测量年均2204。1毫米(1953 - 1979)19]。该地区的土壤温度制度是热的,和土壤水分政权Ustic象征性的干燥的。研究领域,有着悠久历史的牲畜放牧(20.),发生在海拔1324米。

该地区以沙土为主的祖先的里奥格兰德河的广阔的冲积平原。沉积物的沉积冲积平原上的格兰德河结束大约160万年前(21),提供大量的成土的发展包括粘化视野的形成和厚厚的petrocalcic视野。然而,该地区现在是一个马赛克主要沙质土壤类型由于postdepositional地质和地貌过程、主要构造隆升和返工的沉积物被风22]。在最近接受风成沉积地区,表面纹理通常非常粗砂(> 90%),很少有粘土或碳酸盐积累计。在侵蚀地区,可以相对较浅深度petrocalcic地平线(< 50厘米)和表面纹理细由于表面土壤的损失。

该地区是历史上由草但转换到shrub-dominated生态系统(23,24]。灌丛,由蜂蜜豆科灌木(Prosopis glandulosa托),从1937年的1%增至2008年ca.16% [25];这种豆科灌木主导地位的转变发生在下降,草覆盖,构成黑格兰马草(Bouteloua eriopoda),tobosa (Pleuraphis mutica)和dropseed物种(Sporobolus从ca spp)。1937年的19%到2008年的1%。扩散的灌木和草的下降高度异构跨越空间和时间;土壤和气候之间的相互作用(即。,drought) are expected to explain some of the observed heterogeneity.

2.2。映射的土壤

结合无监督和监督分类技术被用来描绘不同的土类使用光谱和地形变量在150公顷研究区域。我们选择利用陆地卫星7号拍摄增强型专题成像仪(ETM +)图像,从其他传感器的可访问性(即。,freely available) to land managers and soil scientists through the GLOVIS portal administered by the USA Geological Survey [26]。光谱信息来源于2002年2月24日陆地卫星7 ETM + 1级t形象产品精度和地形校正(27]。冬天的形象从陆地卫星档案中选择最大化从土壤表面反射的辐射能在冬天,当植被低,低于平均降雨量的时期。我们假设土壤光谱特性反映暴露表面基于优势的证据从长期生态研究(lte)站点数据源收集在附近学习网站。Field-estimates植被生物量收集2002年2月12 - 18表明生产年度和多年生牧草,牧草,和灌木是接近于零28]。此外,每月的观察植物物候学证实多年生牧草和灌木的假设静止图像时获得。

2.2.1。输入层

地形变量来自数字地形模型(DTM)获得一个机载interfermetric合成孔径雷达(IFSAR) 2006年传感器(Intermap Technologies Inc。恩格尔伍德,美国科罗拉多州)。本机DTM的空间分辨率是5米。地形衍生品评价边坡,边坡形状(平面和剖面曲率),和地形湿度指数(双胞胎)。双胞胎提供了一个相对指数的一个点是否在一个景观位置可能得到试车水通过特定的自然对数汇水面积除以当地斜坡(29日,30.]。双胞胎值越大表示点与大贡献地区和/或降低斜坡;较低的值指示点贡献较低区域和/或更高的山坡上。边坡、边坡形状,利用模型计算了双胞胎Builder和在ArcGIS空间分析(美国环境科学研究所,加州雷德兰兹,9.3 v)。

基于像素参数分类方案要求所有输入层共享一个共同的空间分辨率。我们选择总结社区内精细的地形数据与陆地卫星图像像素的较大的足迹而不是增加冗余的光谱数据重采样到一个更小的像素大小。这个决定是基于需要避免的局限性在签名推导过程共线性相关(见部分2.2。2)。我们总结了地形衍生品(使用平均值,标准偏差,最小值,最大值)中的焦点对应像素的窗口像素大小的ETM +图像。

