INCORPORATING TACIT KNOWLEDGE OF SOIL‐LANDSCAPE RELATIONSHIPS  
FOR DIGITAL SOIL AND LANDSCAPE MAPPING APPLICATIONS 
 
By 
 
Bradley Allen Miller 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 

 
A DISSERTATION 
 
Submitted to 
Michigan State University 
in partial fulfillment of the requirements 
for the degree of 
 
Geography – Doctor of Philosophy 
 
2013 
 

 
 

ABSTRACT 
 
INCORPORATING TACIT KNOWLEDGE OF SOIL‐LANDSCAPE RELATIONSHIPS  
FOR DIGITAL SOIL AND LANDSCAPE MAPPING APPLICATIONS 
 
By 
 
Bradley Allen Miller 
 
The purpose of this dissertation is to develop and test a quantitative model for 
classifying hillslope position, using digital terrain analyses. The model is calibrated by, and 
validated against observations of soil scientists, while working in the field. Classifying the 
landscape into the five standard hillslope elements, or positions, in a manner that is 
transferable between landscapes, can greatly help soil sampling and mapping endeavors.  
This dissertation begins by reviewing the role of environmental predictors in the 
conceptual models of soil geographers, at different scales, via a historical overview of soil maps. 
I conclude that the sum experience of soil science has recognized a hierarchy of scale in three of 
Dokuchaev’s five factors of soil formation, proceeding in decreasing phenomenon scale: 1) 
climate, 2) parent material, and 3) relief.  That relief is at the smallest phenomenon scale 
suggests that delineations on modern, county‐level soil maps can perhaps be best 
disaggregated by increasing the resolution and applicability of topographic base maps used to 
construct those maps.  
Today, LiDAR technology provides high resolution, elevation data, but requires 
contextual information if it is to be used for mapping landscape elements and soil cover 
patterns. Soil geomorphic research has long recognized the relationship between soil 
development and the contextual metric of hillslope position. However, the definitions for 
 
 

hillslope positions are based on conceptual models that synthesize multiple terrain parameters, 
which are not always easily observed in elevation data alone. This dissertation develops and 
utilizes methods for calibrating analysis scales, classification breaks, and model structures to 
soil scientists’ field observations, as a means of capturing their expert knowledge of hillslope 
position.  
The result is a quantitative definition of hillslope position, which can be applied in digital 
terrain analysis. The optimal analysis scales observed for slope gradient, profile curvature, and 
relative elevation were 9 m, 63 m, and 135 m, respectively. The best performing model 
differentiates areas on the landscape using a decision tree hierarchy that divides the landscape 
first by slope gradient (breaks at 1.4 and 2.9°), then by profile curvature and relative elevation. 
The final model was also tested for sensitivity to quality of the digital elevation data used to 
calculate the various slope parameters. Because of the importance of analysis scale, grid 
resolution was equally important for obtaining accurate results as uncertainty in the elevation 
attribute.  
By using the analysis scales, classification breaks, and model structure identified in this 
dissertation, hillslope position was determined consistently across a variety of Midwestern U.S. 
landscapes. The resulting hillslope position base map provides quantitative criteria for common 
soil map unit boundaries, study of geomorphic landscape patterns, and sampling strategies. 
This classification of hillslope position not only has the potential to increase soil map resolution 
by disaggregation of current delineations, but also offers consistency. Consistency increases the 
reliability of soil maps and allows for comparisons between landscapes. 

 
 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
 
 

 
 
 

 
 
 

 
 
 

Copyright by 
BRADLEY ALLEN MILLER 
2013 

 
 
 
 
 
 

 
 

 

 
 
 
 
 
 
 
 
 
 
 
For Brigi and Nia 
 
 
 
 
 

 

v 
 

 

ACKNOWLEDGMENTS 
 
Many outstanding people have contributed to my development and provided the 
encouragement that made it possible for me to reach this point. I am indebted to each of them. 
I wish to express my gratitude to everyone who has supported me in my endeavors leading to 
this dissertation. 
In particular, I wish to thank my committee members, Dr. Randall Schaetzl, Dr. Ashton 
Shortridge, Dr. David Lusch, and Dr. Sasha Kravchenko for their patience and guidance. I greatly 
appreciate their advice and constructive comments on previous versions of this dissertation. 
My special thanks to Dr. Schaetzl for being my adviser and providing employment through the 
process of my Ph.D. program. I am also thankful for the support of the MSU Geography 
Department and its graduate student community. 
Funding from the Soil Classifier Association of Michigan, the MSU Graduate College, and 
the American Association of Geographers facilitated my research and attendance of 
professional conferences; my thanks to them and their donors for their support. Also, thank 
you to Matt Bromley and Ryan Dermody of the U.S. Natural Resource Conservation Service for 
their assistance in providing data for this project. 
I would also like to explicitly express my deepest gratitude to my mentors at Iowa State 
University, Dr. William Crumpton and Dr. Lee Burras. The analytical and critical thinking skills 
that they taught me have been invaluable to my continued success. 
 

 
vi 

 

 

TABLE OF CONTENTS 
 
LIST OF TABLES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x 
 
LIST OF FIGURES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii 
 
KEY TO ABBREVIATIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  xxi 
 
CHAPTER 1. 
INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  1 
 
CHAPTER 2. 
SCALE IN THE CONTEXT OF PROGRESS IN SOIL GEOGRAPHY . . . . . . . . . . . . . . . . . . . . . . . . . .  4 
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 
1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  5 
1.2. Background on Scale in Soil Geography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  8 
th

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

2. Early Soil Geography (pre‐19  Century) . . . . . . . . . . . .  . . . . . . . . . . . . . . . . . . . . . . . . . . 10 
2.1. The Importance of Base Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 
2.2. Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 
2.3. Understanding of Soil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 
3. Emergence of Soil Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  7 
1
  3.1. Early Maps with Soil Attributes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  17 
  3.2. Base Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 
    3.2.1. Determining Location Accurately . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 
    3.2.2. Surveying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  20 
    3.2.3. Thematic Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  23 
4. Small Cartographic Scale Maps (< 1:1 million) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 
  4.1. Base Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 
  4.2. Purpose and Strategies of Soil Mapping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 
5. Medium Cartographic Scale Maps (1:1 million to 1:25,000) . . . . . . . . . . . . . . . . . . . . . .  35 
  5.1 Base Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  35 
  5.2. Purpose and Strategies for Soil Mapping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  35 
  5.3. Overlap in Phenomena Scales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 
6. Large Cartographic Scale Maps (1:25,000 and larger) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 
  6.1. Base Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 
  6.2. Purpose and Strategies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 
  6.3. Local Modification of Larger Scale Phenomenon . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 
  6.4. Untapped Potential . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 
7. Joining Scales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  53 
8. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 
REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  65 
vii 

 

 

CHAPTER 3. 
SEMANTIC CALIBRATION OF DIGITAL TERRAIN ANALYSIS SCALE . . . . . . . . . . . . . . . . . . . . . . . 77 
Abstract. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  77 
  1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  78 
  2. Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  81 
    2.1. Relating Field Assessment of Hillslope Position to Digital Terrain Analysis . . . . . . 81 
    2.2. Semantic Calibration of Analysis Scale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  84 
    2.3. Study Area . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 
  3. Consideration of the Modifiable Area Unit Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 
  4. Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 
    4.1. Analysis Scale Calibration of all Observation Points . . . . . . . . . . . . . . . . . . . . . . . .  98 
    4.2. Analysis Scale Calibration by Terrain Sub‐regions . . . . . . . . . . . . . . . . . . . . . . . . . .  102 
  5. Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .   11 
1
  6. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 
  APPENDIX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  117 
  REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  135 
 
CHAPTER 4. 
DIGITAL CLASSIFICATION OF HILLSLOPE POSITION: DEVELOPING A BETTER BASE MAP FOR 
IMPROVING AND DISAGGREGATING EXISTING SOIL MAPS . . . . . . . . . . . . . . . . . . . . . . . . . . .  140 
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 
  1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  141 
    1.1 Utility of Hillslope Position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  141 
    1.2 Application to Digital Soil Mapping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  145 
  2. Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  147 
    2.1. General Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  147 
    2.2 Decision Tree Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  151 
      2.2.1. Calibration of Classification Breaks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  153 
    2.3. Linear Discriminant Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  155 
    2.4. Validation and Transferability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  155 
  3. Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 
    3.1. Calibration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 
    3.2. Ottawa County Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  160 
      3.2.1. Decision Tree Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  160 
      3.2.2. Linear Discriminant Analysis Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165 
    3.3 Validation in Different Landscapes (Transferability) . . . . . . . . . . . . . . . . . . . . . . . . . 166 
    3.4. Map Comparisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 
      3.4.1. Opportunity for Disaggregation of Existing Soil Map Units . . . . . . . . . . . . . .   84 
1
    3.5. A Quantified Definition for Hillslope Position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192 
      3.5.1. Applicability beyond Discrete Boundaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193 
  4. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194 
  APPENDIX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  196 
  REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  204 
viii 
 

 

CHAPTER 5. 
THE IMPACT OF PARAMETER ACCURACY VERSUS RESOLUTION ON A SIMPLE HILLSLOPE 
POSITION CLASSIFICATION MODEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  210 
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210 
1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  211 
2. Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  213 
  2.1. Comparison of Different Elevation Data Sources . . . . . . . . . . . . . . . . . . . . . . . . . . . 213 
    2.2. Isolating Effect of Grid Resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217 
  3. Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217 
    3.1 Sensitivity to LiDAR, NED, and SRTM as Data Sources . . . . . . . . . . . . . . . . . . . . . . .  217 
      3.1.1. Analysis of LiDAR, NED, and SRTM Agreement by Test Zones . . . . . . . . . . . . 219 
    3.2. Sensitivity to Grid Resolution Alone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  224 
      3.2.1. Analysis of Sensitivity to Grid Resolution by Test Zones . . . . . . . . . . . . . . . .  227 
    3.3. Comparison of Classification Agreements between Differing Data Sources and Grid 
Resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 
  4. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231 
  REFERENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  233 
 
CHAPTER 6. 
CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  237   
   
 
 

ix 
 

 

Table 2.1.  
 
Table 3.1.  
 
Table 3.2. 

 
Table 3.3.  
 
Table 3.4.  

 
Table 3.5.  

 
Table 3.6.  

LIST OF TABLES 
 
 
 
Relationship between the top levels of zonal classification and the current 
version of Soil Taxonomy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62   
Experimental matrix for varying combinations of DEM cell size and 
neighborhood size for varying analysis scale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 
Definition table for relating qualitative hillslope position descriptions to the 
DTA of profile curvature and relative elevation. Attributes highlighted in gray 
were used for the semantic calibration. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  87 
Descriptive statistics of elevation and slope gradient for the three landscape 
sub‐regions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 
Percent agreement results for profile curvature of all observation points. 
Concave and convex agree are the count of points where the digital and field 
assessments of slope profile shape were in agreement. Percent is the 
proportion of agreement out of the total number of points. . . . . . . . . . . . . . . .  99 
Percent agreement results for relative elevation of all observation points. 
Low and high agree are the count of points where the digital and field 
assessments of relative elevation were in agreement. Percent is the 
proportion of agreement out of the total number of points. . . . . . . . . . . . . . . .  101 
Mean absolute difference results for slope gradient of all observation  
1
points. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  02 

 
Table 3.7a.   Percent agreement results for profile curvature of observation points in the 
dune landscape. Concave and convex agree are the count of points where 
the digital and field assessments of slope profile shape were in agreement. 
Percent is the proportion of agreement out of the total number of points. . . . 104 
 
Table 3.7b.   Percent agreement results for profile curvature of observation points in the 
hummocky landscape. Concave and convex agree are the count of points 
where the digital and field assessments of slope profile shape were in 
agreement. Percent is the proportion of agreement out of the total number 
of points. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  105   
 
 
 

x 
 

 

Table 3.7c.   Percent agreement results for profile curvature of observation points in the 
glacial lake plain landscape. Concave and convex agree are the count of 
points where the digital and field assessments of slope profile shape were in 
agreement. Percent is the proportion of agreement out of the total number 
of points. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  106 
 
Table 3.8a.   Percent agreement results for relative elevation of observation points in the 
dune landscape. Low and high agree are the count of points where the digital 
and field assessments of relative elevation were in agreement. Percent is the 
proportion of agreement out of the total number of points. . . . . . . . . . . . . . . .  107 
 
Table 3.8b.   Percent agreement results for relative elevation of observation points in the 
hummocky landscape. Low and high agree are the count of points where the 
digital and field assessments of relative elevation were in agreement. Percent 
is the proportion of agreement out of the total number of points. . . . . . . . . . . 108 
 
Table 3.8c.   Percent agreement results for relative elevation of observation points in the 
glacial lake plain landscape. Low and high agree are the count of points 
where the digital and field assessments of relative elevation were in 
agreement. Percent is the proportion of agreement out of the total number 
of points. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  109  
 
Table 3.9a.   Mean absolute difference results for slope gradient of observation points in 
the dune landscape. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  110 
 
Table 3.9b.   Mean absolute difference results for slope gradient of observation points in 
the hummocky hills landscape. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  110 
 
Table 3.9c.   Mean absolute difference results for slope gradient of observation points in 
the glacial lake plain landscape. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 
 
Table 4.1.   Definitional categories of terrain parameters by hillslope position. . . . . . . . . . .153 
 
Table 4.2.   Statistics of calibration points categorized into the assessment groups of 
each model parameter. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  159 
 
Table 4.3.   Classification breaks calibrated from the assessment group statistics of each 
model parameter. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159 
 
Table 4.4.   Percent agreement between soil scientists’ field assessments and each 
hillslope position models’ prediction by classification break method for 
Ottawa County, Michigan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  160 
 
xi 
 

 

Table 4.5.  

