C

ate
n a16
0(2
018
)22
2–232

Contents lists available at ScienceDirect

Catena
journal homepage: www.elsevier.com/locate/catena

Predicciones métricas topográficas de la redistribución del suelo y el carbono orgánico

en los campos de cultivo de Iowa
Xia Lia, Gregory W. McCartyb,⁎, Douglas L. Karlenc, Cynthia A. Cambardellac
a
Department of Geographical Sciences, University of Maryland, College Park, MD 20742, USA
b
USDA ARS, Hydrology & Remote Sensing Laboratory, Beltsville, MD 20705, USA
c
USDA ARS, National Laboratory for Agriculture and the Environment, 1015 N University Boulevard, Ames, IA 50011, USA

ARTICLEINFO ABSTRACT

Keywords: Topography is one of the key factors affecting soil organic carbon (SOC) distribution and soil redistribution (erosion
Topographic wetness index or deposition) because it influences the gravity-driven movement of soil by water flow and tillage operations. In this
Topographic relief study, we examined impacts of sixteen topographic metrics derived from Light Detection and Ranging (LiDAR)
SOC distribution data on SOC distribution in agricultural fields. We adopted the fallout radionuclide 137Cesium (137Cs) to estimate soil
Principal component redistribution rates and patterns of SOC distribution across 560 sampling locations at two field sites and a larger
Topography-based model
scale for the Walnut Creek watershed in Iowa. Then, using stepwise ordinary least square regression (SOLSR) and
stepwise principal component regression (SPCR), topography-based models were de- veloped to simulate spatial
patterns of SOC density and soil redistribution rates. Results suggested that erosion and deposition of topsoil were
regulated by topography with soil gain in lowland areas and soil loss in sloping areas. Topographic wetness index
(TWI) and relief were the most influential variables controlling SOC density and soil redistribution rates,
respectively, and were of primary importance in SOLSR models. All topography- based models developed through
SPCR and SOLSR demonstrated good simulation performances, explaining > 62% variability in SOC density and
soil redistribution rates across two field sites with intensive samplings. However, the SOLSR models showed lower
reliability than the SPCR models in predicting soil properties at a watershed scale. Results of this study highlighted
the topography-based SPCR model as an effective and a promising tool allowing for scaling of in situ SOC density
and soil redistribution rates at crop sites to a large-scale watershed, and provided valuable insight into the spatial
patterns of SOC distribution.

1. Introducción tierras agrícolas. A nivel mundial, el SOC transportado por los

La redistribución del suelo (erosión y deposición) tiene impactos
significativos sobre las propiedades físicas y químicas del suelo en los
agroecosistemas (Fullen y Brandsma, 1995; Du y Walling, 2011; Quijano
et al., 2016). La erosión en exceso de la producción del suelo conduce a
pérdidas de fertilidad del suelo y luego afecta la distribución del
carbono orgánico del suelo (SOC). Como una propiedad importante del
suelo y un factor clave que afecta la calidad del suelo, SOC se pierde de
las ubicaciones en un paisaje por múltiples procesos, incluida la
interrupción del agregado del suelo, transporte de carbono y
mineralización SOC con potencial de deposición en otros lugares (Lal,
2003; Hemelryck et al., 2010; Wang et al., 2014; Fissore et al., 2017). Las
partículas ligeras y pequeñas después de la desagregación podrían
movilizarse fácilmente por erosión causada por agua, viento o
operaciones de labranza, lo que resultaría en agotamiento de SOC en
áreas erosionadas y posterior deposición en sitios depresores (Harden
et al., 1999; McCarty y Ritchie, 2002). La eliminación preferencial de
partículas de suelo finas y enriquecidas con nutrientes a través de la
erosión tiene un impacto significativo en
procesos de erosión en las tierras de cultivo oscila entre 0,47 y 0,61
Pg C año-1 (Van Oost et al., 2007). La pérdida de SOC puede
deteriorar la estructura del suelo, disminuir la productividad de los
cultivos e incrementar las emisiones de dióxido de carbono (CO2)
inducidas por la erosión. Una mejor comprensión de la
redistribución del suelo y la distribución SOC inducida por la
erosión es fundamental para dilucidar la contribución de la erosión
a la dinámica SOC, y por lo tanto proporciona información valiosa
sobre el manejo eficaz del suelo a escala del paisaje.
La redistribución del suelo puede ser rastreada por el radionúclido
radioactivo Cesio-137 (137Cs) (Ritchie et al., 1974). Como un
radioisótopo antropogénico, el 137Cs se introdujo en la superficie de
la Tierra a través de pruebas de armas nucleares en los años 1950 y
1960. Debido a la no intercambiabilidad de 137Cs, este isótopo se ha
utilizado como un indicador para cuantificar las tasas de erosión del
suelo en las últimas décadas (VandenBygaart, 2001; Martinez et al.,
2010). Varios estudios han aplicado 137Cs para investigar la erosión
y deposición del suelo en campos agrícolas y las correlaciones
significativas entre el inventario de 137Cs y la redistribución del
suelo y el contenido de SOC han sido

⁎
Corresponding author.
E-mail address: greg.mccarty@ars.usda.gov (G.W. McCarty).