ETM +图像radiometrically校准,光谱反射率值调整去除的影响衰减和散射光子由于大气干扰使用成本模型[31日]。六个多光谱波段的气压上纠正反射率值值从0到1;光谱指数计算是基于气压上纠正反射率值。短波红外ETM +乐队(5和7)对地表土壤水分敏感(32),通常用于数字土壤制图(6]。归一化差异比率计算建立乐队组合(例如,石膏层土壤指数(16)利用ETM + 5和7短波红外波段和氧化铁指数(33)使用乐队ETM +乐队3(红色)和1(蓝色))。我们结合光谱波段和地形衍生品协变量作为输入分类过程代表环境通常用于数字土壤制图(例如,(7])。

2.2.2。评估的光谱和地形输入层

图像反射率值代表不同的乐队,但重叠,电磁波谱的部分是相关的。共线性图像波段值可以禁止派生幽灵似地不同的签名(34]。我们最初试图采用数据驱动的签名可分性的评估与整个组20光谱和地形图像层未果,因为冗余数据集预防可逆的协方差矩阵在ERDAS公司想象的创造。因此,我们实现了一个结合的方法来减少图像乐队驱动无监督分类。为了便于数据的解释,我们没有使用主成分分析来减少数据集的维数。相反,我们计算相关矩阵的图像乐队来识别冗余的乐队,量化最优指标因素(OIF) [35)来识别子集()的光谱波段内的方差最大化陆地卫星ETM +现场同时最小化重复,并检查输入图像乐队coregistered数字地形数据层。OIF计算为每个3波段组合为六标准差之和陆地卫星图像乐队的总和除以两个两两之间的相关性三个候选人形象乐队(22]。

2.2.3。非监督分类和签名推导

图像分类过程的第一步是完成整个研究区域的无监督分类。非监督分类是一个电脑驱动的过程,适用于指定的输入参数(如收敛阈值和输出类的数量)来初始化主题类和识别集群相似的像素的光谱特征。ERDAS公司支持的非监督分类算法想象(v.9.3 ERDAS公司,Inc .正在乔治亚州,美国)迭代自组织数据分析技术(ISODATA)。因为初始集群算法为基础,在一定程度上,输出类的数量由用户指定,是很重要的两类的数量你希望检索(基于可用数据)。

现有的土壤地图被用来确定输出类指定的数量ISODATA算法。在我们的例子中,现有3 rd-order土壤调查1980年(映射1:48000规模,很大程度上映射关联或复合物)划定两种土壤地图单位整个研究区域:Berino-Bucklebar协会(25%正规的Haploargid和60%正规的Calciargid)和Wink-Harrisburg协会(35%正规的Haplocalcid和25%正规的Petrocalcid) (36]。空间不同,短暂的淹没了2.8公顷盐湖发生在研究区域内;普拉亚的特点是重粘土土壤,并划定之前(22]。在分类过程中,我们手动分配图像像素与盐湖相关联到一个单独的土类。结合信息从1980年土壤调查与最近的一个地形的地图区域,包括4个地貌(冲积平原隆起,冲积平原侵蚀,冲积平原风工作,和盐湖;(22]),我们估计最多五个不同研究区域的土壤类型。两倍数量的潜在土壤类允许良好的分离在无监督分类过程中,我们指定10输出类非监督分类的整个研究区域。

以下参数的ISODATA算法实现。我们指定10输出专题课程,选择一个默认收敛阈值为0.950,初始化集群使用统计数据包括沿着主轴95%的数据,并允许最多10个迭代。集群基于ISODATA算法分配像素最低谱聚类质心的距离。重心是重新计算每个类赋值后的收敛阈值作为衡量“分类完成。“这个阈值代表像素的比例,不改变类迭代的迭代。ISODATA算法运行的迭代,直到95%的像素不改变集群或迭代完成的最大数量。10的光谱特征代表不同的土类可怕地相似的数据输出为后续的分析和评价。

改变了散度(TD)是一种常用的测量特征可分性的图像分类(35]。TD度量代表光谱之间的距离两个签名基于签名之间的协方差为一个特定的光谱波段的组合。改变了散度计算如下:

在哪里和=两个签名类相比,的协方差矩阵是签名吗,是均值向量的签名,tr跟踪功能,是转置函数(36,37]。Mausel et al。38)发现,TD的可分性优于其他统计措施选择最优的多光谱波段子集区分作物类型的时候县TX,美国。我们使用了TD措施实现两个主要目标:(1)确定统计数量和幽灵似地分离土壤类研究区域内发生,(2)确定最好的子集的数据层不同的土类之间的歧视。TD的签名为给定的类可分性范围从0到2000。我们使用1900对所有类的最小值阈值来表示幽灵似地不同的类(35]。

在ERDAS公司签名编辑器中我们使用了TD测量来确定不同的土类的数量基于光谱和地形属性。我们调用TD效用计算散度值的所有可能的成对比较10类(class类比较)。TD实用程序输出两个矩阵;第一个矩阵包含类双和第二个矩阵包含了TD测量每一对相关的类可分性的第一个矩阵。为每个迭代中,我们确定了最低的类对TD价值,合并的两个指定类ERDAS公司签名编辑,删除原来的两个签名,并重新计算TD度量。这个过程迭代进行直到所有类对TD 1900或更高的价值,表明幽灵似地不同的土类。

2.2.4。监督分类

第二步分类过程中应用土壤签名来自前面练习中光谱和地形输入层回气压上纠正ETM +图像(包含相关的光谱和地形图像乐队)来执行监督分类。利用监督分类和参数的光谱特征使用的统计特性签名驱动类成员决策规则。我们使用最大似然决策规则,不使用一个单独的规则重叠。这意味着图像中每个像素将被应用到一个光谱类的签名文件。值得注意的是,监督分类是使用field-collected传统上用于多光谱图像分类或其他已知的植物或地表数据派生而来。在缺乏field-sampled土壤的训练数据,我们得到的光谱特征完全基于转换后的散度度量映射不同的整个研究区域土壤类。

小像素集群分类图像可能由于误分类或异常的反射率数据(39]。进一步,而小补丁1 -和2像素块可能代表土壤夹杂物,小片的数量很低,会有复杂的分层评估网站的字段。因此,我们广义分类图片稍微通过删除1 -和2像素块。这些值与周围像素的值替换。

2.3。字段映射土类的评估

描述土壤类映射这个半自动的分类过程,制定分层随机抽样策略基于within-soil类地形。深度petrocalcic地平线是一个关键的研究区土壤属性的区别。多变化的深度petrocalcic在这个区域是由于返工的上覆沙视野被风和水。以确保我们的样本捕获的代表范围沉积(可能深)和侵蚀(可能浅)领域,我们采用分层随机方法基于平面内弯曲移动窗口。我们选择八个地点实地采样的三个幽灵似地在每个不同的土类(参见3所示。1,数字土壤制图)共24场样本。

对于每个样本位置,我们收集的记录层形态和表层和次表层样品进行结构分析。土壤被发掘使用手钻深度100厘米或直到遇到petrocalcic地平线。地平线形态学信息包括粘土的描述和碳酸盐积累在前100厘米。每个样本分类的土壤分类后亚目分类(40]。在地方petrocalcic地平线发生在100厘米的土壤表面,我们分类土壤大组(例如,Petrocalcid)。从表面收集土壤样本(0 - 5厘米)和地平线遇到最大的粘土含量(如手工估计领域)后粒度分析在实验室(41]。对于每一个土类,平均土壤表层和次表层的结构和每个分类类频率计算使用包含从分层抽样的概率(PROC手段;美国NC SAS 9.2版本,卡里)。方差分析对表层和次表层的结构来测试如果在表面或地下砂类不同,淤泥和粘土(PROC的漠视;SAS 9.2版本)。