 
Table 4.6.  

 
Table 4.7.  

 
Table 4.8.  
 
Table 4.9.  

Confusion matrixes for classification breaks based on the mid‐point between 
assessment groups’ means for a) PrcP decision tree (Kappa = 0.44), b) SlgP 
decision tree (Kappa = 0.49), and c) ReeP decision tree (Kappa = 0.27). . . . . . .   61 
1
Confusion matrixes for classification breaks based on the mid‐point between 
assessment groups’ medians for a) PrcP decision tree (Kappa = 0.35), b) SlgP 
decision tree (Kappa = 0.46), and c) ReeP decision tree (Kappa = 0.36). . . . . . .   62 
1
Confusion matrixes for classification breaks based on the confidence index to 
differentiate parameters for a) PrcP decision tree (Kappa = 0.45), b) SlgP 
decision tree (Kappa = 0.49), and c) ReeP decision tree (Kappa = 0.28). . . . . . .   63 
1
Confusion matrix for the LDA classification (Kappa = 0.26). . . . . . . . . . . . . . . . .  166 
Percent agreement between soil scientists’ field assessments and each 
hillslope position models’ prediction by classification break method for a) 
Dickinson County and b) Cedar County, Iowa. . . . . . . . . . . . . . . . . . . . . . . . . . . .  167 

 
Table 4.10.   Confusion matrix for SlgP‐med model prediction of field assessments of 
hillslope position in a) Dickinson County (Kappa = 0.35) and b) Cedar County, 
Iowa (Kappa = 0.37). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 
 
Table 4.11.   Zonal statistics of the SlgP‐med hillslope position model by SSURGO map 
units in Ottawa County, Michigan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  197 
 
Table 4.12.   Zonal statistics of the SlgP‐med hillslope position model by SSURGO map 
units in Dickinson County, Iowa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  200 
 
Table 4.13.   Zonal statistics of the SlgP‐med hillslope position model by SSURGO map 
2
units in Cedar County, Iowa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .    02 
 
Table 5.1.   a) LiDAR‐based, 3 m resolution, HP classification of all test points for context 
in evaluating confusion matrices comparing LiDAR‐based classification of 
hillslope position with b) NED‐based classification of hillslope position (Kappa 
= 0.36) and b) SRTM‐based classification of hillslope position (Kappa = 0.14). . 219 
 
Table 5.2.   a) LiDAR‐based, 3 m resolution, HP classification of all test points for context 
in evaluating confusion matrices comparing 3 m resolution classification with 
b) 9 m resolution classification (Kappa = 0.67) and c) 27 m resolution 
classification (Kappa = 0.47). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  226 
 
Table 5.3.   Rates of disagreement and estimated causes of disagreement for a) Ottawa 
County, Michigan, b) Cedar County, Iowa, and c) Dickinson County, Iowa. . . . . 230 
 
xii 
 

 

LIST OF FIGURES 
 
 
 
Figure 2.1.   Timeline of important developments in the scientific sphere of soil 
geography. Soil maps (white) are a product of both the scientific 
understanding of soil (light gray) and the geographic technologies available at 
the time (dark gray). Although soil geography has been valued since early 
civilizations, actual soil maps could not be produced until the needed 
geographic technology was available. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 
 
Figure 2.2.   Reconstruction of Eratosthenes’s map of the known world, ca. 194 BCE 
(Bunbury, 1883). This map pre‐dates the use of cartographic scale. Outline of 
continents demonstrates the spatial distortion inherent to maps of the time. 
Labels are inconsequential. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  13 
 
Figure 2.3.   Figure 2.3. Ptolemy’s world map with latitudinal climate zones, reproduced 
by J. Pentius de Leucho (Leucho, 1511). The climate zones are labeled on the 
western side of the map. “Clima I” is comprised of the two latitude zones 
north and two zones south of the equator. Each subsequent latitude zone 
shown, proceeding north, is label sequentially with a different “Clima” 
number. All other labels are inconsequential. This map pre‐dates the use of 
cartographic scale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  15 
 
Figure 2.4.   Section of the first systematically surveyed, topographic map of France, 
published between 1756 and 1815. Although this map was a milestone for 
accurate positioning of features, note the lack of elevation information. 
Cartographic scale was 1:86,400. (National Library of France, 2013) . . . . . . . . . 22 
 
Figure 2.5.   The first geological map of Britain, produced by water coloring a pre‐existing 
topographic map. Published by William Smith in 1815 (Library Foundation, 
Buffalo and Erie County Public Library, 2013). The title claims that by 
mapping the geologic strata, the varieties of soil are also shown (a). The 
cartographic scale of the original map (b) was approximately 1:316,000. For 
interpretation of the references to color in this and all other figures, the 
reader is referred to the electronic version of this dissertation. . . . . . . . . . . . .  25 
 
Figure 2.6.   Isotherm map of the world, based on the work of Humboldt. Lines dividing 
colors have similar temperatures and are breaks between climate zones. 
Labels are inconsequential. Cartographic scale not provided. (Woodbridge, 
1823) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  29 
 
 
 
xiii 
 

 

Figure 2.7.   Isohumus belts identified by Dokuchaev based on quantitative point 
observations. Darker shading indicates higher content of soil humus. Labels 
are inconsequential. Cartographic scale was 1:4.2 million.  
(Dokuchaev, 1967) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  30 
 
Figure 2.8.   Soil map of Africa based on zonal classification system. Note the pattern 
similarity between the soil map and the inset rainfall map. Labels are 
inconsequential. Cartographic scale was 1:10 million. (Shantz and Marbut, 
1923). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 
 
Figure 2.9.   General soil map of Wisconsin produced in the agrogeology style by 
Chamberlain. Shades of brown indicate different soil textures, the pattern of 
which can be compared to modern soil region maps (Figure 2.11). Map text is 
inconsequential. Cartographic scale not provided. (Chamberlain, 1882) . . . . .  37 
 
Figure 2.10.   Soil map of Tama County, Iowa produced at a cartographic scale of 1:63,360 
(Ely et al., 1904). Only five map units are delineated, which primarily differ in 
parent material. Variation of soils due to climate or relief is not included. 
Map text is inconsequential. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  39 
 
Figure 2.11.   Soil regions of Wisconsin map published by the Wisconsin Geological and 
Natural History Survey. Cartographic scale was 1:710,000 (Madison and 
Gundlach, 1993). The spatial patterns in this map are very similar to the 
patterns in the earlier, agrogeology style soil map of Wisconsin. The two 
maps primarily differ due to more accurate spatial information being 
available for the modern soil map. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  40 
 
Figure 2.12.   Soil associations of Iowa map published by the Iowa Agriculture and Home 
Economics Station. Cartographic scale was 1:506,880 (National Cooperative 
Soil Survey, 1978). This state soil map has a level of detail similar to the 
contemporary soil map of Wisconsin (Figure 2.11). The legend of this map is 
too large to be included in this dissertation format. However, both the Iowa 
Soil Association Map and the Soil Regions of Wisconsin map primarily 
represent the spatial distribution of geologic/parent materials. . . . . . . . . . . . .  41 
 
Figure 2.13.   Section of Hamilton County, Iowa soil map, constructed at the commonly 
used cartographic scale of 1:15,840 (Dideriksen, 1986). Note that although 
topographic features are being delineated, topographic sequences are not 
distinguishable in the aerial photograph base map. Map unit labels are 
inconsequential. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  49 
 
Figure 2.14.   Illustration demonstrating the difference in detail between delineating light‐
dark soil cover patterns (corresponding to erosion‐deposition zones) and the 
five hillslope positions commonly used in toposequences research. . . . . . . . . . 52 
xiv 
 

 

 
Figure 2.15.   Schematic of Fippin’s proposed soil classification system (Fippin, 1911). Note 
the hierarchy of climate at the highest level followed by characteristics of 
parent material. At the series and type level, multiple, specific soil properties 
are listed, several of which have direct connections to topography. . . . . . . . . . 55 
 
Figure 2.16.   Sheet 7 of 12 from soil map of the United States based on generalized soil 
series in the agrogeology classification style. Cartographic scale was 1:2.5 
million (Marbut et al., 1931). Note the ‘Arrangement of Sections’ diagram in 
the lower‐right corner for comparison of spatial patterns with Figure 2.17. 
Names of soil series are inconsequential. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 
 
Figure 2.17.   Soil map of the U.S. based on great soil groups in the zonal classification 
style. Cartographic scale was 1:8 million (Marbut, 1931). Although some 
nested relationships can be observed between Figure 2.16 and 2.17, Marbut 
did not believe those relationships were sufficient to join the classification 
systems of the respective maps. Names of the great soil groups are 
inconsequential. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  58 
 
Figure 2.18.   a) World map of soil orders as classified by U.S. Soil Taxonomy at a 
cartographic scale of 1:130 million (USDA‐NRCS, 2005). b) Köppen‐Geiger 
climate zones presented for comparison with U.S. Soil Taxonomy soil orders 
(climate zone map courtesy of www.theodora.com/maps, used with 
permission). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 
 
Figure 3.1.   In order to classify the functional zones of hillslope position (a), soil scientists 
in the field synthesize their assessment of b) slope gradient, c) profile 
curvature, and d) relative elevation to determine the hillslope position of a 
location. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 
 
Figure 3.2.   In this research, relative elevation is calculated on a neighborhood by 
neighborhood basis for each cell. a) First, a reference elevation ceiling is 
calculated by summing the neighborhood minimum and maximum 
elevations. b) Then, the central cell elevation is subtracted from the elevation 
ceiling to create an inverse elevation grid. c) By subtracting the inverse from 
the original elevation grid, a relative elevation grid is created with the mid‐
point between the neighborhood minimum and maximum having a value of 
zero. Elevation values above the mid‐point are increasingly positive. Below 
the elevation mid‐point, values are negative and decrease with vertical 
distance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 
 
Figure 3.3.   Location of study area, Ottawa County, in the lower peninsula of Michigan, 
U.S. The map also includes locations of field observation transect points and 
the three study sub‐regions delineated for comparing terrain types. . . . . . . . .  91 
xv 
 

 

Figure 3.4.   Example images from the a) dune landscape, b) hummocky landscape, and c) 
glacial lake plain landscape. Photos by the author. . . . . . . . . . . . . . . . . . . . . . . .   2 
9
 
Figure 3.5.   Digital terrain analysis of slope gradient for three terrain types. a) Hummocky 
hills landscape with moderate relief. b) Glacial lake plain with consistently 
low relief, but some narrow, steep sided drainage ditches. c) Example area of 
the dunes landscape with high relief. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  93 
 
Figure 3.6.   Scale effect of the modifiable area unit problem on slope gradient. Fewer 
extreme values increase the likelihood of agreement/correlation. Sequence 
of graphs illustrates reduction in extreme values with reduction of random 
sample size at a) 10,000 points, b) 1,000 points, c) 100 points, and d) 50 
points. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  5 
9
 
Figure 3.7.   Scale effect of the modifiable area unit problem on profile curvature. Fewer 
extreme values increase the likelihood of agreement/correlation. Sequence 
of graphs illustrates reduction in extreme values with reduction of random 
sample size at a) 10,000 points, b) 1,000 points, c) 100 points, and d) 50 
points. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  6 
9
 
Figure 3.8.   Scale effect of the modifiable area unit problem on relative elevation. Fewer 
extreme values increase the likelihood of agreement/correlation. Sequence 
of graphs illustrates reduction in extreme values with reduction of random 
sample size at a) 10,000 points, b) 1,000 points, c) 100 points, and d) 50 
points. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  7 
9
 
Figure 3.9.   Example area from LiDAR elevation grid. Note the striped elevation patterns 
that can be seen in some portions of the example area. . . . . . . . . . . . . . . . . . . .  19 
1
 