Recibido 4 Mayo 2017; Recibido y revisado para 19 Septiembre 2017; Aceptado 26 Setiembre 2017
Availableonlin e0 1October
2
0
0
31
47
1-816 2/P
ub lish
 X. Li et al.
identificado en varios sitios (Zhang et al., 2006; Ritchie et al., 2007;
Mabit et al., 2008; Martinez et al., 2010; Li et al., 2014; Young et al., 2014;
Quijano et al., 2016).
La topografía es un factor importante que regula la erosión del suelo,
ya que afecta el flujo superficial, la textura del suelo y la vegetación.
(Martz and De Jong, 1987; VandenBygaart, 2001; Rezaei and Gilkes,
2005; Liu et al., 2006; Afshar et al., 2010). La topografía del paisaje es una
descripción de la forma y las características de los accidentes
geográficos, y la información topográfica puede generarse a partir de
modelos digitales de elevación (DEM) derivados de datos obtenidos por
teledetección. (Glenn et al., 2006; Doneus, 2013). Los datos obtenidos por
teledetección son útiles para evaluar la condición de la tierra y los
efectos y la eficacia de la gestión de la tierra, y mejorar el mapeo y la
caracterización de las tierras agrícolas. (Baessler and Klotz, 2006;
Fitzpatrick et al., 2007; Li et al., 2016b). La aplicación de DEM derivados
de la luz y la detección (LiDAR) para la geomorfometría llama cada vez
más la atención porque los datos LiDAR tienen altas resoluciones (100
cm de resolución horizontal y 10 cm de resolución vertical) en la
caracterización de la superficie terrestre (Lang et al., 2013). Varios
estudios que investigan la erosión del suelo destacaron la topografía
como un factor eficaz para predecir la redistribución del suelo e
investigar la distribución del SOC en los campos agrícolas, informaron
que hasta el 43% de la variabilidad de la redistribución del suelo podría
explicarse por los atributos topográficos derivados de DEM.
Los impactos de la topografía en la distribución SOC se han tenido
en cuenta al extrapolar las observaciones de campo para analizar la
erosión del suelo y los patrones espaciales. Sin embargo, no se ha
evaluado la factibilidad de aplicar modelos estadísticos basados en
topografía para predecir la erosión y la deposición del suelo.
Comparado con modelos previos empíricos o basados en procesos que
emplearon datos discretos basados en muestreos de campo, el
desarrollo de un modelo basado en topografía basado en métricas
topográficas derivadas de LiDAR beneficiará las investigaciones con
observaciones limitadas y puede generar mapas SOC continuos. La
aplicación de dicho modelo SOC basado en topografía también puede
proporcionar apoyo científico para el control de la erosión del suelo y el
manejo de tierras agrícolas y sus impactos en el destino SOC.
En este estudio, exploramos los controles topográficos sobre el
movimiento del suelo y la dinámica SOC y desarrollamos modelos
basados en topografía utilizando la regresión paso a paso del
componente principal (SPCR) y la regresión por mínimos cuadrados
ordinarios por pasos (SOLSR). El rendimiento del modelo se evaluó a
través de la distribución espacial de SOC en campos agrícolas dentro de
la cuenca de Walnut Creek en Iowa. Se seleccionaron las mediciones del
suelo, incluida la densidad SOC, el inventario de Cesio-137 (137Cs) y
una estimación de la tasa de redistribución del suelo basada en la
medición de 137Cs como variables dependientes en el desarrollo del
modelo. Los DEM derivados de LiDAR se usaron para generar un
conjunto de 16 parámetros que incluyen métricas topográficas locales, no
locales y combinadas que se usan comúnmente para caracterizar el
movimiento y la distribución del agua en accidentes geográficos. Para
eliminar la colinealidad entre las métricas topográficas, aplicamos SPCR
para desarrollar combinaciones de variables independientes utilizadas
para la construcción del modelo. Los objetivos de este estudio fueron: 1)
investigar las relaciones entre la topografía del paisaje y la redistribución
del suelo y la distribución de SOC en los campos agrícolas; 2) desarrollar
modelos basados en topografía para simular la densidad de SOC y las
tasas de redistribución del suelo en los campos agrícolas y aplicarlos a
una escala de cuencas hidrográficas.
2. Materiales y Métodos
2.1. Áreasde estudio
2
2
3
C
aten
a16
0(2
018)2
22–23
2
La cuenca de Walnut Creek (WCW) está ubicada en los condados de
Boone y Story (41 ° 55'-42 ° 00'N; 93 ° 32'-93 ° 45'W) y su salida está al sur
de Ames con un área de 5130 ha. (Fig. 1a). Los accidentes geográficos en
estudio son parte del lóbulo de Des Moines glaciated hasta hace unos
12,000 años. Esta región tiene actualmente un clima continental húmedo
con veranos cálidos e inviernos fríos. La temperatura media anual es de
8 ° C, con un promedio máximo de 22 ° C en julio y un promedio bajo de
-6 ° C en enero. La precipitación media anual es de 818 mm, con lluvias
relativamente cortas e intensas durante mayo y agosto). Las tierras de
cultivo en la WCW tienen un relieve topográfico relativamente plano
(2.03 ± 1.62 m), pero aún están sujetas a una considerable erosión del
suelo con una tasa media de erosión de agua de alrededor de 8 t ha-1.
(Coiner et al., 2001). Los suelos en la cuenca hidrográfica se clasifican
como Clarion (Hapludolls típicos mésicos) asociación del suelo. Los
suelos Clarion bien drenados se localizan típicamente en las zonas altas
o en las laderas, mientras que los suelos Webster y Canisteo mal drenados
se encuentran principalmente en las tierras bajas. Los suelos de Okoboji
y Harps están muy poco drenados y son los tipos de suelo dominantes
en los sitios de depresión. El 86% de la cuenca hidrográfica se cultiva con
una rotación de maíz y soja que es el sistema de cultivo dominante desde
1957.
Además de la investigación a escala de cuenca, se seleccionaron
dos sitios de campo con muestreos intensivos en este estudio. El área total
de cada sitio es de aproximadamente 15 ha. El primer sitio (Sitio 1) está
ubicado en la WCW, y el segundo (Sitio 2) está fuera de la cuenca
hidrográfica ubicada entre Boone y Ames, y dentro de los 10 km del límite
más cercano de la cuenca (Figura 1a). El relieve topográfico generado a
partir de una elevación máxima por un mapa de radio de 90 m varía de -
1.3 ma 3.3 m en el Sitio 1 del campo (Fig. 1b) y de 0.0 m a 4.5 m en el Sitio
2 del campo (Fig. 1c). Field Site 2 también adopta una rotación maíz-soya
como la de la WCW. Las principales prácticas de labranza en todos los
sitios son el arado de vertedera seguido de dos operaciones de desgarro y
rastrillado en primavera (Schumacher et al. 2005; Young et al. 2014).
2.2. Muestreo y análisis de campo
Se seleccionaron al azar un total de 460 ubicaciones de campos de
cultivo en la WCW y se seleccionaron 230 ubicaciones en cada uno de
los Sitios 1 y 2 utilizando ArcGIS 10.2.2 (ESRI, Redlands, CA, Fig. 1). Se
recopiló información topográfica de las 460 ubicaciones de los DEM
derivados de LiDAR para reflejar las características del terreno de la
cuenca (figura 1a). Ciento de las 460 ubicaciones fueron elegidas para
experimentos de campo que estiman la densidad SOC y el inventario de
137Cs en la WCW, incluyendo dos transectos de 300 m (cada uno tiene
9 sitios de muestreo) con una pendiente promedio de 2.2 ° y 82 muestras
seleccionadas al azar en campos de cultivo. Para los sitios 1 y 2 con
muestreo más intensivo, se creó una cuadrícula de 25 m × 25 m y se
tomaron las 230 muestras en los nodos de la cuadrícula en cada sitio
(Fig. 1b yc).
Se recogieron tres muestras de la capa de suelo de 0 a 30 cm dentro
de un cuadrado de 1 m × 1 m en cada sitio de muestra utilizando una
sonda de empuje (3,2 cm de diámetro) en mayo de 2003 para los Sitios 1
y 2. El mismo método de muestreo se realizó en 100 ubicaciones en la
WCW en octubre de 2006. Para los lugares de muestreo que tenían
depósitos de sedimentos, se tomaron muestras de la capa de suelo de 30
a 50 cm para evaluar el potencial de un inventario significativo de 137Cs
por debajo de 30 cm. Cada muestra de suelo se pesó después de secarse
a 90 ° C durante 48 h. La densidad aparente de las muestras
volumétricas se calculó con el peso. Las tres muestras recolectadas en
un lugar se mezclaron para contenido SOC y medición de concentración
137Cs. La información de coordenadas geográficas de las parcelas de
muestreo se registró utilizando un sistema de posicionamiento global
Trimble RTK 4700 (GPS). Para la medición de 137Cs basales en 2003 y
2006, se recogieron cuatro muestras compuestas que involucraban 3
núcleos de suelo (0 a 30 cm) de un cementerio local en la parte sur de la
WCW. Los suelos en las áreas de referencia fueron Nicollet franco bajo
cubierta de hierba.
X. Li et al.
Fig. 1. a) Location of study sites and sampling plots in the Walnut Creek Watershed (WCW); b) topographic relief (relief90 m) and sampling plots at field Site 1 (z axis 15 × elevation); and
c) topographic relief (relief90 m) and sampling plots at field Site 2 (z axis 15 × elevation).
amoladora de rodillos. El contenido total de C en el suelo se determinó
mediante combustión seca en un analizador elemental LECO CNS
2000 (LECO Corp., St. Joseph, MI) a una temperatura de 1350 ° C. El
carbonato de calcio (CaCO3) se midió mediante la cocción de materia
orgánica del suelo en un horno (420 ° C durante 16 h) y el C que
permanecía en CaCO3 se analizó a partir de la muestra de ceniza por
combustión seca a 1350 ° C. El contenido de SOC (SOCcontent,%) se
estimó como la diferencia entre el contenido total de C y C en CaCO3
y se convirtió a densidad SOC (ρSOC, kg m-2) usando la siguiente
ecuación:
ρSOC = SOCcontent × ρbulk × 0.3
en el que ρbulk es la densidad aparente en una ubicación de
muestra. Se utilizó el 0,3 porque se recolectó una capa de suelo de 30
cm (0,3 m) para la estimación de la densidad SOC. Las partículas del
suelo que pasaron a través de una pantalla de 2 mm se colocaron en
vasos de precipitados Marinelli y se sellaron para la medición de la
concentración de 137Cs. La concentración de 137Cs de cada muestra
se estimó mediante análisis de rayos gamma utilizando un sistema
de espectroscopía Canberra Genie-2000 que recibe datos de cristales
de germanio coaxial de alta pureza de Canberra (HpC> 30% de
eficiencia) en tres analizadores de 8192 canales. La calibración y la
determinación de la eficiencia del sistema utilizaron el estándar
mixto de radionúclidos analíticos (10 nucleidos). La calibración
puede rastrearse hasta el Instituto Nacional de Estándares y
Tecnología de EE. UU., Que tiene una precisión de medición de ± 4%
a ± 6%. Concentración de 137Cs
se expresó en Becquerels por gramo (Bq g-1) y se convirtió en
Becquerels por metro cuadrado (Bq m-2) usando la densidad
aparente medida en cada ubicación. Se pueden encontrar más
detalles sobre el análisis de muestras de suelo en Ritchie et al. (2007).
Aplicamos un programa de complemento de hoja de cálculo
(Microsoft Excel) que incluía el Modelo de Balance de Masa II
(MBMII) desarrollado por Walling et al. (2011) para estimar las
C
aten
a16
0(2
018)2
22–23
2
estimado de los sitios de referencia fueron 2657 Bq m-2 para los Sitios 1
y 2 y 2526 Bq m-2 para la WCW. Cuando el inventario de 137Cs en un
sitio de muestreo es menor que el 137Cs basal estimado de los sitios de
referencia, la tasa de redistribución del suelo derivada de 137Cs tuvo un
valor negativo y el sitio de muestreo se determina como un sitio
erosionado. En contraste, un sitio de muestreo con mayor inventario de
137Cs en comparación con el 137Cs basal se considera un sitio
depositario con una tasa de redistribución positiva del suelo.
(1) 2.3. Métricas topográficas
tasas de redistribución del suelo calculando la erosión del suelo y las
tasas de deposición en el inventario de 137Cs (Ritchie et al. 2007; Young
et al., 2014). El MBMII utiliza la entrada de 137Cs de precipitación
variable en el tiempo y consideración el destino de las precipitaciones
recientemente depositadas para el cálculo de la tasa de redistribución
del suelo (Walling y He, 1999; Walling et al., 2011). Usamos una
profundidad de arado de 25 cm, y factor de proporción por defecto y
profundidad de relajación en el modelo MBMII. Los valores del
inventario basal de 137Cs
Siguiente Según el alcance espacial, las propiedades topográficas se
pueden agrupar en tres categorías, incluidos los atributos topográficos
locales, no locales y combinados. Los atributos topográficos locales
consideran la geometría de la superficie en un punto de la superficie de
la tierra, incluidas las curvaturas de aspecto, pendiente y plan, generales
y de perfil (Florinsky, 1998, 2016). Los atributos topográficos no locales
describen las posiciones relativas de los puntos seleccionados,
incluyendo área de captación, relieve, pendiente ascendente, longitud
del trayecto del flujo, acumulación de flujo, índice descendente y
apertura (Yokoyama et al., 2002; Lang et al., 2013) . Los atributos
topográficos combinados se refieren a variables que integran métricas
topográficas locales y no locales, que incluyen el
2
2
4
X. Li et al. C
aten
a16
0(2
018)2
22–23
2