3所示。结果

3.1。数字土壤制图

3.1.1。评估的光谱和地形变量/输入层

三步过程来评估非监督分类的输入乐队选择了四个光谱和两个地形输入乐队。第一步是计算最优指标因素(OIF)六个光谱波段识别最大化within-ETM +现场的三波段组合方差最小的冗余。1、5、7的乐队组合产生一个OIF值为0.701。第二步是评估光谱数据之间的相关性(乐队和指标;表1衍生品(表)和地形2)。光谱数据的相关矩阵表明,石膏层指数表现出最少的相关性与其他光谱波段相比,其他两个归一化指数和乐队1没有强烈与乐队5和7(表1)。短波红外波段(5和7)高度相关();的TD指标被用来确定哪些更多的信息来描述两个短波红外波段的光谱特征(即带7日,看到部分3.1。2)。一般来说,地形彼此相关的衍生品是低于光谱乐队(表2)。在这种情况下,目视检查候选图像乐队(步骤3)是最有效的土壤分类识别地形衍生品。我们评估地图10地形衍生品与现有的(尽管一般)3 rd-order土壤调查42)来确定这意味着斜率和最大平面曲率最有效相关地形特征(即表示。救济和曲率)。选择候选图像乐队的数组选择驱动图像分类,而主观的,是一种常见的过程最好的完成结合可用的辅助数据源(6,15]。

3.1.2。光谱特征推导

从10开始签名与类相关联的非监督分类,我们计算转换后的散度(TD)度量使用所有七八次输入乐队(带1,带5,带7,B5−B7 / B5 + B7, B3−B1 / B3 + B1,意味着斜率,和最大平面曲率)达到最小TD值至少1900的每个类(表3)。最低TD值范围从1511当评估45类双10集群之间1940年评估三个阶级之间对三个集群。之间有一个清晰的中断最低TD值六两两比较四(1715)和三个集群的三个两两比较(1940)(表3)。使用三个幽灵似地不同的签名,然后我们计算了TD度量使用最好的六(七)输入乐队确定ETM +带5是最丰富的七个乐队形象。后续的监督分类然后使用六个输入乐队(即执行。,Band 1, Band 7, gypsic index (B5−B7/B5+B7), iron oxide index (B3−B1)/(B3+B1), mean slope, and maximum planar curvature).

光谱响应曲线的三个幽灵似地不同的签名显示低动态范围值光谱波段和规范化的比率;相比之下,意味着斜率(总结windows)演示了三个类(图之间最大的区别2(一个))。身上的地形衍生品是用于图像分类;提出了绝对值(数字2 (b)和2 (c))来说明这意味着斜率为土壤类1百分比为3.4,远远高于平均斜率的百分比2.1土壤类2(图2 (b))。没有区分差异意味着最大平面曲率的三个土类(图2 (c))。

3.1.3。监督分类

像素,恰逢短暂淹没了河岸手动分配给一个单独的土类4,构成1.6%的研究区域。这导致41.2%的研究区域分为土壤类1、映射作为土壤类2 50.1%,和7.1%的映射作为土壤类6;土壤类6点缀一班和二班之间的像素(图3(一个);表4)。字段映射的评估土壤类是基于24场网站。

3.2。现场评估土壤类

现场诊断和实验室分析表明,土壤类1和2表现出不同的地下土壤属性和类6是一个过渡的土壤更类似于类2比1(表4,图3(一个))。八个网站在土壤调查类的1,没有表现出一个petrocalcic层在100厘米。五个站点(面积的68.5%),用很少的粘土或碳酸盐积累在前100厘米,被列为Cambids;剩下的三个网站illuvated粘土分为粘化旱成土。碳酸盐积累的三个粘化旱成土位置非常轻微,仅有几碳酸盐丝发生深度在大多数位置。相反,所有八场站点土壤中二班有一个petrocalcic地平线在100厘米,顶部区分Petrocalcids。平均深度为petrocalcic地平线在土壤中二班是相当肤浅的(51.5厘米)。所有八个站点土壤类6展出一些碳酸盐或粘土积累;大多数网站Petrocalcids(63.6%)剩下的网站分为粘化旱成土(36.4%)。粘化旱成土土壤中碳酸二班有更多可见的积累与土壤深度比类1; most soil class 1 sites had common carbonate filaments and nodules. No significant differences were detected in surface (0-5 cm) textures, although soil class 1 was slightly coarser (with more sand and less silt and clay) than soil classes 2 and 6 (Table4)。地下土壤质地类1和2是明显不同的类2有更多粘土(13.5和9.2%),淤泥(15.5和11.7%)和砂(71.0和79.1%)低于类1。土类6砂和淤泥明显低于1但没有不同粘土百分比。