Figure 3.10.   Same example area processed as a hillshade from the LiDAR elevation grid, 
with no vertical exaggeration. Note the additional striped patterns that were 
not as apparent in the display of elevation in Figure 3.9. . . . . . . . . . . . . . . . . . . 120 
 
Figure 3.11.   Same example area processed as a hillshade from the LiDAR elevation grid, 
with elevation exaggerated by a factor of 3. Note the increased prominence 
of striped patterns, as compared to the hillshade without vertical 
exaggeration (Figure 3.10). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  21 
1
 
Figure 3.12.   Location of cross sections examined in LiDAR elevation grid from Ottawa 
County, Michigan, USA. The longitudinal orientation of the cross section 
symbols indicates each profile line’s orientation. . . . . . . . . . . . . . . . . . . . . . . . .  123 
 

xvi 
 

 

Figure 3.13.   Evaluation of site 1. The spatial frequency of the striped pattern does not 
appear to be regular, but a few peaks occur at an interval of 30 m. The relief 
between the peaks appears to be approximately 30 cm. . . . . . . . . . . . . . . . . . .  124 
 
Figure 3.14.   Evaluation of site 2. The spatial frequency of the striped pattern does not 
appear to be regular, but a few peaks occur at an interval of 10 m. The relief 
between the peaks appears to be approximately 5 cm. . . . . . . . . . . . . . . . . . . .  125 
 
Figure 3.15.   Evaluation of site 3. The spatial frequency of the striped pattern does have 
some regularity, with peaks occurring at an interval of 10 m. The relief 
between the peaks appears to be approximately 10 cm. . . . . . . . . . . . . . . . . . .  126 
 
Figure 3.16.   Evaluation of site 4. The spatial frequency of the striped pattern does not 
appear to be regular, but a few peaks occur at an interval of 10 m. The relief 
between the peaks appears to be approximately 10 cm or less. . . . . . . . . . . . .  127 
 
Figure 3.17.   Evaluation of site 5. The spatial frequency of the striped pattern is not 
strongly expressed in the cross section, but a few peaks occur at an interval 
of 10 m. The relief between the peaks appears to be approximately 20 cm or 
less. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 
 
Figure 3.18.   Evaluation of site 6. The spatial frequency of the striped pattern does have 
some regularity, with peaks occurring at an interval of 25 m. The relief 
between the peaks appears to be approximately 10 to 15 cm. . . . . . . . . . . . . .  129 
 
Figure 3.19.   Evaluation of site 7. The spatial frequency of the striped pattern is not 
strongly expressed in the cross section, but a few peaks occur at an interval 
of 5 m. The relief between the peaks appears to be approximately 10 cm. . . .  130 
  
Figure 3.20.   Evaluation of site 8. The spatial frequency of the striped pattern does not 
appear to be regular, but a few peaks occur at an interval of 10 m. The relief 
between the peaks appears to be approximately 5 cm. . . . . . . . . . . . . . . . . . . .  131 
 
Figure 3.21.   Image of area surrounding cross section site 6. The area demonstrates the 
striped patterns commonly observed on row crop fields. Satellite image 
courtesy of USGS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  133 
 
Figure 3.22.   LiDAR based hillshade with 3x vertical exaggeration of the same area shown 
in figure A.13. Note the matching orientations of the striped pattern in both 
the tone of the aerial image and the hillshading from the elevation grid. . . . . . 134 
 
Figure 4.1.   Illustration of the mental construct that soil scientists use to assess hillslope 
position in the field. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  144 
 
xvii 
 

 

Figure 4.2.   Example of subjective shift in soil map detail between cultivated fields (left) 
and adjacent forest land (right) in the 1:15,840 Soil Survey map of Boone 
County, Iowa (Andrews and Dideriksen, 1981). . . . . . . . . . . . . . . . . . . . . . . . . . .   46 
1
 
Figure 4.3.   Distribution of calibration points in Ottawa County, Michigan. Each set of 
calibration points represent mapping transects, walked by NRCS field soil 
scientists, and each contains 8‐10 observations. . . . . . . . . . . . . . . . . . . . . . . . . . 150 
 
Figure 4.4.   Diagrams for the three classification tree hierarchies. Each tree will be 
referred to by the parameter emphasized in the top level of the hierarchy, 
specifically: a) the profile curvature priority decision tree (PrcP), b) the slope 
gradient priority decision tree (SlgP), and c) the relative elevation priority 
decision tree (ReeP). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 
 
Figure 4.5.   Conceptual illustration of the confidence index (CI) used for determining 
fuzzy membership. The shape of the CI curve for the middle class is 
calculated by a normal probability density function (PDF) based on the 
calibration group’s mean and standard deviation. CI values for the low and 
high classes are calculated in the same manner, except that values on the 
opposite side of the mean from other classes are calculated as one plus the 
inverse of the PDF result. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .   55 
1
 
Figure 4.6.   Dickinson County, Iowa (a) and Cedar County, Iowa (b) were used to test the 
transferability of the models calibrated and validated in Ottawa County, 
Michigan (c). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  157 
 
Figure 4.7.   Example of disagreement between field observations and a digital hillslope 
position classification. Clearly, the soil scientist would have ignored the 
drainage ditch in deciding if the flat area containing the observation points 
was a toeslope or summit (a). However, the digital model considered the low 
elevation values within the drainage ditch for the adjacent area equivalent to 
the relative elevation analysis scale (b). Satellite image courtesy of USGS. . . . .169 
 
Figure 4.8.   Digital hillslope position map of Ottawa County, Michigan with validation 
points showing agreement or disagreement with the predicted  
classification. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 
 
Figure 4.9.   Digital hillslope position map of Dickinson County, Iowa with validation 
points showing agreement or disagreement with the predicted  
classification. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 
 
Figure 4.10.   Digital hillslope position map of Cedar County, Iowa with validation points 
showing agreement or disagreement with the predicted classification. . . . . . . 172 
 
xviii 
 

 

Figure 4.11.   Example of SlgP‐med hillslope position classification compared with current 
SSURGO delineations in Dickinson County, Iowa (overlain on a hillshade of 
the LiDAR elevation grid). Note the many areas that transition directly from 
summit to toeslope. These areas are also sensitive to sharp rises in elevation. 
For example, the raised road running north‐south in the center of the map 
causes the adjacent flat areas to be digitally classified as toeslopes. . . . . . . . . .  75 
1
 
Figure 4.12.   a) Block diagram of the Tama‐Downs‐Muscatine soil association from the 
NRCS Soil Survey Staff (2009). b) Zonal statistics of the SlgP‐med hillslope 
position model by the SSURGO map units in Cedar County, Iowa. . . . . . . . . . . . 178   
 
Figure 4.13.   a) Block diagram of the Canisteo‐Clarion‐Nicollet soil association from the 
NRCS Soil Survey Staff (2000). b) Zonal statistics of the SlgP‐med hillslope 
position model by SSURGO map units of this soil association in Dickinson 
County, Iowa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180 
 
Figure 4.14.   a) Block diagram of the Nester‐Kawkawlin‐Manistee soil association from the 
NRCS Soil Survey Staff (1985). b) Zonal statistics of the SlgP‐med hillslope 
position model by SSURGO map units of this soil association in Ottawa 
County, Michigan. The sandy Manistee soil series is not currently mapped in 
Ottawa County. For a soil association on sand parent materials, see Figure 
4.16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  181 
 
Figure 4.15.   a) Block diagram of the Deer Park‐Dawson‐Au Gres soil association from the 
Soil Survey Staff (1992). b) Zonal statistics of the SlgP‐med hillslope position 
model by SSURGO map units of this soil association in Ottawa County, 
Michigan. The organic Dawson and Kinross soils are not currently mapped in 
Ottawa County. Instead, organic soils are classified as Adrian, Houghton, 
Edwards, or Linwood soil series (Sandy or sandy‐skeletal, mixed, euic, mesic 
Terric Haplosaprists; Euic, mesic Typic Haplosaprists; Marly, euic, mesic 
Limnic Haplosaprist; Loamy, mixed, euic, mesic Terric Haplosaprists; 
respectively). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182 
 
Figure 4.16.   Examples of disaggregation opportunities in Cedar County, shown in a) plan 
view, and b) perspective view (relief exaggerated 3x). Numbers indicate 
matching points of reference. 1) Depressions identified by the model, 
potentially Garwin soil series, within Muscatine soil series delineations. 2) 
The Fayette soil series is described as occurring on interfluves and side‐
slopes. However, summits on the interfluves match the geographic setting 
for the Downs soil series. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .   86 
1
 
 
 

xix 
 

 

Figure 4.17.   Two depression inclusions identified by Soil Survey Staff located within 
delineations of the convex Clarion map unit in Dickinson County. Note the 
proximity of the inclusion points to isolated areas of toeslopes. In a) plan 
view, and b) perspective view (relief exaggerated 3x). . . . . . . . . . . . . . . . . . . . .  188 
 
Figure 4.18.   Nester soil series in Ottawa County, which is illustrated in the Soil Survey 
block diagram as varying in topography (Figure 4.14). Digital classification of 
hillslope position efficiently differentiates slope elements within this Nester 
soil delineation. In a) plan view, and b) perspective view (relief exaggerated 
3x). Star indicates a matching point of reference. . . . . . . . . . . . . . . . . . . . . . . . . 190 
 
Figure 5.1.   Areas used for this study were a) Dickinson County, Iowa, b) Cedar County, 
Iowa, and c) Ottawa County, Michigan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  214 
 
Figure 5.2.   Terrain characteristics of test zones compared to HP classification 
agreement: LiDAR‐based classification agreement with a) NED‐based 
classification versus mean slope gradient, b) SRTM‐based classification versus 
mean slope gradient, c) NED‐based classification versus profile curvature 
range, d) SRTM‐based classification versus profile curvature range, e) NED‐
based classification versus relative elevation range, f) SRTM‐based 
classification versus relative elevation range. . . . . . . . . . . . . . . . . . . . . . . . . . . .  221 
 
Figure 5.3.   Diagram for the classification tree tested in this study, which was validated in 
Chapter 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  223 
 
Figure 5.4.   Terrain characteristics of test zones compared to HP classification 
agreement: original 3 m resolution grid and the same grid aggregated to a) 9 
m resolution versus mean slope gradient, b) 27 m resolution classification 
versus mean slope gradient, c) 9 m resolution versus profile curvature range, 
d) 27 m resolution versus profile curvature range, e) 9 m resolution 
classification versus relative elevation range, f) 27 m resolution classification 
versus relative elevation range. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228 
 
 
 

xx 
 

 

KEY TO ABBREVIATIONS 
 

° ‐ degrees 
> ‐ greater than 
< ‐ less than 
% ‐ percent 
bs ‐ backslope 
BCE ‐ before the common era 
ca. ‐ circa 
CE ‐ common era 
CI ‐ confidence index 
DC ‐ drainage class 
DEM ‐ digital elevation model 
DTA ‐ digital terrain analysis 
ED ‐ excessively drained 
e.g. ‐ exempli gratia (for example) 
fs ‐ footslope 
GIS ‐ geographic information systems 
GPS ‐ global positioning system 
GRASS ‐ Geographic Resources Analysis Support System 
HP ‐ hillslope position 
i.e. ‐ id est (that is) 
km ‐ kilometers 
xxi 
 

 

LDA ‐ linear discriminant analysis 
m ‐ meters 
MAUP ‐ modifiable area unit problem 
MLRA ‐ major land resource area 
MWD ‐ moderately well drained 
NED ‐ national elevation dataset 
OSSD ‐ official soil series description 
p. ‐ page 
PD ‐ poorly drained 
PDF ‐ probability density function 
PrcP ‐ profile curvature priority 
ReeP ‐ relative elevation priority 
RMSE ‐ root mean square error 
s.d. ‐ standard deviation 
sh ‐ shoulder 
SlgP ‐ slope gradient priority 
SRTM ‐ Shuttle Radar Topography Mission 
SSURGO ‐ Soil Survey Geographic database 
su ‐ summit 
SPD ‐ somewhat poorly drained 
ts ‐ toeslope 
U.S. ‐ United States 
xxii 
 

 

USDA‐NRCS ‐ United States Department of Agriculture, Natural Resources Conservation Service 
USGS ‐ United States Geological Survey 
U.S.S.R. ‐ Union of Soviet Socialist Republics 
VPD ‐ very poorly drained 
WD ‐ well drained 
 
 
 
 
 

xxiii 
 

 