índice de humedad topográfica, el índice de potencia de la

corriente y el factor de longitud de la pendiente (Moore et al., 1991).
En este estudio, identificamos dieciséis parámetros topográficos que
incluyen pendiente, aspecto, curvatura del perfil (P_Cur), curvatura
del plano (Pl_Cur), curvatura general (G_Cur), acumulación de flujo
(FA), componente topográfico de relieve 1 (RePC1), topográfico
componente de alivio 2 (RePC2), apertura positiva (POP), pendiente
ascendente (UpSl), longitud del trayecto del flujo (FPL), índice
descendente (DI), área de captación (CA), índice de humedad
topográfica (TWI), índice de potencia del flujo (SPI ), y el factor de
longitud de pendiente (LS) que se encontró que afectan la erosión y
redistribución del suelo en el desarrollo de modelos estadísticos (tablas
1 y 2).
Todas las métricas topográficas se derivaron de los DEM creados a
partir de datos LiDAR. Los datos LiDAR para el área de estudio los
proporciona el proyecto de mapeo GeoTREE LiDAR, que recopila
datos de terreno x, y y z para Iowa
(http://www.geotree.uni.edu/lidar/). Utilizando un sistema LHAR
ALS50 LH Systems, los datos fueron recolectados con un promedio de
1.4 m

2
2
5
X. Li et al. C
aten
a16
0(2
018)2
22–23
2

Espaciado de punto nominal y una precisión vertical de <0,18 m.

Table 1 Después de convertir los datos en bruto a LAS fi les, ponderada (IDW)
Definitions and formulas of selected topographic metrics.
interpolación distancia inversa se utilizó para producir DEM con una
Variables Definition and formula resolución espacial de 3 m de la zona de estudio

Slope, G (radian) An angle between a tangent and a horizontal planes at a Las métricas topográficas se derivaron de los 3m DEM.Para reducir
given point ruido causado por la variación local, los DEM fueron filtrados dos veces
G = arctan p2+ q 2 usando un 3bkernel low passfilter. Doce de las dieciséis métricas
(excluyendo flujo acumulación (FA), apertura positiva (POP) y relieve
topográfico componentes (RePC1 y RePC2)) se obtuvieron de los DEM
filtrados utilizando el Sistema para el Análisis Geocientífico
Automatizadov.
Aspect, A (radian) An angle c from north to the horizontal

projection of an external normal vector at a given point

q
A = arctan ⎛ ⎞⎜ ⎟ Métricas relacionadas con el aspecto, la pendiente y la curvatura (P_Cur,
⎝p ⎠ Pl_Cur y G_Cur) se calcularon usando el módulo Slope, Aspect,
Profile curvature, kv Curvature of the surface in the direction of the steepest
(m− 1) slope Curvature de SAGA. Se generaron pendiente de pendiente ascendente,
p2r + 2pqs + p2t longitud de trayectoria de flujo e índice de pendiente descendente con
kv =
(p2+ q ) 21 + p + q2 2 el factor LS (basado en campo), la longitud de la ruta de flujo y la
Plan curvature, kh Curva ne pendiente descendente Módulos de gradiente de distancia de SAGA,
(m− 1) q2r 2pqs
− q2t+ respectivamente. Área de captación y el índice de humedad topográfica
k h= −
(p2 + q2) 1 + p2 + q2 se derivó con el Índice de humedad SAGA módulo. Los módulos
General curvature, kg Curvature of the surface itself Stream Power Index y LS Factor de SAGA fueron aplicado para crear el
(m− 1) kg = − 2(r+ t) índice de potencia de la corriente y el factor de longitud de la pendiente,
respectivamente. Para generar mapas POP, las distancias verticales de
los DEM fueron las primeras ampliado 100 veces para aumentar la
distinción de la relativa plana superficie. Las imágenes exageradas se
suavizaron dos veces a través del filtro de paso bajo y utilizado como
entrada para SAGA Topographic Openness módulo para desarrollar
mapas POP. Se produjeron mapas de acumulación de flujo de los DEM
filtrados usando ArcGIS 10.2.2 (ESRI, Redlands, C A)
Flow accumulation Upslope number of grid cells

Topographic relief, RF Difference between the highest point over an and a given
(m) location (hi)
RF = hmax − hi

Positive openness An angular measure of the relation between surface

relief and horizontal distance
Upslope slope (m) Mean slope of upslope area
Flow path length (m) Maximum distance of water flow to a point in the
catchment

Downslope index, αd Head differences along flow path

(radian)
tan αd d=Ld
where Ld is the horizontal distance to a point with an d
meter elevation below the starting cell.

Table 2
Significances of selected topographic metrics.

Variables Significance

Slope (radian) Runoff velocity, soil water content (Afshar et al., 2010; Li et al., 2014)
Aspect (radian) Soil-water balance, vegetation distribution and abundance (Rezaei and Gilkes, 2005)
Profile curvature (m− 1) Flow acceleration, soil erosion, deposition rate (Troch et al., 2002; Ritchie et al., 2007)
Plan curvature (m− 1) Flow convergence and divergence, soil water content (Troch et al., 2002)
General curvature (m− 1) Runoff velocity, soil erosion, deposition (Li et al., 2014)
Flow accumulation Soil water content, runoff volume (Gessler et al., 2000)
Topographic relief (m) Landscape drainage characteristics, runoff velocity and acceleration (Tucker and Bras, 1998; Montgomery and Brandon, 2002)
Positive openness Landscape drainage characteristics, soil water content (Seijmonsbergen et al., 2011)
Upslope slope (m) Runoff velocity (Moore et al., 1991; Kirkby, 2014)
Flow path length (m) Sediment yield, erosion rate (Sharpley and Kleinman, 2003)
Downslope index (radian) Soil water content (Hjerdt, 2004)
Catchment area (m2) Runoff velocity and volume (Moore et al., 1991; Kasai et al., 2001)
Topographic wetness index Soil moisture distribution (Afshar et al., 2010; Lang et al., 2013)
Stream power index Soil erosion, convergence of flow (Conforti et al., 2011)

2
2
6
 X. Li et al.
Fig. 2. Loadings of relief variables in relief component 1 (RePC1) and 2 (RePC2).
2.4. Análisis estadístico
Las pruebas de rango múltiple de Duncan (P ≤ 0.05) se emplearon
para detectar diferencias estadísticas de las propiedades del suelo
(137Cs inventario, densidad SOC, 137Cs derivadas de las tasas de
redistribución del suelo) entre los sitios 1 y 2. La correlación de
Spearman se utilizó para examinar las relaciones entre tres propiedades
del suelo y métricas topográficas sobre la cuenca. Analizamos las
correlaciones entre las métricas topográficas y reducimos la dimensión
de las variables originales utilizando el método PCA. Las cargas para
todas las PC con una varianza acumulada superior al 90% se estimaron
mediante métricas topográficas en WCW y luego se usaron para
desarrollar PC en los sitios 1 y 2. Se aplicaron modelos de regresión
lineal paso a paso con validación cruzada "leave-one-out" usando
ambas PC y métricas topográficas originales (regresión gradual por
mínimos cuadrados o por pasos, SOLSR) para construir modelos de
propiedad del suelo basados en topografía. El Criterio de información
de Akaike (AIC) se usó para obtener las combinaciones óptimas de
variables independientes contenidas en los mejores modelos basados en
topografía ajustada. Densidad SOC transformada logarítmicamente.
2.5. Calibración y evaluación del modelo
Las calibraciones del modelo basado en topografía se
llevaron a cabo en base a medidas topográficas y
mediciones de SOC y 137Cs en los Sitios 1 y 2 utilizando
tanto SPCR como SOLSR. Tres criterios que fueron
recomendados por Moriasi et al. (2007), incluyendo el
coeficiente de determinación ajustado (Radj2), Nash-Sutclsf
efficiency (NSE), y la razón del error cuadrático medio
(RMSE) a la desviación estándar de los datos medidos
(RSR) se utilizaron para evaluar las eficiencias del modelo.
El NSE es un indicador que presenta la magnitud relativa
de la varianza residual entre los datos modificados y los
observados. El rango de NSE está entre -∞ y 1.0. Un valor
NSE positivo sugiere un rendimiento aceptable del modelo; 3.2
mientras que un valor NSE negativo indica que las
simulaciones del modelo no son mejores que la media
observada (Moriasi et al., 2007). RSR estandariza RMSE e
incorpora los beneficios de las estadísticas del índice de
errores. El menor valor de RSR indica un modelo más e fi
ciente. En base a los tres criterios anteriores, los mejores
modelos de SPCR y SOLSR que se hayan desarrollado a
partir de los Sitios 1.
Table 3
2
2
7
C
aten
a16
0(2
018)2
22–23
2
137
SOC (kg m− 2) Cs (Bq m− 2) SR (t ha− 1 year− 1) Baseline 137Cs
(Bq m− 2)
WCW 1062(331) 2380(920) − 3.4(22.8) 2526
Site 1 901(305)a† 2357(1052)b − 5.9(21.6)b 2657
Site 2 904(344)a 2632(1460)a − 0.6(29.7)a 2657
WCW: Walnut Creek Watershed.
†
Letters estimate based on Duncan's multiple range tests. There are no significant
(P < 0.05) differences for a parameter with the same letter.
3. Resultados
3.1. Redistribución del suelo y distribución SOC en los campos de estudio
La densidad media de SOC fue similar en el Sitio 1 (901 ± 305 kg m-2) y en
el Sitio 2 (904 ± 344 kg m-2) (Tabla 3). Para el inventario de 137Cs, se
encontró un valor medio más alto en el Sitio 2 (2632 ± 1460 Bq m-2) que en
el Sitio 1 (2357 ± 1052 Bq m-2). Similar al inventario de 137Cs, el Sitio 2
tuvo una tasa de redistribución del suelo media más alta (-0.6 ± 29.7 t ha-1
año-1) en comparación con la tasa en el Sitio 1 (-5.9 ± 21.6 t ha-1 año-1). La
erosión del suelo ocurrió en 142 ubicaciones de muestra (62%) en el Sitio 2
con una tasa de erosión media del suelo de 16.7 ± 14.8 t ha-1 año-1 y una
tasa de depósito medio del suelo de 25.5 ± 29.4 t ha-1 año-1. La erosión fue
mayor en el Sitio 1 que en el Sitio 2. Se observó erosión del suelo en 153
sitios de muestreo (67%) en el Sitio 1 con una tasa media de erosión del
suelo de 17.7 ± 13.3 t ha-1 año-1 y una tasa de deposición del suelo
promedio de 17.3 ± 15.2 t ha-1 año-1. La densidad media de SOC, el
inventario de 137Cs y las tasas de redistribución del suelo en WCW
fueron 1062 ± 331 kg m-2, 2390 ± 920 Bq m-2.
3.2. Efectos de la topografía en la redistribución del suelo y distribución SOC
La correlación de rango de Spearman se realizó para identificar controles
de métricas topográficas seleccionadas en la dinámica SOC sobre la
cuenca (Tabla 4). Solo se encontró una correlación marginal entre aspecto
y Densidad SOC (r = -0.097; P = 0.02) y correlaciones insignificantes se
observaron entre aspecto y 137 Inventario Cs (P> 0.05) y suelo tasas de
redistribución (P> 0.05), lo que indica que el aspecto probablemente no era
un controlador eficiente de la erosión del suelo y la deposición sobre los
sitios seleccionados. Varias otras variables (es decir, FA, RePC1, FPL, DI,
CA, TWI y SPI) fueron significativamente relacionados positivamente
con la densidad SOC, 137 Inventario de Cs y tasas de redistribución del
suelo; mientras que la pendiente, los índices de curvatura (P_Cur,
Pl_Curand G_Cur), RePC2, POP, Upsl y LS se relacionaron
significativamente negativamente con las tres propiedades del suelo. Las
correlaciones entre las métricas topográficas y la densidad SOC fueron en
general más fuertes que aquellos para 137 Cs inventario y tasas de
redistribución del suelo. Topográfico Índice de humedad (TWI) mostró el
coeficiente de correlación más alto de 0.735 con densidad SOC. Varios
otros parámetros, incluido RePC1 (r = 0.698), pendiente (r = -0.687), LS (r
= -0.593), CA (r = 0.587), y FPL (r = 0.500), también mostró altas
correlaciones (| r |> 0.5) con Densidad SOC sobre la cuenca.
X. Li et al. C
aten
a16
0(2
018)2
22–23
2