4所示。讨论

4.1。对数字土壤制图的影响

我们证明结合使用无监督和监督的图像分类方法和半自动的方法使用Transformed-Divergence度量获得不同的签名基于光谱和地形特征成功地描述两个土类不同的地下土壤特性(土壤1和2)和一个过渡类地下土壤(6)。我们探索原因(而不是表面)的土壤特性与映射方法在后面的部分。

以下4.4.1。没有字段数据的映射

推导幽灵似地不同的签名使用转换后的散度度量规避监督分类需要猜测土壤中的映射过程。然而,只有一个野外采样工作整个研究区域土壤特征映射的类是我们能够解释最终产品。这种方法不仅产生一个可判断的土壤地图类,但划定独特的类也提供了一个有效手段为其他类型的分层大地插值(例如,克里格)。这样的分层方法有一些优点超过其他抽样方法旨在模拟土壤的自然分布(例如,43]),它是有效地捕获罕见但复杂的土壤单位(如土壤类6),在一个更高的最佳表征所需的样本数量。

合并后的数字土壤制图中使用无监督和监督分类不一定是小说。桑德斯和Boettinger15)结合无监督分类技术与分类树来比较一个半自动的图像分类方法基于专家知识和实地调查数据。新奇的方法是使用一个统计指标来描述不同的土类字段数据的缺失或专家知识培训监督分类和土壤特征映射的类作为一种手段来评估这种方法的性能。

现场评价土壤类映射的研究表明这种方法可以准确地映射内的土壤类型分布格局没有样品驱动图像分类领域。我们很惊讶的贡献相对较小的图像乐队在可见光谱和双胞胎区分土壤类。我们预期,浅钙和petrocalcic视野将显示不同程度的土壤表面附近的亮度。此外,选择一个陆地卫星图像在冬天期间降雨量低于平均水平的最大化反映土壤性质可能抑制短波红外波段的好处(带7和乐队的归一化比率5和7),通常是对近地表土壤湿度敏感。虽然是双胞胎(内计算窗口)反映了高意味着短暂的淹没了河岸的索引值(图4),它不涉及辅助土壤筛选过程层数据。可能是理想的集水面积大小双胞胎计算在这个系统更大(或更小)。未来的工作将检查在一系列空间尺度上(也就是双胞胎。,窗口大小)。相比之下,斜率层是一个有效的协变量区分土壤类。这是由于改进的准确性和细节(5米)提供IFSAR传感器和突出的地形在土壤形成这个网站(见部分4.1.2)。

地形分辨率的增加衍生品造成这种映射工作的有效性。我们认为的增强准确性IFSAR数字地形模型有效地捕捉边坡和边坡形状和保持了这些属性的总结描述的派生层次。如果我们的分析是基于一个30米分辨率斜坡层来自一个广泛使用的数字高程模型,我们认为的微妙之处边坡形状导致陆路水流会被错过。以前曾试图将斜坡来源于之前的标准30米高度产品地图植被未果(34]。这是特别重要的区分土壤类6个土类之间是并列(图1和23),不得使用本机30米民主党尤为明显的产品。

裸露的土壤的光谱响应来演示一个线性反射红色和近红外图像波段之间的关系(44),土壤湿度和表面粗糙度的主要因素确定的线个别土壤发生(45]。植被在给定图像像素将污染纯土壤反应,和这一原则应用于描述植被对反射率的贡献(46,47]。我们证明反射率值在2002年2月23日ETM +图像在这个分析没有明显影响植被由于一般整合所有像素值的土壤线(图5)。如前所述,所有土壤土壤湿度很低在这个时期,从而绕过区分土壤类型的效用。