CHAPTER 1. INTRODUCTION 
 

The soil‐landscape paradigm has been the dominant strategy for mapping soils for more 

than a century. This paradigm is based on the use of environmental correlations and spatial 
associations to predict the arrangement of soils from readily observable landscape features and 
climate data. Using this strategy, the U.S. Soil Survey has mapped practically the entire U.S., and 
with increasing resolution and accuracy as better base maps have become available. As soil 
surveyors have increased the resolution and corresponding analysis scale of soil maps, they 
have shifted to the environmental parameter best suited to predict soil variability at that scale. 
However, at the smallest analysis scales, the resolution of soil maps has been constrained by 
resolution of base maps of topography and land cover, and the technology to analyze these 
data.  
The introduction of aerial photography in the 1930s improved the quality of base maps 
available to soil mappers and geographers to the point that they are now able to delineate 
individual landforms. As a result, soil map detail and quality markedly improved, illustrating 
that, for large cartographic scale soil maps, detailed base maps of topography and land cover 
are a key component of the mapping effort. However, aerial photographs are often not 
sufficient for differentiating the detailed hillslope positions that are necessary for accurate, high 
quality soil mapping efforts. Also, the manual process of interpreting aerial photography is time 
consuming, subjective, and impractical for mapping endeavors of large extents with increased 
resolution. New technologies, such as LiDAR, provide higher resolution base maps that can be 
interpreted objectively, by an automated process, but they lack the contextual information 
traditionally interpreted by soil geographers.  
1 
 

 

In contrast to aerial photography, newly available digital elevation data has sufficient 
resolution to identify details of topography and, potentially, to isolate hillslope positions. 
However, because hillslope position has mainly been used as a conceptual model in the field, 
the process for classifying hillslope position is currently locked within the tacit knowledge of 
field mappers in general, and soil scientists in particular. In order to automate the hillslope 
position component of soil scientists’ mental models, parameters in the soil scientists’ logic 
must be quantified and incorporated into digital soil models. Capturing all aspects of soil 
scientists’ determination of hillslope position is a focus of this dissertation. 
Although digital soil models have the potential to address some of these needs and 
concerns, models calibrated in one landscape often have not performed as well in other 
landscapes. This lack of transferability has been a major obstacle to the widespread use of 
digital soil models. In contrast, the current, mental model approach can be quickly adapted to 
new landscapes. Mental models are generally based on the soil‐landscape paradigm and are 
refined by experience. The transferability of mental models is likely explained, at least in part, 
by the use of contextual parameters that are largely implicit, held within the tacit knowledge of 
the field soil mapper. Hillslope position is a prime example of a contextually based parameter 
used to predict soil cover patterns; soil mappers use their notion of slope position, while in the 
field, as a criterion for differentiating soil bodies. Obtaining this knowledge (of hillslope 
position) from aerial photographs, is possible, and is commonly done by the mappers in the 
office, prior to entering the field. However, better base maps that can more accurately 
delineate hillslope position for the mapper, in a logical, accurate, objective and repeatable 
manner, would go a long way toward increasing the accuracy and consistency of soil maps.  
2 
 

 

In order to incorporate this popular parameter for soil scientists’ mental models into 
digital approaches, both explicit and implicit definitions of hillslope position need to be 
identified. This dissertation attempts to capture the full suite of considerations made by soil 
scientists in assessing the basic terrain metric of hillslope position, to create a digital model that 
is as transferable as the mental models they utilize. Specifically, I attempt to capture this expert 
knowledge by calibrating the analysis scale, classification breaks, and parameter priority of the 
model, directly to soil scientists’ field observations.  
In summary, the purpose of this dissertation is to develop a quantitative model for 
hillslope position. This model can improve soil maps by leveraging the new high resolution 
elevation data (i.e. LiDAR) and digital terrain analysis to characterize topographic attributes 
related to soil development, using concepts proven over decades of soil science and soil 
mapping. The hillslope position classification model can therefore be used under the soil‐
landscape paradigm, as an automated way to conceptualize topography, thereby increasing the 
efficiency, consistency, and resolution of soil maps. In addition to identifying common map unit 
boundaries, this digital model for classifying hillslope positions is useful for studying landscape 
patterns and designing sampling strategies.  
 

 

3 
 

 

CHAPTER 2. SCALE IN THE CONTEXT OF PROGRESS IN SOIL GEOGRAPHY  
 
Abstract 
Over time, the cartographic scale of soil maps has changed, as the geographic 
technology and the reasons for making the maps have evolved. Coincidently, the environmental 
factors deemed most important for the prediction of soil patterns have also changed. 
Advancements in soil science provide some explanation for the shifts in these emphases, but 
favored predictive factors have also corresponded with the cartographic scale used in soil 
maps. Before the implementation of Geographic Information Systems, analysis scale (the level 
of generalization used to measure phenomena) was linked to cartographic scale. Natural 
phenomena simply operate at different scales, making them more identifiable at certain 
analysis scales. This paper examines the phenomena scales for the soil formation factors of 
climate, organisms, relief, and parent material as they affect the spatial variability of soil 
properties. To accomplish this, I review soil maps that have been created during the history of 
soil science to determine how distinct categories of cartographic scale have corresponded to 
the selection of particular environmental predictors. The soil formation factors that soil 
scientists’ found to be the most useful at different cartographic scales provides an empirical 
indication of the phenomenon scale of those respective factors. I find that small cartographic 
scale maps have tended to emphasize climate‐vegetation zones. Medium cartographic scale 
maps have put more emphasis on parent material. And finally, large cartographic scale maps 
have relied more on topography. Recognition of the hierarchy of phenomenon scales is helpful 
for combining soil formation factors into a holistic understanding of soil geography and pattern. 
4 
 

 

Keywords: soil, mapping, formation factors, scale, history 
1. Introduction 
The purpose of this paper is to examine the relationship between soil knowledge and 
the evolution of soil maps. Specifically, I investigate changes in soil knowledge coinciding with 
changes in map scale. In order to analyze this relationship, the nature of soil maps must first be 
examined.  
Soil maps, like all maps, are products of the geographer’s understanding of the 
phenomena, geographic technology, and purpose (Brown, 1979; Thrower, 2007). Reviews on 
the history of soil science have tended to focus on the evolving scientific understanding of soil 
phenomena. This focus has led to the assumption that soil knowledge and soil classification 
systems have co‐evolved over time (Cline, 1949; Simonson, 1962). However, this assumption 
overlooks the interaction between soil classification systems and the maps for which they are 
designed. Shifts in dominant theories may be as much a product of changes in geographic 
technology (i.e. scale) as actual improvement in soil knowledge. 
In order to separate the influences of soil knowledge and geographic technology on soil 
maps, this paper first demonstrates how the scales of soil maps are dependent upon the 
available geographic technology (Figure 2.1). Base maps are prerequisite for the production of 
thematic maps, such as soil maps. Therefore, soil maps have been constrained to the 
cartographic scales of the available base maps. It then follows that the development of 
geographic soil principles should be considered in the context of scale. This paper identifies the 

5 
 

 

scale dependency of soil science concepts that at times in history have been viewed as 
contradictory. 
Soil science made a major advancement in 1883 when Dokuchaev integrated several 
theories of soil formation by describing soil as the product of the interactions between climate, 
parent material, organisms, relief, and time (Dokuchaev, 1967). The identification of these 
factors began a revolution in how soil is conceptualized, studied and mapped (Huggett, 1975; 
Bockheim et al., 2005). However, an interest in emphasizing one factor over the others has 
continued, as reflected in the design of early soil classification systems (e.g. Whitney, 1909; 
Marbut, 1928). These ostensible conflicts in soil science appear less contradictory in the context 
of scale. Soil knowledge is always advancing. However, soil knowledge has also been focused 
through the lens of the cartographic scale being used to view the soil landscape. Therefore, 
progress in soil geographic knowledge will be better understood in the context of scale. 

6 
 

 

 

Figure 2.1. Timeline of important developments in the scientific sphere of soil geography. Soil maps (white) are a product of both the 
scientific understanding of soil (light gray) and the geographic technologies available at the time (dark gray). Although soil geography 
has been valued since early civilizations, actual soil maps could not be produced until the needed geographic technology was 
available.  
 

7 
 

 

1.2. Background on Scale in Soil Geography 
There are multiple types of scale (Montello, 2001). Cartographic scale is the relationship 
between distance on the map and distance on the Earth. In contrast, analysis scale is the areal 
size of the map units, or level of generalization. Natural phenomena commonly display 
geographic structure, which makes a particular phenomenon more detectable at certain 
analysis scales. Therefore, adjusting analysis scale in order to detect phenomenon scale has 
been a tool in geography for identifying process scale. When the primary mode of analyzing 
spatial patterns was paper maps, cartographic and analysis scales were essentially linked. A 
small cartographic scale necessitated larger analysis scales. Use of broad extent maps, with 
small cartographic and large analysis scales, revealed only processes operating at large 
phenomenon scales and vice versa. Because phenomena governing soil development operate 
at different scales, when modelling soil, it is important to select the appropriate parameters for 
the scale of interest (Schoorl and Veldkamp, 2006). Because geographic information systems 
have decoupled cartographic scale from analysis scale, lessons learned in paper maps in terms 
of cartographic scale, should now be applied in terms of analysis scale. 
Patterns observed at one analysis scale are often not observed at other analysis scales. 
This behavior is known as the scale effect component of the modifiable area unit problem 
(MAUP) (Armhein, 1995; Jelinski and Wu, 1996). Therefore, higher levels of generalization can 
in some cases provide more explanation of a spatial variable than levels of higher resolution 
(Moellering and Tobler, 1972). Once scientific understanding reached the point where soil 
mappers became aware of the major factors in soil formation, they were free to choose the 

8 
 

 

environmental predictors that best explain soil variability at the respective cartographic scale. 
Therefore, the emphasis on different environmental predictors at different cartographic scales 
reflects soil geographers’ mental model of phenomenon scale for factors influencing the spatial 
distribution of soils. Although Marbut may not have recognized the scale effect of MAUP per se, 
he described his encounter with this problem in 1928, stating, “When we superpose over a soil 
map, maps of various kinds of climatic forces, and the various kinds of natural vegetation, we 
find certain definite relationships. When, however, we superpose a soil map of mature soils, a 
geological map, we find no relationship between the general broad, predominant 
characteristics of the soils and the characteristics of the geologic formations. In the same way 
when we superpose a topographic map over a map of mature soils we do not find a 
relationship. When, however, we superpose a topographic map or a geological map over a soil 
map on which all soils, both mature and immature, have been mapped, we find a clear 
relationship between both” (Marbut, 1951, p. 19). Marbut’s observations illustrate how 
different analysis scales of soil will show greater correlation with different soil formation 
factors. 
The current U.S. Soil Survey Manual recognizes different phenomena scales for soil 
formation factors by describing the distribution of soils as “the result of climate and living 
organisms acting on parent material, with topography or local relief exerting a modifying 
influence and with time required for soil‐forming processes to act” (Soil Survey Staff, 1993, p. 
8). However, the respective phenomenon scales for these soil formation factors has not been 
formally determined. In order to sort out the conditions driving the use of different 
cartographic scales at different times, in this paper I review the progress of soil maps in the 
9 
 

 

context of: 1) scientific understanding and 2) geographic technology (Figure 2.1).  Then, by 
utilizing Keates’ (1989) principle that the cartographic art of generalization reflects the 
knowledge of the map maker, I attempt to identify the phenomenon scale of the various soil 
forming factors as they have been utilized throughout history. 
th

2. Early Soil Geography (pre‐19  Century) 

Ever since humans began sowing crops, and perhaps before, we have had a vested 
interest in the geography of soil. A mental map of where certain soil characteristics existed was 
likely used in deciding where to live and where to plant crops, as early as Neolithic times. 
Although the information about soils was probably gathered by trial and error, eventually some 
rational patterning emerged. Dating back to 3,000 – 2,000 BCE in central India, archeologists 
have found evidence of farming communities on the fertile black soils formed in the Deccan 
basalt, but not in the area north where these soils are absent (Shchetenko, 1968). In eastern 
Switzerland, land use patterns of settlements, fields, meadows, and pastures can be predicted 
by soil type, for farming systems dating back to 500 BCE (Widgren, 1979). Similarly, 
archeological sites in the U.S. have demonstrated a preference for drier soils for habitation 
(Almy, 1978). 
The origin of many modern science concepts can be traced back to the Greeks of the 
Hellenistic Period. Although they did not utilize experimental methods to build certainty in 
predictions, they were particularly astute at observation. Beginning with Parmenides and 
Eudoxus (540‐470 BCE), the Greeks recognized the connections among similar soils, vegetation, 
and climates in belts on the Earth (Isachenko, 1971; Krupenikov, 1993). The explorative spirit of 
10 
 