Table 4
Spearman's rank correlation (N = 560) between selected topographic metrics and soil organic carbon (SOC) density, cesium (137Cs) inventory, and soil redistribution rates (SR)
over the watershed.

Slope Aspect P_Cur Pl_Cur G_Cur FA RePC1 RePC 2 POP Upsl FPL DI (°) CA TWI SPI LS
(radius) (radius) (m−1) (m−1) (m−1) (m) (m) (m) (m) (m2)

SOC −0.687 −0.09 −0.159 −0.333 −0.288 0.204 0.698 −0.171 −0.451 −0.315 0.500 0.413 0.587 0.735 0.165 −0.593
*** *
7 ** *** *** *** *** *** *** *** *** *** *** *** *** ***
137Cs −0.646 – −0.210 −0.277 −0.286 0.192 0.686 −0.095 −0.437 −0.209 0.490 0.366 0.568 0.640 0.160 −0.559
*** *** *** *** *** *** * *** *** *** *** *** *** ** ***
SR −0.650 – −0.205 −0.274 −0.282 0.193 0.687 −0.099 −0.427 −0.217 0.487 0.361 0.565 0.647 0.156 −0.564
*** *** *** *** *** *** * *** *** *** *** *** *** *** ***

P_Curva, Pl_Curva, and G_Curva are profile curvature, plan curvature and general curvature, respectively; RF is topographic relief; POP is positive openness; Upsl is upslope
slope; FPL is flow path length; DI is downslope index; CA is catchment area; TWI is topographic wetness index; SPI is stream power index; and LS is slope length factor.
The value in bold is correlation coefficient > 0.5 and value in red and bold indicates the highest correlation coefficient for each soil property.
⁎
P < 0.05, ⁎⁎ P < 0.005, ⁎⁎⁎ P < 0.0001.
componentes fueron DI (-0.656), SPI (0.461) y Pl_Cur (0.350). Pl_Cur se
correlacionó significativamente negativamente con DI y SPI con
3.3. Desarrollo del modelo para densidad SOC y tasas de redistribución del coeficientes de correlación de -0.178 y -0.480, respectivamente.
suelo
Los primeros cinco mapas de componentes principales se obtuvieron en
base a la suma de todas las métricas topográficas estandarizadas que
El análisis de componentes principales (PCA) se utilizó para generar fueron ponderadas por las cargas estimadas de WCW (figura 3). Las PC
variables no correlacionadas (componentes principales) a partir de los principales mostraron una variabilidad espacial similar entre los Sitios
parámetros topográficos subyacentes. El aspecto se eliminó del 1 y 2. Los altos valores de PC1 se observaron en las tierras altas y las
conjunto de datos topográficos porque el aspecto se correlacionó de áreas de cresta y se encontraron bajos valores de PC1 en las áreas
forma insigni fi cante con el inventario de 137Cs y las tasas de deposicionales en ambos sitios (Fig. 3a yb). Por el contrario, las áreas de
redistribución del suelo basadas en el análisis de correlación de rangos cresta tenían valores bajos en PC2 (Fig. 3c yd). Se observaron valores
de Spearmen (Tabla 4). Se seleccionaron ocho componentes principales altos de PC2 en las áreas inclinadas. Los aumentos bruscos en la cima y
(PC) con una varianza acumulada del 92% para un análisis posterior. las posiciones de la pendiente del dedo se encontraron en los valores de
Los primeros cinco componentes en el PCA con valores propios PC3, pero no se encontró un patrón obvio en otras posiciones
mayores que 1 se enumeran en la Tabla 5. Las cargas indicaron la topográfica en posiciones convexas y en áreas de zanjas,
importancia variable en cada componente (Tabla 5). En este estudio, se respectivamente.
destacaron las cargas superiores a 0,35 y se utilizaron para la
interpretación del componente principal. TWI y pendiente fueron las Utilizando la regresión por pasos del componente principal (SPCR) y la
métricas más importantes y tuvieron las mayores cargas de -0.419 y regresión por mínimos cuadrados ordinarios por pasos (SOLSR),
construimos modelos con densidad SOC transformada
0.396 en el primer componente, respectivamente. Las dos variables logarítmicamente, inventario 137Cs y tasas de redistribución del suelo
estaban altamente correlacionadas negativamente entre sí (-0.745, Tabla
como variables dependientes (Tabla 6). Las calibraciones de los modelos
A.1). Para el segundo componente, Upsl (0.371) tuvo las mayores
se realizaron con mediciones de campo de los Sitios 1 y 2. Para SPCR,
cargas. CA, FA y SPI fueron métricas importantes en el tercer
los componentes primero, tercero, quinto, séptimo y octavo (PC1, 3, 5, 7
componente con valores de carga de 0.512, 0.412 y 0.392,
y 8) fueron seleccionadas como combinaciones variables
respectivamente. Se encontraron correlaciones altamente positivas
entre CA y FA (0.725), así como CA y SPI (0.814). G_Cur (0.434), P_Cur independientes para modelar la densidad SOC y las tasas de
(0.413), RePC1 (0.402) y FPL (0.356) fueron importantes en el cuarto redistribución del suelo. El primer, tercer, séptimo y octavo
componente. Las correlaciones entre G_Cur y P_Cur, RePC1 y FPL componentes (PC1, 3, 7 y 8) se estimaron para simulaciones de
fueron 0.800, -0.391 y -0.182, respectivamente. Las principales métricas inventarios de 137Cs. Los modelos de SPCR explicaron 70%, 65% y 63%
con altas cargas en el quinto de variabilidad en la densidad de SOC, el inventario de 137Cs y las tasas
de redistribución del suelo, respectivamente. Específicamente, PC1 fue
Table 5 la más relacionada con las tres propiedades del suelo con poderes
Variable loadings in the principal components (PCs) calculated for topographic metrics explicativos del 62% (densidad SOC), 57% (inventario 137Cs) y 54%
(N = 460) in Walnut Creek Watershed.
(tasas de redistribución del suelo). El SOLSR exhibió un modelo similar
de rendimiento en simulación de densidad SOC pero eficiencias
ligeramente mayores en el inventario de 137Cs y simulaciones de tasa
PC1(27%) PC2(23%) PC3(12%) PC4(10%) PC5(7%) de redistribución del suelo mediante la evaluación de la determinación
ajustada de coeficiente (Radj2), NSE y RSR. Las variables contenidas en
Slope 0.396 0.262 0.028 0.198 −0.066
P_Cur 0.115 −0.307 0.338 0.413 −0.169
los modelos SOLSR (8 variables para SOC, 8 variables para 137Cs y 7
Pl_Cur 0.227 −0.252 − 0.222 0.197 0.350 variables para las tasas de distribución del suelo) fueron más que
G_Cur 0.188 −0.334 v0.245 0.434 −0.132 modelos SPCR (5 variables para SOC, 4 variables para 137Cs y 5). TWI
FA −0.222 0.167 0.412 − 0.002 −0.257 fue la métrica topográfica más influyente que influyó en la densidad
RePC1 −0.281 0.230 − 0.272 0.402 0.067
SOC.
RePC2 0.132 0.339 − 0.044 − 0.256 −0.080
POP 0.202 −0.298 0.258 − 0.329 0.096 Aunque los modelos SOLSR tenían una eficiencia ligeramente
Upsl 0.292 0.371 − 0.057 0.152 −0.051 superior en la simulación de las propiedades del suelo en comparación
FPL −0.202 0.078 − 0.100 0.356 0.257 con los modelos SPCR en los sitios de campo, los últimos modelos
DI −0.237 0.040 − 0.086 0.104 −0.656
tenían un mejor rendimiento en la escala de cuencas hidrográficas
CA −0.251 0.220 0.512 0.034 0.133
TWI −0.419 −0.142 − 0.162 0.114 0.105
(Figura 4). Específicamente, r2 para comparar simulaciones de densidad
SPI −0.132 0.237 0.392 0.058 0.461 SOC con mediciones del modelo SOLSR fue 0,43; mientras que el r2
LS 0.344 0.327 0.035 0.222 −0.017 llegó a 0.60 cuando se usó el modelo SPCR (Fig. 4a).