4.1.2。绘制土壤地貌的上下文中

成功映射这些地下属性可能是因为斜率之间的相关性,边坡形状和地貌影响土壤形成的过程。土类1部分对应的冲积平原隆起地貌区域映射到霸王et al。22)(图3 (b))。研究区斜坡下面轻轻地向北只是极温柔的隆起。研究区域的主导风向从西南到东北[19]。因此,土壤类1是立即背风一侧的山脊,可能一直以来积累的风成沉积物发生隆起,导致年轻的土壤用更少的粘土和碳酸盐在土壤中积累类。相反,土壤类2是奉承,更稳定的部分景观,风成沙的沉积明显减少,petrocalcic地平线在土壤表面的100厘米。

边坡形状(最大平面曲率),这个系统可能是一项指标沉积物被风的改造,为土壤类1和2相类似。虽然大规模沉积在土壤二班不太可能发生,返工表面沉积物的风是常见的在这个地貌表面(22,48]。土类6是中间类1和2的土壤属性和地形(表4,数据2 (b)和2 (c))。土类6斜率是中间平面类2和倾斜类1和边坡形状类6(即更平稳。,更少的起伏)比类1和2。这门课主要发生在山麓坡土壤类1,和从土壤类2的河岸(土壤类4)。浅深度petrocalcic碳酸和普遍观察到表面碎片字段表明土壤类6代表地区由侵蚀表面的视野,由于风或水。

4.2。增强长期植被动态的解释

我们生成一个空间显式描述生态相关的土壤属性评估topoedaphic模板的影响对我们的长期植被动力学分析。之间的相互作用的理解土壤、植被、景观治疗是强烈的土地管理者和决策者。产生的数字土壤地图这一努力捕获重要的土壤特性的差异,有助于解释不同的灌木和草植被动力学研究区域。分析灌木和草覆盖的变化从1937年到2008年显示草分布在1937年占主导地位的沙土,但草和灌木增殖分化之后,1950年代的干旱(49]。土壤类1的特点是低水容量在100厘米小粘土或碳酸盐积累与深度。土壤与这些属性与低草韧性干旱由于无法留住水干燥的时期3,50]。如此低的近地表的水容量预计受益豆科灌木(Prosopis glandulosa木本入侵者,这系统),因为这个物种发展广泛,深根植物系统后不久建立(51,52]。相反,土壤类2捕获与粘土含量较高和更大的近地表土壤碳酸盐积累(petrocalcic视野的形式)比土壤类1。这样浅petrocalcic已知土壤促进草的韧性在干旱时由于他们保持水分的能力在植物可用紧张之后近一年降雨事件(3,40]。这么高的近地表持水量可能减轻根深蒂固的豆科灌木植物的竞争优势相对于浅根草通过保留更大比例的渗透水的地方可用浅和根深蒂固的物种。土类1也有稍微陡峭的平均斜率(3.4%)和土壤类1(0.9%,图2)。土壤与陡峭的山坡很可能有更大的降水径流与土壤浅不见了。然而,粗糙的表面纹理(表4)、适度的斜坡上的差异和petrocalcic视野的重要性对水动力学(3]在干旱和草的持久性50)表明,地下土壤特性很可能比地形植被动态管理更重要的因素。

我们证明可以提取生态意义的土壤属性从一个远程感知的角度信息。广泛的实地抽样,不需要先验知识的条件,但是努力的方法确实需要事后分配描述土壤类地图生成。本研究使用与一个半自动的方法建立了图像处理技术,实现土壤类的签名最终区分网站潜在的差异(即。灌木和shrub-invaded草原为主;(49])。现场评估产生的土壤分类和土壤之间的长期植被动力学分析类表示的方法成功地映射区域类似的土壤特性和生态潜力。因此,映射的方法提供了一种依据土壤类跨景观或有效的分层网站最有效的利用人力资源。

确认

这项研究是由美国农业部农业研究服务,和美国国家科学基金会长期生态研究计划,Jornada盆地lte V:景观联系在干旱和半干旱生态系统。m .犁长足贡献现场评估和实验室分析,确定土壤属性。德里克·贝利促进访问奇瓦瓦沙漠研究中心牧场领域分析和抽样。