 

the Greeks between 800 and 300 BCE, somewhat necessitated by the decline of soil quality in 
Greece (Hillel, 1992), produced several geographical works describing lands of Europe, the 
Middle East, and North Africa. Included in those documentations are general descriptions of 
soils found in those travels.  
2.1. The Importance of Base Maps 
Many of the techniques for making the paper maps we know today began to appear 
after 600 BCE (Eratosthenes, 2010). However, the preferred method for describing soil 
geography remained as written narrative. There are two primary reasons for the lack of interest 
in producing a physical soil map: (1) understanding of soil was very basic and generalized, and 
(2) base maps of any kind at that time were extremely crude. The manual measurement of 
distance across land was relatively reliable. However, because a large amount of the geographic 
data was based on the narrative descriptions of explorers, assembling locations together on a 
two‐dimensional format was not as reliable. For example, Herodotus (484‐425 BCE) was highly 
critical of maps, because of their potential to be misleading. He believed that a map showing 
Persia as far away convinced the Spartans not to assist in the Ionian Revolt. Instead, he felt that 
his table of distances ‐rather than a map‐ provided more accurate information (Eratosthenes, 
2010). The potential for maps to be misleading still exists today (Monmonier, 1996), but the 
primary issue with maps of any kind during this early time was accurately representing the 
position of all features consistently. Due to the difficulty in measuring position on the Earth, 
map scale was very inconsistent within early maps. Even though early maps essentially did not 

11 
 

 

have a cartographic scale, the relationship between extent and necessary generalization 
remains consistent with the modern use of map scale terms. 
For the reasons described above, maps before 1500 CE were either small‐scale, 
theoretical maps about the Earth or large‐scale maps for civil purposes. The small‐scale maps 
were popular with natural philosophers for the purpose of illustrating conceptualizations about 
the known world (e.g. Eratosthenes’ map of the known world, Figure 2.2). Large‐scale maps 
were generally produced for individual cities and for more practical purposes. For example, the 
Romans surveyed grid systems of “centuries” as a base map for city planning and levying of 
taxes (Dilke, 1987). Advances by Ptolemy (ca. 100‐178 CE) in map projections and coordinate 
systems (including the prototype for latitude and longitude), greatly improved the utility of 
maps. However, it would take technological developments, namely the printing press, in the 
Early Modern period (ca. 1500‐1800 CE) to popularize the use of maps per se (Brown, 1979). 
2.2. Classification 
Classifying the natural world was common practice in ancient Greece, especially after 
Aristotle’s (384‐322 BCE) Historia Animalium (Aristotle, 2002). It was a method for organizing 
complicated information and for debating philosophies. Aristotle’s theory of definition set the 
stage for scientific exploration, by constructing classes by differentia and requiring an 
explanatory principle to set the definition (Bayer, 1998). Differentia of classes, therefore, 
require observable differences in characteristics. At different levels of detail, different 
contrasting properties are more or less important.   

12 
 

 

Figure 2.2. Reconstruction of Eratosthenes’s map of the known world, ca. 194 BCE (Bunbury, 1883). This map pre‐dates the use of 
cartographic scale. Outline of continents demonstrates the spatial distortion inherent to maps of the time. Labels are 
inconsequential.

13 
 

 

An enduring example of an ancient Greek classification of the natural world is the 
classification of climates. There is evidence of Pythagoras (ca. 570‐495 BCE) and his disciple 
Parmenides (ca. 540‐480 BCE) conceptualizing the earth as a sphere with five climate zones. 
The central torrid zone was surrounded symmetrically by two temperate zones, which were 
followed by two frigid zones at the caps of the sphere (Harley and Woodward, 1987; Sanderson, 
1999). Building on the work of earlier philosophers, Strabo (ca. 63 BCE – 24 CE) cited many 
examples of the correlation between climate and crops (Harley and Woodward, 1987). 
Ptolemy’s summarization of the cumulative understanding of latitudinal climate zones are 
th

manifested in the reproductions of Ptolemy’s world maps in the 16  century (Figure 2.3). 
Ptolemy extended the observation of climate‐biological relationships by stating, “Reason 
herself asserts that all animals and all plants have a similarity under the same kind of climate” 
(p. 31, Ptolemy, 1932).

14 
 

 

Figure 2.3. Ptolemy’s world map with latitudinal climate zones, reproduced by J. Pentius de Leucho (Leucho, 1511). The climate 
zones are labeled on the western side of the map. “Clima I” is comprised of the two latitude zones north and two zones south of the 
equator. Each subsequent latitude zone shown, proceeding north, is label sequentially with a different “Clima” number. All other 
labels are inconsequential. This map pre‐dates the use of cartographic scale.

15 
 

 

2.3. Understanding of Soil 
Limitations in the production, or even the conception of soil maps, were not only 
constrained by geographic technology, but also by the understanding of soil. Human 
understanding of soil has slowly improved since the time of the ancients, with only a few 
revolutionary shifts in perspective. Despite the disadvantage of not having a map, Herodotus 
(485‐425 BCE) understood that the transport of silt from Ethiopia renewed the productivity of 
the Nile River floodplain (Strabo, 1917). He also described soils by texture and color. Egyptian 
soils were described as black, in contrast to the red soils of Libya. In Libya, Herodotus 
differentiated clayey from somewhat stony soils (Krupenikov, 1993). Heavily influenced by 
Herodotus, Theophrastus (371‐287 BCE) also recognized the uniqueness of soil by location 
(Theophrastus, 1916).  He distinguished soil characteristics of light through fatty, as well as 
limitations of saline soils. Theophrastus observed that different soils react differently to 
variations of weather and that different crops were better suited for different soils. Extending 
the soil geography of Theophrastus to predictive indicators, Marcus Cato (234‐149 BCE) recalled 
a point made by Diophanes of Bithynia that, “you can judge whether land is fit for cultivation or 
not, either from the soil itself or from the vegetation growing on it” (p. 205, Cato, 1934). Strabo 
(ca. 64 BCE – 24 CE), summarized the work of Greek and Roman natural philosophers in his 17‐
volume Geographica. Included in the text are characterizations of the soils for each of the 
countries described and the additional description of volcanic soils (Krupenikov, 1993).  
Strabo is the last known natural philosopher to give attention to soil geography before 
the Early Modern period. Even though the knowledge of natural philosophers was not widely 

16 
 

 

disseminated, academics at the time were nonetheless aware of the spatial variability of soil 
and its impacts on crops. For the next millennium and half, the primary theory on spatial soil 
variation remained an emphasis on soil texture with additional indicators from soil color and 
vegetation at both field and national scales. 
3. Emergence of Soil Maps 
3.1. Early Maps with Soil Attributes 
The earliest known spatial representations, i.e., “mapping,” of soil properties were tied 
to the assessment of land valuation at the scale of parcels or fields. In general, the valuation of 
land ‐from which the levying of taxes was based‐ was assessed by an index of soil productivity. 
Therefore this soil attribute was associated with documents of land ownership. Although not a 
soil map per se, the linking of soil data with the spatial information of property boundaries was 
an advancement toward the creation of a real soil map. Cadastral recordings of soil quality 
th

were fairly common in the feudal system of Western Europe for levying taxes. From the 6  to 
th

the 15  century, cadastrals in the Arabian Caliphates used soil productivity as a factor (with 
crop type) to levy taxes (Krupenikov, 1993). In China, the practice of classifying soils by 
productivity actually extends back to the second century BCE, when Count Hui ordered land to 
be divided by location and soil productivity (i.e. good, medium, poor) (Bichurin, 1841). Then 
between approximately 0 and 600 CE, 12 categories of soils were determined on the basis of 
suitability for growing different crops. From approximately 300 to 1951 CE, China compiled data 

17 
 

 

on land quality by crop fields, as well as with other physiographic properties, into special 
geographic descriptions called difanchzhi (Lee, 1921; Zaichikov, 1955).  
Throughout this period, cadastral descriptions of soil geography increased in 
th

th

sophistication. By the 17  and 18  century, Swedish cadastral maps contained sufficient 
information for modern researchers to evaluate land‐cover changes, after processing for 
geometric irregularities (Cousins, 2001). How cadastral maps were improved by reducing 
subjectivity is illustrated by the cadastral records maintained by Russia during this time, called 
Pistsovykh knigi. The Pistsovykh knigi surveys are believed to have been modeled after English 
cadastrals, but instead of being visually assessed, they had standards of assessment decreed 
from the central government in Moscow (Krupenikov, 1993). The Russian cadastral survey 
specified assessment every 80 sajenes (170.7 m) by 30 sajenes (64.0 m) for all land that was in 
estates or otherwise inhabited. Soils were classified as generous, medium, lean, or very lean. 
Subjectivity was reduced by a system of review and periodic checks against crop yields. After 
approximately 200 years of iteration, the resulting records were relatively refined works of soil 
geography (Sobolev, 1943). This cadastral survey is also remarkable for the government’s 
willingness to fund the endeavor, which was expensive for the time (Merzon, 1956). 
Although cadastral maps advanced the collection of soil geographic data, they lacked a 
fundamental theory of prediction and were generally constrained to units of land ownership. It 
is likely that land assessors had some type of mental model for interpreting the fields they 
viewed, but like the ancients, lacked a systematic approach to testing those relationships. 
Modern soil maps differ in that models of prediction are based on extensively tested 
18 
 

 

observations and a shared understanding of soil systems, not on the limited experience of 
individual mappers. Also, modern soil maps are no longer bound to property boundaries as 
base maps. The development of topographic maps would be a key advancement towards the 
goal of creating soil maps based on process related parameters. 
3.2. Base Maps 
3.2.1. Determining Location Accurately 
Before thematic maps (e.g. geology and soil maps) would be considered viable 
endeavors, reliable base maps of the landscape needed to be made available. Among the key 
ingredients for producing a reliable base map was the accurate determination of position. The 
principles for determining position were mostly worked out by the ancients, but it would take 
th

inventions of the 17  century to produce instruments accurate enough to determine position 
within a few meters. The development of the needed technology was hastened by the Age of 
th

Exploration, which began in the 15  century (Brown, 1979). At that time, the calculation of 
latitude only needed the angular measurement of a celestial body at its maximum height in the 
sky and the assistance of mathematical tables based on previous observations. However, until 
devices measuring fractions of seconds were available, the measurement of the angle 
commonly had an error range of a couple of degrees (equivalent to approximately 100 km per 
degree, in the mid‐latitudes). Important innovations for increasing both the accuracy and 
precision of measuring celestial angles were filar micrometers and the replacement of alidades 
with telescopes fitted with cross‐hairs. After the invention of accurate devices for measuring 

19 
 

 

angles, the determination of longitude on land only required the establishment of a celestial 
clock (Brown, 1979). By 1676, sufficient data had been collected on the eclipses of Jupiter’s 
satellites to be used as a consistent timepiece anywhere in the world. 
3.2.2. Surveying 
The production of base maps from the improved methods of location determination in 
th

the 17  century required the patronage of national governments. With an interest in 
improving infrastructure, which would in turn increase trade and tax revenue, in 1668 France 
became the first to sponsor a systematic survey of its lands (Brown, 1979). Without a good, 
natural map of the country, little information was known on where new canals, roads, and 
other infrastructure should be built. After establishing a series of points in a line using 
astronomic observations, detailed topographic surveying could be done, extending out from 
the established meridian line. Because of the time it took to produce such an accurate survey, 
the project focused on surveying France’s border first. In 1739, seventy years after the meridian 
line was established, the first survey of France’s border was completed. The topographic survey 
of France continued, requiring the investment of private investors and local governments 
through time of war. After four generations of the Cassini family had worked on this project, 
the first general topographic map of France was completed in 1815 (Cartography Associates, 
2013) (Figure 2.4). After observing the experiences of France, other countries began initiating 
their own topographic surveys. By 1730, topographic surveys were underway in Bohemia, 
Moravia, Silesia, Lombardy, Transylvania, Austria, Hungary, and Germany (Brown, 1979). 
However, a systematic topographic survey of the U.S. did not start until much later (Wheeler, 
20 
 

 

1885). Because of the late start in producing accurate topographic surveys of the United States, 
when the United States Soil Survey would initiate relatively detailed soil mapping a decade 
later, it would have to do so without the benefit of a topographic base map for many areas 
(Lapham, 1949). 
th

A dichotomy of small and large scale maps became more evident in the 19  century. By 
1810, French geographic engineers were creating detailed contour maps with intervals as small 
as 2 meters (Robinson, 1971). At the same time, the popular curiosity about the world as a 
whole drove the creation of maps of large extents (Brown, 1979). The interest and use of small‐
th

scale maps in the 19  century is illustrated by the large quantity of atlases produced during this 
time. For example, Heinrich Berghaus produced the popular Physikalischer Atlas from 1837 to 
1892, which contained small‐scale maps of geology, hydrography, meteorology (climatology), 
magnetic fields, phytogeography, zoogeography, and ethnography (Brown, 1979).  