2
2
8
 X. Li et al. C
aten
a16
0(2
018)2
22–23
2

Fig. 3. Spatial variability of the first five major components at field Sites 1 and 2 (z axis 15 × elevation). a), c), e), g), and i) are the first, second, third, fourth, and fifth components at
Site 1, respectively; and b), d), f), h), and j) are the first, second, third, fourth and fifth components at Site 2, respectively.

predicción de tasa de redistribución, el modelo desarrollado con SPCR

también tuvo un mayor r2 (0,34) y NSE (0,34) y un RSR más bajo (0,81)
en comparación con el modelo SOLSR (r2 = 0,31; NSE = 0,30; RSR = 0,83)
(Fig. 4c).
Con base en el modelo de SPCR en la Tabla 6, se generó la tasa de
redistribución del suelo y los mapas de densidad SOC sobre el área de
la cuenca para visualizar el rendimiento del modelo de propiedad del
suelo seleccionado (Fig. 5). El mapa reveló patrones consistentes de
simulaciones y mediciones de campo (Fig. 5a). En particular, se puede
encontrar una correlación obvia entre la topografía y las tasas de
redistribución del suelo medidas a lo largo de los transectos de
muestreo (figura 5b) con valores bajos y negativos en áreas inclinadas y
valores altos y positivos en áreas de tierras bajas. El modelo
desarrollado basado en la topografía captó bien la variabilidad espacial
de las tasas de redistribución del suelo. La pérdida de suelo por erosión
ocurrió en áreas de cresta (posiciones convexas) y la ganancia de suelo
debido a la deposición ocurrió en áreas depresivas (posiciones
cóncavas). El patrón de distribución espacial de la densidad SOC fue
similar a las tasas de redistribución del suelo dentro de la cuenca (Fig. 5
c). Densidad SOC también
exhibió valores altos en posiciones cóncavas y valores bajos en
posiciones convexas (Fig. 5d).
4. Discusión
4.1. Control topográfico de la redistribución del suelo y distribución
SOC
Las tasas de redistribución del suelo en esta cuenca de bajo relieve son
comparables con otros estudios. Específicamente, las tasas medias de
redistribución en este estudio (-3.4 ± 22.8 t ha-1 año-1) fueron del rango
similar a las encontradas
por Young et al. (2014) en dos campos de cultivo de bajo relieve en Iowa
(3.2 ± 34.3 y -4.5 ± 21.7 t ha-1 año-1) y por Ritchie et al. (2007) en tres
campos de cultivo planos en Iowa (0.1 ± 32.4 y -3.5 ± 21.6 t ha-1 año-1) y
Maryland (-1.8 ± 8.0 t ha-1 año-1). La alta consistencia entre las tasas de
redistribución del suelo y la densidad SOC presentada en la Fig. 5 apoya
el hecho de que la erosión del suelo puede afectar la distribución SOC y

2
2
9
X. Li et al. C
aten
a16
0(2
018)2
22–23
2

positivas entre esta variable y las propiedades del suelo medido en este
Table 6
estudio indicaron que la densidad de SOC tendía a ser mayor en las áreas
Models of soil organic carbon (SOC) density, cesium ( 137Cs) inventory, and soil redis-
tribution rates (SR) for agricultural fields based on topographic variables at field Sites 1 and de mayor TWI. Un aumento en la densidad de SOC con alta humedad
2. del suelo es parcialmente atribuible a la producción mejorada de la planta
Model Radj2 NSE RSR

Stepwise principle component analysis

SOC 2.923-0.056PC1- 0.698 0.702 0.546
0.032PC3 +0.042PC7 + 0.017PC5 + 0.020PC8a
137
Cs 3.347-0.066PC1 + 0.064PC7- 0.651 0.654 0.588
0.031PC3 +0.031PC8
SR 2.101-0.026PC1 + 0.027PC7-0.012PC3- 0.625 0.628 0.610
0.005PC5 +0.012PC8

Stepwise ordinary least square regression

SOC 2.781 +0.021TWI+0.0004FPL-6.115G_Cur- 0.704 0.709 0.539
7.881Slope+ 0.394LS+ 0.013RePC1 +0.084DI-
0.15RePC2
137
Cs 3.393 +0.016RePC1-8.301Slope 0.678 0.684 0.562
+0.021RePC2 + 0.232DI+0.0005FPL
+2.471Upsl-6.872G_Cur +0.113Pl_Cur
SR 2.121 +0.007RePC1-3.134Slope+ 0.109DI 0.650 0.653 0.589

transporte de sedimentos con alta densidad de SOC a áreas

deposicionales (Hemelryck et al., 2010; Quijano et al., 2016; Fissore et al.,
2017). La variabilidad en la densidad de SOC y las tasas de
redistribución del suelo fue sensible a los cambios en casi todas las
variables topográficas seleccionadas en la cuenca hidrográfica de bajo
relieve.
Los valores altos de relieve topográfico tienen cuesta abajo
sedimentación procesos de transporte ment más rápidos, como se
sugiere por las correlaciones significativamente positiva (r> 0,68) entre
RePC1 y la densidad de SOC y las tasas de distribución de los suelos re
en este estudio (Summer campo y Hulton, 1994; Montgomery y
Fig. 4. Comparison of a) soil organic carbon (SOC) density (kg m− 2), b) cesium (137Cs)
Brandon, 2002). Sin embargo, los controles del relieve sobre las inventory (Bq m− 2), and c) soil redistribution (SR) rate (t ha− 1 year− 1) simulations to
propiedades del suelo podrían verse influenciados por las escalas de observations over the Walnut Creek Watershed.
relieve espaciales (Florinsky, 2016). Por ejemplo, la densidad de SOC y
las tasas de redistribución de suelo fueron altamente correlacionados y obstaculizaron la descomposición de la hojarasca en suelos húmedos
con relief90 m (SOC: 0,546, P <0,0001; tasa de redistribución del suelo: (Whelan y Gandol fi, 2002; Zeleke y Bing, 2004; Heckrath y otros, 2005; Pei
y otros, 2010; Li et al., 2016a). Además, TWI en SAGA considera patrones
0,558, P <0,0001), mientras que coefi FFI correlación coe eran mucho más
convergentes de flujo, por lo que puede reflejar la redistribución de las
bajos con relief7.5 m (SOC : 0.167, P <0.0001; tasa de redistribución del partículas de suelo que se desprendieron a través de la erosión y fueron
suelo: 0.235, P <0.0001). Es fundamental considerar las incertidumbres transportadas por el flujo superficial (Lang et al., 2013).
asociadas con la selección de escala espacial durante las investigaciones La pendiente topográfica fue otra medida importante que afecta la erosión
de propiedades del suelo. En este estudio, se incluyeron siete variables del suelo y la distribución SOC (Tabla 4). Las altas tasas de erosión se
de alivio generadas en diversas escalas espaciales y se aplicó PCA para observan comúnmente en áreas con pendientes relativamente empinadas),
lo cual es consistente con los hallazgos de este estudio. En los campos
reconstruir las variables de alivio. Los dos principales componentes de
agrícolas, la erosión del agua y la labranza son dos procesos principales de
alivio obtenidos de PCA resolvieron el problema causado por la
redistribución del suelo (Venteris et al., 2004; Heckrath et al., 2005; Van Oost
elección arbitraria de la escala para el mapeo de socorro. El primer et al., 2006; Du y Wallin) El material del suelo se desprende del agua
componente (RePC1) fue dominante por los mapas de relieve a gran durante la erosión hídrica y se transporta por tierra y flujos concentrados.
escala (relieve 30 m, relieve45 m, relieve 60 m) y exhibió fluencia del La erosión de la labranza conduce a una redistribución del suelo mediante
terreno en el área de estudio; mientras que el segundo componente pequeños movimientos descendentes con cada operación de laboreo. Tanto
(RePC2) se relacionó principalmente con los mapas de relieve de la erosión del agua como de la labranza eliminan los sedimentos del suelo
de las posiciones convexas del hombro a la posición del talud cóncavo y la
pequeña escala (relieve7.5 m), presentando la variación de ubicación de
pendiente del talón. Fracción de SOC responsable en
un sitio. Las altas correlaciones entre RePC1 y las propiedades del suelo
demostraron un control dominante de la fl uctuación del terreno sobre
las propiedades del suelo en los campos agrícolas estudiados (Tabla 4).
El índice de humedad topográfica (TWI) tuvo el mayor coeficiente de
correlación con la densidad SOC y una alta correlación con las tasas de
redistribución del suelo en la cuenca (Tabla 4). TWI es eficaz para
identificar las áreas inundadas e investigar las distribuciones espaciales
de la humedad del suelo a lo largo de las pendientes (Heckrath et al.
2005; Lang y McCarty, 2009; Lang et al., 2013). Las altas correlaciones