21 
 

 

Figure 2.4. Section of the first systematically surveyed, topographic map of France, published between 1756 and 1815. Although this 
map was a milestone for accurate positioning of features, note the lack of elevation information. Cartographic scale was 1:86,400. 
(National Library of France, 2013)
22 
 

 

3.2.3. Thematic Maps 
th

th

During the Age of Exploration (ca. 15  to 17  century), atlases grew from being a 
collection of base maps from around the world to also including thematic maps of those places. 
th

In 1890, Titov summarized the work of several mid to late 17  century Russian geographers, 
describing the regularities in the distribution of climate, vegetation, and soils (Krupenikov, 
1993). Also in typical atlas style of the time, the French Constantin‐François Volney (1757‐
1820), published View of the Soils and Climatic Pictures of the United States of America in 1804. 
This early physiographic description and map of North America compared Canada with Siberia 
and the prairies with the Russian steppes (Volney, 1804). 
Because of the special equipment and time consuming work of determining accurate 
locations on the Earth’s surface, from their inception, thematic maps (such as geology and soil 
th

maps) have generally relied on base maps. Before the 19  century, the hand coloring of 
illustrations and maps produced by a printing press were specialized professions. In fact, by the 
1600s, coloring maps was a fashionable activity for the recreational studying of geography 
(Brown, 1979). With the new developments in positional accuracy, civil and natural maps 
became useful base maps on which to add thematic information. When agrogeologists met the 
newly available, accurate, topographic maps, a new synergy was found. William Smith’s 1815 
geology and soil map of England was built on printings of John Cary’s 1812 topographic map 
(Figure 2.5). The geological attributes were added by hand, using water colors (University of 
New Hampshire, 2013). Stanisław Staszic’s 1815 geology map of Eastern Europe used the same 

23 
 

 

approach, coloring topographic maps that were reproduced from earlier cartographers (Grigelis 
et al., 2011). 
The reliance of thematic maps on base maps focused the production of thematic maps 
at the cartographic scale of the available base maps. The primary sponsors of base map 
production were national governments interested in outlining the borders of their realm first 
(Brown, 1979). Therefore, the first available, accurate, base maps were at the cartographic 
scale best suited for fitting the area of a country on the largest piece of paper available. In order 
to add detail to the maps, the cartographic scale needed to be increased, which required 
drawing the maps by adjoining sections of paper (e.g. Figure 2.5). These physical limitations 
th

th

essentially set the cartographic scale for maps in the 18  and 19  centuries. The spirit of the 
Age of Exploration had the desire to cover more area and include more information in the maps 
produced. The resulting cartographic scale of the maps was a compromise between that desire 
and the limitations of the cartographic medium.  

24 
 

 

a) 

 
Figure 2.5. The first geological map of Britain, produced by water coloring a pre‐existing 
topographic map. Published by William Smith in 1815 (Library Foundation, Buffalo and Erie 
County Public Library, 2013). The title claims that by mapping the geologic strata, the varieties 
of soil are also shown (a). The cartographic scale of the original map (b) was approximately 
1:316,000. For interpretation of the references to color in this and all other figures, the reader 
is referred to the electronic version of this dissertation. 
25 
 

 

Figure 2.5 (cont’d) 
b) 

 
26 
 

 

4. Small Cartographic Scale Maps (< 1:1 million) 
4.1. Base Maps 
Early maps were so speculative that a basic outline of land masses was generally 
sufficient. However, during ancient times, even the configuration of the continents was highly 
theoretical. The scientific basis of continent outlines steadily improved during the Early Modern 
th

th

period (ca. 16  to 19  centuries). In 1554, Gerardus Mercator (1512‐1594) improved 
Ptolemy’s estimation of the Mediterranean Sea’s length from 62° to 53° longitude, which was 
corrected to 41° longitude by Guillaume Delisle (1675‐1726) in 1700 (Brown, 1979). The 
technology to geographically plot observations and examine generalized spatial patterns was 
th

available by the beginning of the 18  century. Although the same technology was needed to 
produce accurate large‐scale maps, it would take much longer to map large areas of extent at 
that level of detail. For this reason, thematic maps used for scientific study tended to use small 
th

cartographic scales through the 19  century. 

4.2. Purpose and Strategies of Soil Mapping 
Alexander von Humboldt (1769‐1859), considered to be one of the founders of 
geography (Hartshorne, 1958), popularized thematic maps of the world. He chose to use small 
cartographic scales and the corresponding generalization of details to identify the broad laws 
relating to the spatial distribution of climate (Robinson and Wallis, 1967). He first introduced 
isothermal lines when he read his essay on the distribution of heat over the globe before the 
27 
 

 

Académie Royale des Sciences in 1817. Humboldt based his isotherms on quantitative 
observations of temperature in the Americas and purposefully ignored small, local differences 
(Figure 2.6). He then examined the geographic trends of climate and vegetative forms to 
delineate climate‐vegetation zones (Brown, 2006). Wladimir Köppen (1846‐1940) later defined 
climate classifications by extending the work of Humboldt on climate‐vegetation relationships 
(Köppen, 1884).  
It is in this context that Vasily Dokuchaev (1846‐1903) published his landmark work on 
the chernozem (Kovda and Dobrovolsky, 1974). Being a geologist by training, Dokuchaev had 
initially focused on geologic properties to explain the origin and distribution of the chernozem 
soil. When that approach proved unfruitful, he turned to humus data that had also been 
collected (Krupenikov, 1993). It is useful to note that the humus data collected was at sites 
deemed typical for the area. Selectively sampling ‘typical’ sites follows in the logic of Humboldt 
for ignoring local variation for the purpose of finding the processes operating across broad 
extents. Dokuchaev categorized his humus data points cartographically to derive “isohumus 
belts” (Figure 2.7). In this map, he observed a clear geographic pattern, with the highest humus 
content of the soils in a central southwest to northeast belt, with successive belts of less humus 
content to the north and south (Brown, 2006). 

28 
 

 

 
Figure 2.6. Isotherm map of the world, based on the work of Humboldt. Lines dividing colors have similar temperatures and are 
breaks between climate zones. Labels are inconsequential. Cartographic scale not provided. (Woodbridge, 1823)
29 
 

 

 
Figure 2.7. Isohumus belts identified by Dokuchaev based on quantitative point observations. Darker shading indicates higher 
content of soil humus. Labels are inconsequential. Cartographic scale was 1:4.2 million. (Dokuchaev, 1967)
30 
 

 

Dokuchaev later developed a soil classification system based on his experiences that 
zones of chernozem corresponded to belts of climate. Continuing from the observations of the 
ancients, describing climate and vegetation zones was still in vogue. With an interest in creating 
explanatory generalizations, classifying soils in a similar fashion as the Köppen‐Geiger climate 
classification was a logical strategy. In that spirit, Dokuchaev divided soils by normal, 
transitional, and abnormal (Krupenikov, 1993). Then the classification system subdivided soils 
by “mode of origin,” ranging from vegetative‐normal to transported. Vegetative‐normal was 
split according to climate zones and humus content. The first level of the classification system 
was a mechanism for dealing with scale. Normal soils were comprised of the predominant soil 
in a zone. Abnormal soils were the exceptions to the generalization.  
Several versions of zonal soil classification systems have been used since Dokuchaev, 
each adapting to local conditions and experimenting with appropriate subdivisions (Krupenikov, 
1993). However, all zonal classification systems focus on climate‐vegetation relationships, and 
then use the classification of intrazonal and azonal soils to accommodate the exceptions to the 
broad soil regions (Baldwin et al., 1938; Duchaufour, 1982). Zonal classification systems identify 
the corresponding pattern of climate‐vegetation zones as the optimal predictor for the general 
character of soils at large analysis scales. However, recognizing that local hydrologic and 
geologic phenomena can result in exceptions to the zonal generalization, intrazonal soils are 
the inclusions that generally cannot be drawn on a small cartographic scale map. Similarly, the 
exceptions of where the climate and vegetation processes have not had time to alter the parent 
material are also allowed as exceptions to the generalization, i.e., azonal soils. 

31 
 

 

Utilizing the concepts of zonal soil classification, geographers began regularly producing soil 
maps of countries and continents based on climate‐vegetation zones. One of the early adopters 
was Curtis Fletcher Marbut (1863‐1935), a student of the famous Harvard physical geographer 
William Morris Davis (1850‐1934) (Davis, 1909; Holmes, 1955; Friend, 2000). While head of the 
U.S. Soil Survey, but before becoming chief of the Bureau of Soils (Helms, 2002), Marbut 
produced a generalized soil map of Africa (Figure 2.8), based on soil samples collected by 
botanist G.L. Shantz. The map used 16 classes of zonal soils at a 1:10 million scale (Shantz and 
Marbut, 1923). In 1928, Marbut presented a soil classification system to the U.S. Congress, 
which included zonal soils. Marbut focused his classification system on what he considered to 
be mature or normal soils. Classification of soils with imperfectly developed profiles or were 
deemed abnormal due to topography were weakly defined. In other words, undeveloped or 
abnormal soils were treated as the exceptions to the more important generalized trends of the 
normal soils. Even though Marbut used soil series as examples of different normal soils, the 
undefined immature and abnormal soils left the generalized classification system disconnected 
from the classification used for detailed soil maps (Baldwin et al., 1938).  
 

32 
 

 

Figure 2.8. Soil map of Africa based on zonal classification system. Note the pattern similarity 
between the soil map and the inset rainfall map. Labels are inconsequential. Cartographic scale 
was 1:10 million. (Shantz and Marbut, 1923). 
 
 
 
33 
 

 

The first two International Congresses of Soil Science (1927 and 1930) facilitated the 
widespread use of the bioclimatic‐soil relationship for creating small cartographic scale soil 
maps. In the years following these meetings, many countries established soil surveying agencies 
and began mapping soils at small cartographic scales, in the Dokuchaevan zonal style. Among 
those, J. Prescott produced a map of Australia (1933). In 1936, the Russian V. Agafonoff 
published a soil map of France at a 1:2.5 million scale (Legros, 2006). At China’s invitation, the 
American J. Thorp with a team of young Chinese pedologists mapped the soil zones of China at 
1:7.5 million scale (Thorp, 1936; Gong et al., 2010). In 1937, a soil map of Europe was produced 
at a scale of 1:2.5 million (Stremme, 1997). The Great Soviet World Atlas is noteworthy from 
this time period because of the combination of maps presented (Gorkin and Schmidt, 1938). In 
addition to a 1:50 million soil map of the world, the atlas also included geologic, climate, and 
botanical maps at the same scale, for comparison. This atlas also contained a hierarchy of soil 
map scales. For the U.S.S.R., the increasing cartographic scales went from 1:15 million with 27 
map units to 1:7.5 million with 31 map units.  
th

The early 20  century explosion in the production of small cartographic scale soil maps 
was an extension of the Age of Exploration. Of course an underlying motivator was the 
discovery and planned exploitation of natural resources. However, this was also mixed with the 
Humboldtian tradition of scientific interest in identifying generalized laws that enhanced 
understanding of our world. Small cartographic scale maps using the zonal soil classifications 
satisfied the purpose for both of these motivations. 
 

 
34 

 

 

5. Medium Cartographic Scale Maps (1:1 million to 1:25,000) 
5.1 Base Maps 
Early soil mapping in the agrogeology tradition (emphasis on parent material) was 
generally interested in producing more detailed maps than the deductive approach of small‐
scale maps. Although interested in producing maps specific enough to provide guidance for 
crop selection (Whitney, 1900; Whitney, 1909), the coarse resolution of available base maps 
prevented early detailed soil maps from using large cartographic scales (Simonson, 1952). 
When the U.S. Soil Survey began in 1899, it had very little to work with in terms of base maps. 
The U.S. Geological Survey had produced topographic maps for only a small portion of the 
United States, generally focusing on areas of interest for mineral mining, irrigation, and land 
reclamation (Brown, 1979). The typical kit for U.S. soil surveyors included a six foot soil auger 
with extensions, a shovel, a compass, protractor and scale, and “a copy of the usually 
inadequate county or other available base map” (Lapham, 1949, p. 12). Soil boundaries were 
determined by frequent borings. When a topographic map wasn’t available, soil boundaries 
would be sketched on a blank plat book. The plat books were generally based on the General 
Land Office surveys, which commonly had many errors (Lapham, 1949). 
5.2. Purpose and Strategies for Soil Mapping 
In contrast to making geographic generalizations across a large territory, at the turn of 
th

the 20  century, countries like the United States and Britain focused on mapping soils for 
smaller areas. Sir Edward Russell (1872‐1965) and Sir A.D. Hall (1864‐1942) acknowledged the 

35 
 

 

Russian climatic approach for describing soil variability at the continental scale by citing N. 
Tulaikoff’s 1909 paper. However, they considered the climate of England to be relatively 
uniform and believed the long cropping history had obliterated native vegetation influences 
(Krupenikov, 1993). At the scale of the soil map they were creating, “it was a matter of 
experience that within the district there was a general correlation between soils and geological 
outcrop” (Hall and Russell, 1912, p. 186). Recognizing that generalizations were still needed, 
Hall and Russell avoided sampling exceptions to general trends such as steep slopes, hallows, 
and stream beds. Also, they noted that their map should be interpreted “in the light of local 
conditions, such as climate, water supply, and drainage” (Hall and Russell, 1912, p. 185). 
In the U.S., the earliest effort recorded to map soil was in 1820, when the agricultural 
society of Albany County, New York, sponsored a geological survey (Coffey, 1911).  The 
classification system in the resulting map divided the soil by transported (alluvion) and 
untransported (geest) soil. The untransported soil was then subdivided into five categories 
based on texture and relative landscape position. In 1882, T.C. Chamberlain produced the first 
map in the United States with ‘soil’ explicitly in the title. Chamberlain’s General Map of the Soils 
of Wisconsin shows a strong influence from geology (Figure 2.9), with landscape cross‐sections 
and eight soil classes, predominately based on texture (Tandarich, 2001; Hartemink et al., 
2012). Although cartographic scales were not provided for these maps, they covered smaller 
extents than the small cartographic scale soil maps of the time. 
 