2
3
0
X. Li et al.
Fig. 5. Soil property maps obtained from the stepwise principal component analysis model a) soil redistribution rate (t ha−1 year− 1) map within the Walnut Creek Watershed, b) soil
redistribution rate (t ha−1 year− 1) map along two transects, c) SOC density (kg m−2) map within the Walnut Creek Watershed, and d) SOC density (kg m−2) map along two transects (z axis
15 × elevation).
las tierras altas serían transportadas y depositadas de manera selectiva
y preferencial en el área baja de la cuenca. Por lo tanto, los fuertes
controles de la pendiente en el agua y la erosión de la labranza pueden
ser una razón para las altas correlaciones entre la pendiente y las
propiedades medidas del suelo.
4.2. 4.2. Modelos de regresión para la redistribución del suelo y la distribución SOC
Además de las variables anteriores (TWI, relieve y pendiente), las
medidas topográficas que influyen en la divergencia de flujo, como el
factor de longitud de pendiente (LS), la longitud de trayecto de flujo
(FPL) y el área de captación (AC) también estuvieron altamente
correlacionadas con la distribución SOC . Alto LS estimula la erosión a
medida que aumenta la pendiente y el gradiente; el flujo de agua
dispersa en un sitio alto de FPL promueve la deposición de sedimentos independientes (PC) y descubre las relaciones ocultas entre las métricas
(Renard et al., 2000; Yanosek et al., 2006). Estos dos factores han sido
ampliamente utilizados en modelos de erosión del suelo para
representar la pérdida de suelo bajo condiciones convergentes y
divergentes (Mitasova et al., 1996; Renard et al., 2000; Zhou et al., 2008;
Zhang et al., 2013) . Los aumentos en CA pueden reducir la tasa de
entrega de sedimentos, lo que lleva a un aumento en la deposición de
sedimentos (Kasai et al., 2001; Dlugoß et al., 2010). Las altas
correlaciones entre estas variables y la densidad SOC y las tasas de
redistribución del suelo en este estudio demostraron la importancia de
los procesos de erosión en la distribución de la propiedad del suelo en
los campos agrícolas.
Nuestros resultados mostraron efectos relativamente pequeños de las
curvaturas generales y de perfil en la distribución SOC. Esto contrasta
con varios estudios que destacaron la importancia de las curvaturas en
las propiedades del suelo en los campos agrícolas (Heckrath et al.,
2005; Dlugoß et al., 2010). Una posible razón de las altas correlaciones
en investigaciones previas puede ser el resultado de mayores relieves
con paisajes de colinas montañosas cóncavas convexas en sus
investigaciones que el paisaje relativo de nuestro estudio. Las
pendientes pronunciadas permiten altas potencias de flujo y
aceleraciones rápidas de flujo, causando grandes pérdidas de suelo.
C
aten
a16
0(2
018)2
22–23
2
Las curvaturas generales y de perfil se han usado ampliamente para
representar la aceleración del flujo. Como resultado, las dos curvaturas
demuestran impactos significativos en los patrones de distribución SOC
sobre paisajes de alto relieve (Troch et al., 2002).
La exclusión de multicolinealidad en PCR logra una mejor estabilidad del
modelo que OLSR (Dormann et al., 2013). Algunas variables topográficas
están estrechamente correlacionadas entre sí, como SPI y CA, y LS y
pendiente (Tabla A.1). La PCR elimina la multicolinealidad al convertir el
conjunto de datos de gran dimensión en varias combinaciones mutuamente
topográficas (Roughgarden y Valiant, 2015; Quijano et al., 2016). Como se
indicó por las altas cargas (> 0.35) de las métricas topográficas, los
componentes primero, segundo, tercero, cuarto y quinto se asociaron con
el contenido de agua del suelo, velocidad de flujo, volumen de fuga,
aceleración de flujo y convergencia y divergencia de flujo, respectivamente.
En línea con los impactos significativos de TWI y la pendiente sobre el
contenido de SOC y la redistribución del suelo, PC1 también mostró las
mayores correlaciones con las propiedades del suelo medidas. Además,
otros componentes que se correspondían con la acumulación de flujo y la
divergencia de flujo, como PC3 y PC5 también se incluyeron en los modelos
SPCR. Por el contrario, las PC que estaban altamente relacionadas con la
velocidad del flujo y la aceleración del flujo fueron excluidas de los
modelos. Esto está en línea con el estudio de Fox y Papanicolaou (2007), que
sugirió que el agua entrante y el suelo de las tierras altas estaban regulados
por la divergencia de flujo en suelos cultivados y alterados en una cuenca
agrícola de bajo relieve.
La reducción de dimensionalidad asociada por SPCR disminuye el riesgo
de sobreestimar el modelo de predicción y es necesario en el análisis eficaz
de un conjunto de datos de gran dimensión). En este estudio, los modelos
SOLSR usaron más de siete métricas topográficas. El gran
2
3
1
X. Li et al. C
aten
a16
0(2
018)2
22–23
2

limitaciones debido a variables no contabilizadas, proporciona un método

rentable para investigar la dinámica SOC en regiones agrícolas con obje- tivos
limitados.
número de variables no solo aumenta la dificultad en la interpretación
- datos de servicio La alta eficiencia de los modelos de SPCR basados en
de datos y oscurece los mecanismos subyacentes de los efectos
topografía proporciona herramientas poderosas para evaluar los procesos de
topográficos en la dinámica SOC, sino que también induce altas
erosión del suelo y para estimar la densidad de SOC y las tasas de
variaciones durante las simulaciones del modelo (Næs y Martens, 1988;
redistribución del suelo a diversas escalas. Se logrará una mayor mejora de los
Dormann et al., 2013; Shlens , 2014). Esta puede ser una razón para las
modelos estadísticos con la disponibilidad cada vez mayor de los datos
eficiencias de predicción del modelo SOLSR más bajas en WCW en
LiDAR, la mejora de las métricas topográficas y una mejor comprensión de los
comparación con las predicciones del modelo SPCR. El SPCR redujo las
mecanismos que subyacen a los impactos topográficos sobre el destino del
variables topográficas a menos de cinco variables para revelar los
SOC en los ecosistemas agrícolas.
procesos subyacentes sin comprometer la eficiencia del modelo. Los
Los datos complementarios a este artículo se pueden encontrar en línea
coeficientes de correlación entre el componente más influyente (PC1) y
at https:// doi.org/10.1016/j.catena.2017.09.026.
la densidad SOC y las tasas de redistribución del suelo fueron incluso
más altos que aquellos entre las métricas topográficas primarias y la
densidad SOC y las tasas de redistribución del suelo.

Tenga en cuenta que existen limitaciones e incertidumbres en los

modelos de SPCR basados en topografía, tal como lo sugieren las
eficiencias más bajas en la evaluación del rendimiento del modelo a
través de la cuenca hidrográfica que la calibración del modelo a escala
de campo. En primer lugar, el rendimiento del modelo puede estar
limitado por variables no contabilizadas que pueden ser importantes a
mayor escala. El fuerte potencial de la topografía derivada de LiDAR ha
atraído un interés creciente en los estudios ecológicos y ambientales
(Schwanghart y Jarmer, 2011; Lieskovský y Kenderessy, 2014; De Vente
et al., 2013), pero los métodos para estimar las mediciones topográficas
no han sido completamente ex - suplicado. Por ejemplo, ninguna de las
dieciséis variables puede explicar individualmente el control
subyacente de la topografía en los patrones de distribución SOC. En
cambio, la variable topográfica más influyente que afecta la densidad
SOC y las tasas de redistribución del suelo fue una combinación de
múltiples variables (como PC1), y así se destacó la importancia de
desarrollar nuevas métricas para una mejor simulación del SOC.
Además, hay otros factores que pueden afectar las propiedades del
suelo que no están incluidos en los modelos estadísticos. Las actividades
de manejo, como la dirección de la labranza, también influyen en la
erosión del suelo y la distribución de SOC (Heckrath et al., 2005; Van
Oost et al., 2006). Heckrath et al. (2005) encontraron que la tasa de
erosión fue dos veces mayor en la labranza paralela a la dirección de la
pendiente máxima en comparación con la labranza inclinada que gira
hacia la pendiente ascendente del suelo. La labranza influiría en la
magnitud de las tasas de redistribución del suelo y el efecto podría ser
mayor en la WCW con diferentes direcciones de labranza que la
dirección de labranza única en los dos sitios de campo muestreados
intensivamente (Sitios 1 y 2).

4. Conclusiones

En este estudio, investigamos los impactos de la topografía de la

superficie terrestre en la erosión y deposición del suelo en campos agrícolas
de bajo relieve y las relaciones con la distribución SOC. Los resultados
sugirieron que la topografía puede influir significativamente en los patrones
espaciales de la redistribución del suelo y la distribución del SOC resultante.
Las mediciones topográficas relacionadas con el contenido de agua del suelo
y la divergencia de flujo ejercieron controles más altos que las variables
asociadas con la velocidad y aceleración del flujo. Solo las simulaciones de
densidad de SOC y de redistribución del suelo ligeramente mejores fueron
observadas por los modelos SOLSR que los modelos SPCR durante la
calibración del modelo y que pueden impartir un mayor potencial para el
sobreajuste con los modelos SOLSR. Por el contrario, los modelos de SPCR
superaron sustancialmente la predicción de la distribución de SOC en la
escala de la cuenca.
Los resultados demostraron la viabilidad de aplicar información
topográfica para modelar patrones espaciales de distribución de SOC en
campos agrícolas. Aunque el modelo basado en la topografía todavía tiene

2
3
2
X. Li et al. C
aten
a16
0(2
018)2
22–23
2

References

Afshar, F.A., Ayoubi, S., Jalalian, A., 2010. Soil redistribution rate and its relationship
with soil organic carbon and total nitrogen using 137Cs technique in a cultivated
complex hillslope in western Iran. J. Environ. Radioact. 101, 606–614.
Amore, E., Modica, C., Nearing, M.A., Santoro, V.C., 2004. Scale effect in USLE and
WEPP application for soil erosion computation from three Sicilian basins. J.
Hydrol. 293, 100–114.
Baessler, C., Klotz, S., 2006. Effects of changes in agricultural land-use on landscape
structure and arable weed vegetation over the last 50 years. Agric. Ecosyst. Environ.
115, 43–50.
Coiner, C., Wu, J., Polasky, S., 2001. Economic and environmental implications of al-
ternative landscape designs in the Walnut Creek watershed of Iowa. Ecol. Econ. 38,
119–139.
Conforti, M., Aucelli, P.P., Robustelli, G., Scarciglia, F., 2011. Geomorphology and GIS
analysis for mapping gully erosion susceptibility in the Turbolo stream catchment
(Northern Calabria, Italy). Nat. Hazards 56, 881–898.
De Vente, J., Poesen, J., Verstraeten, G., Govers, G., Vanmaercke, M., Van Rompaey, A.,
Arabkhedri, M., Boix-Fayos, C., 2013. Predicting soil erosion and sediment yield at
regional scales: where do we stand? Earth-Sci. Rev. 127, 16–29.
Dlugoß, V., Fiener, P., Schneider, K., 2010. Layer-specific analysis and spatial
prediction of soil organic carbon using terrain attributes and erosion modeling.
Soil Sci. Soc. Am. J. 74, 922–935.
Doneus, M., 2013. Openness as visualization technique for interpretative mapping of
airborne Lidar derived digital terrain models. Remote Sens. 5, 6427–6442.
Dormann, C.F., Elith, J., Bacher, S., Buchmann, C., Carl, G., Carré, G., Marquéz, J.R.G.,
Gruber, B., Lafourcade, B., Leitão, P.J., Münkemüller, T., 2013. Collinearity: a review
of methods to deal with it and a simulation study evaluating their performance.
Ecography 36 (1), 027–046.
Du, P., Walling, D.E., 2011. Using 137Cs measurements to investigate the influence of
erosion and soil redistribution on soil properties. Appl. Radiat. Isot. 69, 717–726.
Fissore, C., Dalzell, B.J., Berhe, A.A., Voegtle, M., Evans, M., Wu, A., 2017. Influence of
topography on soil organic carbon dynamics in a Southern California grassland.
Catena 149, 140–149.
Fitzpatrick, M.L., Long, D.T., Pijanowski, B.C., 2007. Exploring the effects of urban and
agricultural land use on surface water chemistry, across a regional watershed, using
multivariate statistics. Appl. Geochem. 22, 1825–1840.
Florinsky, I.V., 1998. Combined analysis of digital terrain models and remotely sensed
data in landscape investigations. Prog. Phys. Geogr. 22, 33–60.
Florinsky, I.V., 2016. Digital Terrain Analysis in Soil Science and Geology, second ed.
Academic Press, Amsterdam.
Fodor, I.K., 2002. A survey of dimension reduction techniques. In: LLNL Technical
Report, UCRL-ID-148494.
Fox, J.F., Papanicolaou, A.N., 2007. The use of carbon and nitrogen isotopes to study
watershed erosion processes. J. Am. Water Resour. Assoc. 43, 1047–1064.
Fullen, M.A., Brandsma, R.T., 1995. Property changes by erosion of loamy sand soils in
east Shropshire, UK. Soil Technol. 8, 1–15.
Gessler, P.E., Chadwick, O.A., Chamran, F., Althouse, L., Holmes, K., 2000.
Modeling soil–landscape and ecosystem properties using terrain attributes. Soil
Sci. Soc. Am. J. 64, 2046–2056.
Glenn, N.F., Streutker, D.R., Chadwick, D.J., Thackray, G.D., Dorsch, S.J., 2006.
Analysis of LiDAR-derived topographic information for characterizing and
differentiating landslide morphology and activity. Geomorphology 73, 131–148.
Harden, J.W., Sharpe, J.M., Parton, W.J., Ojima, D.S., Fries, T.L., Huntington, T.G.,
Dabney, S.M., 1999. Dynamic replacement and loss of soil carbon on eroding crop-
land. Glob. Biogeochem. Cycles 13, 885–901.
Hatfield, J.L., Jaynes, D.B., Burkart, M.R., Cambardella, C.A., Moorman, T.B.,
Prueger, J.H., Smith, M.A., 1999. Water quality in Walnut Creek Watershed:
setting and farming practices. J. Environ. Qual. 28, 11–24.
Heckrath, G., Djurhuus, J., Quine, T.A., Van Oost, K., Govers, G., Zhang, Y., 2005.
Tillage erosion and its effect on soil properties and crop yield in Denmark. J.
Environ. Qual. 34, 312–324.
Hemelryck, H.V., Fiener, P., Oost, K.V., Govers, G., Merckx, R., 2010. The effect of soil
redistribution on soil organic carbon: an experimental study. Biogeosciences 7, 3971–
3986.
Hjerdt, K.N., 2004. A new topographic index to quantify downslope controls on local
drainage. Water Resour. Res. 40, 1–6.
Kasai, M., Marutani, T., Reid, L.M., Trustrum, N.A., 2001. Estimation of temporally
averaged sediment delivery ratio using aggradational terraces in headwater catch-
ments of the Waipaoa River, North Island, New Zealand. Earth Surf. Process. Landf.
26, 1–16.
Kirkby, M.J., 2014. Do not only connect: a model of infiltration-excess overland flow
based on simulation. Earth Surf. Process. Landf. 39, 952–963.
Lal, R., 2003. Soil erosion and the global carbon budget. Environ. Int. 29, 437–450.
Lang, M.W., McCarty, G.W., 2009. Lidar intensity for improved detection of inundation
below the forest canopy. Wetlands 29, 1166–1178.
Lang, M.W., McCarty, G.W., Oesterling, R., Yeo, I.Y., 2013. Topographic metrics for im-
proved mapping of forested wetlands. Wetlands 33, 141–155.
Li, Q.Y., Fang, H.Y., Sun, L.Y., Cai, Q.G., 2014. Using the 137Cs technique to study the
effect of soil redistribution on soil organic carbon and total nitrogen stocks in an
agricultural catchment of Northeast China. Land Degrad. Dev. 25, 350–359.
Li, X., Cui, B., Yang, Q., Lan, Y., 2016a. Impacts of water level fluctuations on detritus
accumulation in Lake Baiyangdian, China. Ecohydrology 9, 52–67.
Li, X., Mitra, C., Marzen, L., Yang, Q., 2016b. Spatial and temporal patterns of wetland
cover changes in East Kolkata Wetlands, India from 1972 to 2011. Int. J. Appl.