36 
 

 

Figure 2.9. General soil map of Wisconsin produced in the agrogeology style by Chamberlain. 
Shades of brown indicate different soil textures, the pattern of which can be compared to 
modern soil region maps (Figure 2.11). Map text is inconsequential. Cartographic scale not 
provided. (Chamberlain, 1882) 

37 
 

 

During M. Whitney’s tenure as chief, the U.S. Bureau of Soils conducted extensive 
surveys at a cartographic scale of approximately 1:60,000 (Figure 2.10). These maps were in the 
agrogeology style of classifying soils by parent material, using data on soil physics and chemistry 
(Kellogg, 1974; Brevik, 2002). Whitney implemented a system of grouping soils of similar 
geologic material, but with different textures, into soil series. The series concept was modeled 
after geologists’ use of the term for grouping a succession of beds in a sedimentary deposit 
with varying textures (Simonson, 1997). Today, the early concept of soil series is more 
analogous to soil associations in the U.S. Soil Survey. Statewide maps of soil associations, or 
more generalized soil regions, resemble updated versions of early agrogeology soil maps, and 
are popular educational tools for surface geology (Figure 2.11 and 2.12). The earlier soil map of 
Wisconsin (Figure 2.9) primarily differs from the modern soil regions map of Wisconsin due to 
more accurate spatial information. Both Wisconsin maps display similar patterns related to the 
spatial distribution of geologic/parent materials. 
th

In the late 19  century, several countries began to increase the cartographic scale of 
their soil maps. Most of these efforts used medium cartographic scales and agrogeology style 
classifications (Krupenikov, 1993). For example, between 1870 and 1890, maps of parts of 
Prussia were produced at scales up to 1:25,000. In these Prussian soil maps, “diluvium” 
(moraine soils) were divided into 14 categories and alluvial soils into 32 geologic formations 
(e.g. valley alluvial sand). The map units indicated color, texture, structure, and physical 
condition.  

38 
 

 

Figure 2.10. Soil map of Tama County, Iowa produced at a cartographic scale of 1:63,360 (Ely et 
al., 1904). Only five map units are delineated, which primarily differ in parent material. 
Variation of soils due to climate or relief is not included. Map text is inconsequential.

39 
 

 

 
Figure 2.11. Soil regions of Wisconsin map published by the Wisconsin Geological and Natural History Survey. Cartographic scale was 
1:710,000 (Madison and Gundlach, 1993). The spatial patterns in this map are very similar to the patterns in the earlier, agrogeology 
style soil map of Wisconsin. The two maps primarily differ due to more accurate spatial information being available for the modern 
soil map. 
40 
 

 

 
Figure 2.12. Soil associations of Iowa map published by the Iowa Agriculture and Home Economics Station. Cartographic scale was 
1:506,880 (National Cooperative Soil Survey, 1978). This state soil map has a level of detail similar to the contemporary soil map of 
Wisconsin (Figure 2.11). The legend of this map is too large to be included in this dissertation format. However, both the Iowa Soil 
Association Map and the Soil Regions of Wisconsin map primarily represent the spatial distribution of geologic/parent materials. 
41 
 

 

Nonetheless, schools of soil science that had begun at smaller cartographic scales did 
not remain static. After the establishment of climate‐vegetation based, small‐scale soil maps, 
Russian soil scientists began to experiment with using other factors for differentiating soil 
groups for higher resolution soil maps. For example, L. Prasolov subdivided previous soil zones 
of European Russia into 35 regions based on the criteria of parent material and landscape relief 
(1922).  
5.3. Overlap in Phenomena Scales 
The choice of emphasizing parent material or climate‐vegetation relationships has been 
a contentious debate over the history of soil science (Cline, 1977; Krupenikov, 1993). For the 
most part, the two perspectives correspond to respective cartographic scale, which was also a 
function of map purpose. However, the divide between maps emphasizing parent material and 
those emphasizing climate‐vegetation relationships is blurry. Although soil maps at medium 
cartographic scales have mostly focused on parent material, vegetation influences are 
sometimes included. For example, in the recent 1:710,000 scale, Soil Regions of Wisconsin map, 
a few map units are subdivided between forest and prairie vegetation (Figure 2.11). This map is 
at the smaller end of the medium cartographic scale map spectrum, covering an area large 
enough for part of the geographic structure of the bioclimatic phenomenon to be observed. 
 

 

42 
 

 

6. Large Cartographic Scale Maps (1:25,000 and larger) 
6.1. Base Maps 
The ability to locate features accurately and with greater detail in soil surveys was 
markedly enhanced by the use of aerial photography. Many advances during World War I 
improved the utility of aerial photographs for map making (Smith, 1985). Soon thereafter, the 
U.S. Geological Survey began using aerial photography for making topographic maps (Davey, 
1935). Aerial photography for soil survey work was proposed as early as 1923 (Cobb, 1923), but 
the Bureau of Chemistry and Soils showed little interest in taking on the expense. Thomas 
Bushnell (1899‐1976) compared soil mapping with and without aerial photography, and made 
three main points on the advantages of using aerial photography: 1) improved consistency, 2) 
reduced cartographic demands for the determination of location, and 3) improved accuracy, in 
a manner that could be reviewed. Despite the clear advantages to using aerial photography, 
Bushnell understood why aerial photography for soil surveying would not be officially adopted 
for quite some time. The foremost of those reasons was the inertia in current procedures for 
soil mapping. Bushnell also noted that the contemporary American Association of Soil 
Surveyors was more about soil science than survey science. He was not critical of pedon‐based 
research, but prophetically commented that the association would be more aptly named the 
Soil Science Society. Regarding the focus of the American Association of Soil Surveyors, Bushnell 
observed that “Soil Survey – apparently intended to imply a 50‐50 balance between the Soil and 
the Survey – It is about like Mutt’s rabbit hash – 50‐50 mixture of rabbit and horse – 1 horse 

43 
 

 

and 1 rabbit. In our association the soil study has grown to the size of a ton horse and the 
survey has shrunken to the size of a small cottontail” (Bushnell, 1929, p. 23). 
The use of aerial photography in soil survey operations in the United States was 
gradually adopted as commercial aerial photography (Bushnell, 1932) or state level aerial 
photographs became more widely available. Michigan was the first to report use of a mirror 
stereoscope in soil mapping, allowing for soil boundary determinations over areas that were 
thick in vegetation or otherwise difficult to traverse (Millar, 1932). In 1951, standards for 
interpreting aerial photographs were added to the U.S. Soil Survey Manual (Soil Survey Staff, 
th

1951). By the end of the 20  century it would be common practice for the U.S. Soil Survey to 
use aerial photographs taken with a 153 millimeter lens, resulting in a 23 centimeter square 
image with a scale between 1:38,000 and 1:80,000 (Soil Survey Staff, 1993). 
Aerial photography improved the U.S. Soil Survey products by facilitating greater detail 
and accuracy in the maps produced. However, some have criticized the U.S. Soil Survey for not 
increasing the efficiency of soil mapping by continuing to require extensive ground observations 
and field sampling of every delineation (e.g. Brown, 2006). On the other hand, Pomerening and 
Cline (1953) compared aerial photo interpretation with field mapping. They found that soil 
series were mapped correctly 84% of the time for field mapping, but only 66% of the time for 
aerial photo interpretation without field reconnaissance. A similar pattern continued for 
individual soil attributes such as drainage class, parent material, and land use capability. 
Even though aerial photography had greatly increased the level of detail that could be 
practically included in a soil map, there were still limits. Richard Arnold (1929‐ ) (2006) 
44 
 

 

summarized the practical limits of minimum delineation size on paper maps as being relative to 
the legibility of identifying symbols and colors, as well as levels of spatial accuracy. For example, 
errors of location and internal composition increase as delineation size decreases. Therefore, 
the decision of cartographic scale depends on the purpose, degree of boundary precision, and 
the maximum amount of acceptable error. In the U.S. Soil Survey program, those limits are 
expressed by definitions of map orders (Schoeneberger at al., 2012).  
Today, geographic information systems have eliminated the issue of legibility limiting 
the minimum delineation size, but it has not eliminated issues of spatial accuracy. Remote 
th

sensing and geographic information systems, beginning in the latter half of the 20  century 
and continuing today, are revolutionizing how geographic information is displayed and 
improving the quality of base maps. These new opportunities challenge our understanding of 
the soil landscape and how to best represent that knowledge on new soil maps. 
6.2. Purpose and Strategies 
Almost immediately after Dokuchaev published his small cartographic scale map of 
chernozems, Russian soil scientists began producing larger scale maps in select locations, to 
improve land assessment and address local agricultural problems (Krupenikov, 1993). Nikolai 
Sibirtsev (1860‐1900), a student of Dokuchaev, conducted detailed soil surveys and discovered 
the need to subdivide landscape components at finer scales. For these more detailed surveys, 
he began to use topographic features for drawing soil boundaries (Sibirtsev, 1966). Since that 
time, Russian scientists have continued to study the spatial patterns of soil with respect to 
elements of relief, culminating in the concept of elementary soil areals, forming a soil mantle 
45 
 

 

structure (Fridland, 1974). V.M. Fridland observed that the repeating, geographic structure of 
elementary soil areals is only seen by the creation of detailed, large cartographic scale maps. 
Soil geographers in the U.S. had a similar experience to the Russians as they created 
maps with increasing detail. Even before aerial photography was widely available, U.S. soil 
surveyors worked to increase the level of detail in soil maps to provide support for land use and 
management. As early as 1902, U.S. soil scientists began observing topography related soil 
patterns within parent material based map units (Marean, 1902; Bushnell, 1943). Simonson 
(1952) illustrated the progress of increasing soil map detail, using Tama County, Iowa as an 
2

example. Between 1904 and 1938, the number of map units for the 1,800 km  county increased 
2

from five to fifty. In 1904, a soil surveyor could map 13 km /day. By the 1950s, a soil surveyor 
2

would only map between one to three km /day. With the more detailed soil maps, the rate of 
mapping depended on the complexity of the soil pattern and readily observable features in the 
aerial photograph (i.e. topography). The description of relief in the first U.S. Soil Survey Manual 
(Kellogg, 1937) illustrates the detail limitation for the cartographic scale of soil maps being 
produced at the time. Relief was categorized as normal, flat upland, hilly, and flat lowland. 
Because the U.S. Soil Survey was beginning to map delineations small enough to capture 
components of landforms, a very brief note is included on length of slopes and curvature 
modifying soils. As soon as the level of soil map detail began to increase in 1904, U.S. soil 
geographers began having problems with emphasizing parent material for explaining the spatial 
variability of soils (Simonson, 1991). Encountering these problems instigated a reevaluation of 
soil science concepts. 
46 
 

 

A landmark in recognizing topographic differentia in soil mapping was the establishment 
of the term “catena.” The term was introduced by Geoffrey Milne (1898‐1942), who 
implemented the concept while assigned the task of constructing two soil maps of East Africa, 
each for separate purposes: 1) a detailed (large cartographic scale) map for agricultural 
management, and 2) a regional (small cartographic scale) map for inclusion in a world soil map. 
To aid in the production of the large cartographic scale map, Milne observed repeating patterns 
of soils on similar hillslope positions. Seeing the general benefits to utilizing topographic soil 
cover patterns, Milne defined the concept of a catena as “a unit of mapping convenience…, a 
grouping of soils which while they fall wide apart in a natural system of classification on account 
of fundamental and morphological differences, are yet linked in their occurrence by conditions 
of topography and are repeated in the same relationship to each other wherever the same 
conditions are met with” (Milne, 1935a, p. 197). Milne’s original proposal of a catena was for 
mapping soil complexes with repeating internal patterns. The limitation of mapping soil 
complexes, instead of individual soils within the pattern, was probably due to the limitation in 
base maps of sufficient quality. When Milne learned of soil geographers in the U.S. mapping the 
component soils of a repeating pattern based on the catena concept, he thought it an 
appropriate extension of his original proposal (Bushnell, 1943). 
Early in the development of large‐scale soil maps, soil scientists focused their attention 
on the study of pedogenic processes controlled by topography. The processes identified by 
Milne were erosion‐deposition (Milne, 1936) and corresponding changes in parent material 
(Milne, 1935b). In Canada, John Ellis (1890‐1973) then described the influence of topography on 
hydrologic flow pathways, resulting in differences in drainage and corresponding soil properties 
47 
 