2
3
3
X. Li et al.
Geospat. Res. 7, 1–13.
Lieskovský, J., Kenderessy, P., 2014. Modelling the effect of vegetation cover and dif-
ferent tillage practices on soil erosion in vineyards: a case study in Vrable (Slovakia)
using WATEM/SEDEM. Land Degrad. Dev. 25, 288–296.
Liu, D., Wang, Z., Zhang, B., Song, K., Li, X., Li, J., Li, F., Duan, H., 2006. Spatial dis-
tribution of soil organic carbon and analysis of related factors in croplands of the
black soil region, Northeast China. Agric. Ecosyst. Environ. 113, 73–81.
Mabit, L., Bernard, C., Makhlouf, M., Laverdière, M.R., 2008. Spatial variability of erosion
and soil organic matter content estimated from 137 Cs measurements and geostatistics.
Geoderma 145, 245–251.
Martinez, C., Hancock, G.R., Kalma, J.D., 2010. Relationships between 137 Cs and soil
organic carbon (SOC) in cultivated and never-cultivated soils: an Australian example.
Geoderma 158, 137–147.
Martz, L., De Jong, E., 1987. Using CESIUM-137 to assess the variability of net soil erosion
and its association with topography in a Canadian prairie landscape. Catena 14, 439–
451.
McCarty, G.W., Ritchie, J.C., 2002. Impact of soil movement on carbon sequestration in
agricultural ecosystems. Environ. Pollut. 116, 423–430.
Mitasova, H., Hofierka, J., Zlocha, M., Iverson, L.R., 1996. Modeling topographic po-
tential for erosion and deposition using GIS. Int. J. Geogr. Inf. Syst. 10, 629–641.
Montgomery, D.R., Brandon, M.T., 2002. Topographic controls on erosion rates in tec-
tonically active mountain ranges. Earth Planet. Sci. Lett. 201, 481–489.
Moore, I.D., Grayson, R.B., Ladson, D.A.R., 1991. Digital terrain modelling: a review of
hydrological, geomorphological, and biological applications. Hydrol. Process. 5, 3–
30.
Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D., Veith, T.L.,
2007. Model evaluation guidelines for systematic quantification of accuracy in wa-
tershed simulations. Trans. ASABE 50, 885–900.
Næs, T., Martens, H., 1988. Principal component regression in NIR analysis: viewpoints,
background details and selection of components. J. Chemom. 2, 155–167.
Pei, T., Qin, C.Z., Zhu, A.X., Yang, L., Luo, M., Li, B., Zhou, C., 2010. Mapping soil organic
matter using the topographic wetness index: a comparative study based on different
flow-direction algorithms and kriging methods. Ecol. Indic. 10, 610–619.
Polyakov, V.O., Lal, R., 2008. Soil organic matter and CO2 emission as affected by water
erosion on field runoff plots. Geoderma 143, 216–222.
Quijano, L., Gaspar, L., Navas, A., 2016. Spatial patterns of SOC, SON, 137 Cs and soil
properties as affected by redistribution processes in a Mediterranean cultivated field
(Central Ebro Basin). Soil Tillage Res. 155, 318–328.
Renard, K.G., Foster, G.R., Weesies, G.A., McCool, D.K., Yoder, D.C., 2000. Predicting soil
erosion by water: a guide to conservation planning with the revised universal soil loss
equation (RUSLE). In: USDA Agric. Handbook Vol. 703. U.S. Gov. Print. Office,
Washington, DC(https://doi.org/10.2489/jswc.63.6.542).
Rezaei, S.A., Gilkes, R.J., 2005. The effects of landscape attributes and plant community
on soil physical properties in rangelands. Geoderma 125, 145–154.
Ritchie, J.C., Spraberry, J.A., McHenry, J.R., 1974. Estimating soil erosion from the re-
distribution of fallout 137Cs. Soil Sci. Soc. Am. J. 38 (1), 137–139.
Ritchie, J.C., McCarty, G.W., Venteris, E.R., Kaspar, T.C., 2007. Soil and soil organic
carbon redistribution on the landscape. Geomorphology 89, 163–171.
Roughgarden, T., Valiant, G., 2015. CS168: the modern algorithmic toolbox lecture #7:
understanding principal component analysis (PCA). https://pdfs.semanticscholar.
org/264f/3a28d95260271891203bd74f74358fbb601d.pdf.
Schumacher, J.A., Kaspar, T.C., Ritchie, J.C., Schumacher, T.E., Karlen, D.L., Venteris,
E.R., McCarty, G.W., Colvin, T.S., Jaynes, D.B., Lindstrom, M.J., Fenton, T.E., 2005.
Identifying spatial patterns of erosion for use in precision conservation. J. Soil Water
Conserv. 60, 355–362.
Schwanghart, W., Jarmer, T., 2011. Linking spatial patterns of soil organic carbon to
topography - a case study from south-eastern Spain. Geomorphology 126, 252–263.
Seijmonsbergen, A.C., Hengl, T., Anders, N.S., 2011. Semi-automated identification and
extraction of geomorphological features using digital elevation data. In: Smith, M.J.,
Paron, P., Griffiths, J. (Eds.), Geomorphological Mapping: Methods and Applications.
vol. 15 Elsevier, Amsterdam.
2
3
4
C
aten
a16
0(2
018)2
22–23
2
Sharpley, A., Kleinman, P., 2003. Effect of rainfall simulator and plot scale on overland
flow and phosphorus transport. J. Environ. Qual. 32, 2172–2179.
Shen, Z.Y., Gong, Y.W., Li, Y.H., Hong, Q., Xu, L., Liu, R.M., 2009. A comparison of WEPP
and SWAT for modeling soil erosion of the Zhangjiachong Watershed in the Three
Gorges Reservoir Area. Agric. Water Manag. 96, 1435–1442.
Shlens, J., 2014. A Tutorial on Principal Component Analysis. (arXiv preprint
arXiv:1404.1100).
Summerfield, M.A., Hulton, N.J., 1994. Natural controls of fluvial denudation rates in
major world drainage basins. J. Geophys. Res. 99, 13871–13883.
Theocharopoulos, S.P., Florou, H., Walling, D.E., Kalantzakos, H., Christou, M., Tountas,
P., Nikolaou, T., 2003. Soil erosion and deposition rates in a cultivated catchment
area in central Greece, estimated using the 137Cs technique. Soil Tillage Res. 69, 153–
162.
Troch, P., Van Loon, E., Hilberts, A., 2002. Analytical solutions to a hillslope-storage
kinematic wave equation for subsurface flow. Adv. Water Resour. 25, 637–649.
Tucker, G.E., Bras, R.L., 1998. Hillslope processes, drainage density, and landscape
morphology. Water Resour. Res. 34, 2751–2764.
Van der Perk, M., Slávik, O., Fulajtár, E., 2002. Assessment of spatial variation of cesium-
137 in small catchments. J. Environ. Qual. 31, 1930–1939.
Van Oost, K., Govers, G., De Alba, S., Quine, T.A., 2006. Tillage erosion: a review of
controlling factors and implications for soil quality. Prog. Phys. Geogr. 30, 443–466.
Van Oost, K., Quine, T.A., Govers, G., De Gryze, S., Six, J., Harden, J.W., Ritchie, J.C.,
McCarty, G.W., Heckrath, G., Kosmas, C., Giraldez, J.V., 2007. The impact of agri-
cultural soil erosion on the global carbon cycle. Science 318, 626–629.
VandenBygaart, A., 2001. Erosion and deposition history derived by depth-stratigraphy of
137
Cs and soil organic carbon. Soil Tillage Res. 61, 187–192.
Venteris, E.R., McCarty, G.W., Ritchie, J.C., Gish, T., 2004. Influence of management
history and landscape variables on soil organic carbon and soil redistribution. Soil
Sci. 169, 787–795.
Walling, D.E., He, Q., 1999. Improved models for estimating soil erosion rates from ce-
sium-137 measurements. J. Environ. Qual. 28, 611–622.
Walling, D.E., Zhang, Y., He, Q., 2011. Models for deriving estimates of erosion and
deposition rates from fallout radionuclide (caesium-137, excess lead-210, and ber-
yllium-7) measurements and the development of user friendly software for model
implementation. In: Impact of Soil Conservation Measures on Erosion Control and
Soil Quality. IAEA-TECDOC-1665, pp. 11–33.
Wang, X., Cammeraat, E.L.H., Cerli, C., Kalbitz, K., 2014. Soil aggregation and the sta-
bilization of organic carbon as affected by erosion and deposition. Soil Biol. Biochem.
72, 55–65.
Whelan, M.J., Gandolfi, C., 2002. Modelling of spatial controls on denitrification at the
landscape scale. Hydrol. Process. 16, 1437–1450.
Yanosek, K.A., Foltz, R.B., Dooley, J.H., 2006. Performance assessment of wood strand
erosion control materials among varying slopes, soil textures, and cover amounts. J.
Soil Water Conserv. 61, 45–51.
Yokoyama, R., Shlrasawa, M., Pike, R.J., 2002. Visualizing topography by openness: a
new application of image processing to digital elevation models. Photogramm. Eng.
Remote. Sens. 68, 257–265.
Young, C.J., Liu, S., Schumacher, J.A., Schumacher, T.E., Kaspar, T.C., McCarty, G.W.,
Napton, D., Jaynes, D.B., 2014. Evaluation of a model framework to estimate soil and
soil organic carbon redistribution by water and tillage using 137Cs in two U.S.
Midwest agricultural fields. Geoderma 232, 437–448.
Zeleke, T.B., Bing, C.S., 2004. Scaling properties of topographic indices and crop yield:
multifractal and joint multifractal approaches. Agron. J. 96, 1082–1090.
Zhang, J., Quine, T.A., Ni, S., Ge, F., 2006. Stocks and dynamics of SOC in relation to soil
redistribution by water and tillage erosion. Glob. Chang. Biol. 12, 1834–1841.
Zhang, H., Yang, Q., Li, R., Liu, Q., Moore, D., He, P., Ritsema, C.J., Geissen, V., 2013.
Extension of a GIS procedure for calculating the RUSLE equation LS factor. Comput.
Geosci. 52, 177–188.
Zhou, P., Luukkanen, O., Tokola, T., Nieminen, J., 2008. Effect of vegetation cover on soil
erosion in a mountainous watershed. Catena 75, 319–325.