 

(Ellis, 1938). These early studies on topographic relationships to pedogenesis and resulting soil 
properties have been expanded upon by many researchers (e.g. Ruhe and Walker, 1968; Walker 
and Ruhe, 1968; Kleiss, 1970; Furley, 1971; Malo et al., 1974; Hall, 1983; Gregorich and 
Anderson, 1985; Donald et al., 1993; Stolt et al., 1993).  
Taking advantage of improving aerial photographs as base maps, some countries have 
been producing maps at larger cartographic scales. Utilizing topographic‐soil relationships 
identifiable in aerial photographs, the U.S. Soil Survey has mapped the majority of its territory 
at cartographic scales between 1:12,000 to 1:24,000 (Figure 2.13) (Soil Survey Staff, 2013). Few 
countries have mapped soils at this level of detail, with field verification, for such large extents. 
With the exception of several countries in southeastern Europe, most European countries have 
only mapped select areas with particular land use management needs at large cartographic 
scales (Bullock et al., 2005). Countries that have mapped soil at scales greater than 1:65,000 
have done so with soil series being the lowest order of classification. That concept of soil series, 
like the U.S. concept, has evolved from grouping soils with similar parent materials to 
subdividing by differences in profile characteristics caused by relief or other external features 
(Hollis and Avery, 1997).  

48 
 

 

 
Figure 2.13. Section of Hamilton County, Iowa soil map, constructed at the commonly used cartographic scale of 1:15,840 
(Dideriksen, 1986). Note that although topographic features are being delineated, topographic sequences are not distinguishable in 
the aerial photograph base map. Map unit labels are inconsequential.
49 
 

 

6.3. Local Modification of Larger Scale Phenomenon 
Larger scale phenomenon, such as climate‐vegetation zones and physiographic regions, 
are obviously modified locally by topography. Topography modifies local climate and vegetation 
communities by directing hydrologic flow (Ellis, 1938) and controlling the amount of insolation 
received (Hunckler and Schaetzl, 1997; Beaudette and O’Green, 2009). Topography also 
modifies the spatial pattern of surface geology by exposing different stratigraphic units across 
hillslopes (Ruhe et al., 1967) and sorting of transported sediments (Milne, 1936; Schaetzl 2013). 
These local exceptions do not invalidate generalizations. The purpose of generalization is to 
provide the map user with the most important information that can be represented at the 
given cartographic scale (Keates, 1989). Generalization is also a tool in the deductive approach 
of science of utilizing broadly applicable theories to identify exceptions, which become new 
areas of inquiry. Considering levels of generalization, corresponding to phenomenon scale, add 
increasing spatial accuracy to our understanding of natural phenomena. 
6.4. Untapped Potential 
Under the theory that soil classification ‐and by association, soil maps‐ have evolved 
with improved understanding of soil, the identification of topographic‐soil relationships was in 
itself an advancement of soil science. However, this advancement in understanding also 
coincided with increases in cartographic scale and the availability of better base maps. As 
illustrated by the examples in this paper, the level of detail in a soil map is often dependent 
upon the level of detail in the available base map. By 1952, the transition to aerial photographs 
as base maps allowed the progression of detailed soil maps in the U.S. from a cartographic scale 
50 
 

 

of 1:63,360 to 1:24,000 (Simonson, 1952). Today, many of the U.S. Soil Survey maps are 
available at a cartographic scale of 1:15,840, but the corresponding minimum delineation size 
of one hectare leaves many delineations as soil complexes (Soil Survey Division Staff, 1993).  
Geomorphic studies of landscapes have demonstrated the predictable patterning of soil 
distributions that exists due to the interaction of topography and pedogenic processes (Milne, 
1936; Ellis, 1938; Walker and Ruhe, 1968; Steinwand and Fenton, 1995). For this reason, 
dividing the landscape into toposequences or geomorphic components has become standard 
practice in soil science research (e.g. Young and Hammer, 2000; Zebarth et al., 2002; Martin 
and Timmer, 2006; Vanwalleghem et al., 2010). Although not perfectly suited for all landscapes, 
the most commonly used descriptors of topographic process zones are the five hillslope profile 
elements described in the Handbook of Soil Science (Wysocki et al., 2000). 
The resources for delineating all five hillslope profile elements on large cartographic 
scale maps have not been available in the past. Instead, delineation of topographic soil cover 
patterns has often been limited to the light‐dark patterns visible in aerial photographs (Figure 
2.13), analogous to high ground – low ground landscape elements (Bushnell, 1943). The result 
has been the use of only two or three topographic units in differentiating soils in many areas, 
compared to the five units commonly used in studies of toposequences (Figure 2.14). 

51 
 

 

Figure 2.14. Illustration demonstrating the difference in detail between delineating light‐dark 
soil cover patterns (corresponding to erosion‐deposition zones) and the five hillslope positions 
commonly used in toposequences research. 
 
Although remote sensing technology has continued to improve, the resources to 
manually enhance soil delineations are unlikely to be forthcoming. The recent advent of high 
resolution digital elevation data combined with digital terrain analysis provides an opportunity 
to complete the progression of applying observed process scales to improve soil maps. While 
some have advocated a purely continuous field approach to producing more detailed soil maps 
(Heuvelink and Webster, 2001; Grunwald, 2003), others view the continuous field and discrete 
classification approaches as complimentary (Biondi et al., 2004; Ibáñez et al., 2005; Ibáñez and 
Saldaña, 2008). Continuing the strategies used by past soil geographers, particularly the 
concept of soil as a natural body, to create detailed soil maps at the current level of 
understanding process scale offers an untapped potential for analyzing geographic patterns 
(e.g. Fridland, 1974; Fridland, 1976; Hole, 1978; Hole and Campbell, 1985). 
Global positioning systems (GPS) and geographic information systems (GIS) free soil 
mapping from the past limitations of geographic technology. GPS removes the need of a base 
52 
 

 

map to efficiently identify locations. GIS provides a medium without the cartographic scale 
constraints of paper maps. Therefore, the past limitations of geographic technology are no 
longer restricting the analysis scales of soil maps. These new technologies provide the 
opportunity to investigate smaller analysis scales as well as integrate the phenomena observed 
in different scales of paper maps. 
7. Joining Scales 
Prior to the acceptance of the multi‐factor approach to soil science, numerous 
classification systems were proposed, each based on the favored theory of soil formation or the 
soil property believed to be the most critical for plant growth (Krupenikov, 1993). The emphasis 
of particular soil properties deemed important by the soil expert has remained a common 
theme for soil classification systems (Krasilnikov and Arnold, 2009). When Dokuchaev’s zonal 
classification gained acceptance, most soil geographers were using agrogeology style 
classification systems as a guide for creating medium cartographic scale soil maps. The climate‐
vegetation emphasis of Dokuchaev’s classification system was welcomed by agronomists at the 
time, who had observed the important role of humus for plant growth (Krupenikov, 1993). 
Conversely, many agrogeologists remained loyal to their observations of the mineral 
component, particularly mineral weathering, providing nutrients, and soil texture, affecting 
plant available water (Fallou, 1862; Whitney, 1892; Tisdale et al., 1993). This created a 
dichotomy of soil science perspectives, which has often been described as a transition in soil 
science understanding (e.g. Brevik and Hartemink, 2010). However, the divide was not only a 

53 
 

 

contrast in experts choosing different properties to emphasize, but also a duality between 
classification systems supported by small scale versus medium scale soil maps. 
The problem of phenomena operating at different scales was a major reason for the 
th

difficulties in deriving a universal soil classification system in the first half of the 20  century 
(Helms, 2002). Soil classification systems designed for small cartographic scales seemed 
inadequate at large cartographic scales. Conversely, classification systems designed for larger 
cartographic scales contained too many divisions to be represented on a large extent map. 
Leading up to the development of the U.S. Soil Taxonomy, the debate over fundamental 
theories of soil science and how to create a unified soil classification system was a regular topic 
for soil scientists in the U.S. (Kellogg, 1974; Helms, 2002). With the goal of creating a 
classification system that distinguished unique soils that were uniform in agricultural value, 
Elmer O. Fippin (1879‐1949) proposed a classification hierarchy that mirrors the phenomena 
scale hierarchy observed in soil maps (Fippin, 1911). In Fippin’s proposed classification scheme, 
the emphasis was on the definition of series by properties, with further refinement of series to 
types by texture and structure. After these individuals with uniform properties of agricultural 
interest were identified, they were grouped by parent material and then by climate 
characteristics (Figure 2.15). Although not officially adopted in the U.S., this proposed 
classification scheme illustrates the early underpinning philosophy that would later shape the 
U.S. Soil Taxonomy (Soil Survey Staff, 1975).

54 
 

 

Figure 2.15. Schematic of Fippin’s proposed soil classification system (Fippin, 1911). Note the hierarchy of climate at the highest level 
followed by characteristics of parent material. At the series and type level, multiple, specific soil properties are listed, several of 
which have direct connections to topography. 
55 
 

 

When C.F. Marbut became chief of the U.S. Bureau of Chemistry and Soils in 1927 
(Helms, 2002), he added zonal classification in parallel to the U.S. Soil Survey’s pre‐existing 
mode of mapping soils in the agrogeology style. Marbut then worked to bridge the zonal 
classification of small‐scale maps with the agrogeology classification system of medium‐scale 
soil maps, but was unable to reconcile the two. In one of his last publications, Marbut included 
two soil maps of the U.S.: 1) a 1:2.5 million scale map of generalized soil series in 12 sheets 
(Figure 2.16) and 2) a 1:8 million scale map based on great soil groups (Figure 2.17) (Marbut, 
1935). Although there is some alignment in the boundaries between the two maps, Marbut did 
not believe these alignments were sufficient to unify the two soil classification systems. 
Following Marbut as chief of the U.S. Bureau of Soils, Charles E. Kellogg (1902‐1980) 
continued the effort for a unified soil taxonomy for the United States, which would also 
continue Marbut’s emphasis on quantifiable facts. Quantified classification criteria would be 
useful not only for repeatable classifications, but also for improved use and suitability 
interpretations. The first of these classification schemes was a revised version of Marbut’s zonal 
classification in the 1938 Yearbook of Agriculture: Soils and Men (Baldwin et al., 1938). Although 
that classification scheme was revised again in 1949, there remained several anomalous soils 
that did not fit well with upper‐level classification categories (Helms, 2002). In other words, it 
was unsatisfactory to have soils with unique properties ‐important to use and management‐ 
that could not be differentiated by relationships to climate‐vegetation. 

56 
 

 

Figure 2.16. Sheet 7 of 12 from soil map of the United States based on generalized soil series in the agrogeology classification style. 
Cartographic scale was 1:2.5 million (Marbut et al., 1931). Note the ‘Arrangement of Sections’ diagram in the lower‐right corner for 
comparison of spatial patterns with Figure 2.17. Names of soil series are inconsequential. 
57 
 

 

 
Figure 2.17. Soil map of the U.S. based on great soil groups in the zonal classification style. Cartographic scale was 1:8 million 
(Marbut, 1931). Although some nested relationships can be observed between Figure 2.16 and 2.17, Marbut did not believe those 
relationships were sufficient to join the classification systems of the respective maps. Names of the great soil groups are 
inconsequential.
58 
 

 

In 1951, Kellogg assigned the task of a new classification system, built upward from the 
characteristics of individual soil series, to Guy D. Smith (1907‐1981) (Helms, 2002). Smith used a 
community review process to develop quantitative definitions for grouping all soils in a 
hierarchal classification (Simonson, 1991). These efforts resulted in the seventh approximation 
of the U.S. Soil Taxonomy (Soil Survey Staff, 1960). Central to the differentia was the soil 
anatomy, which later became termed diagnostic horizons. These horizons are layers 
distinguishable from other layers by a set of properties, and formed by pedogenic processes 
(Soil Survey Staff, 1993). Although the U.S. Soil Taxonomy is often heralded for its use of 
quantified classification rules (Cline, 1977; Mermut and Eswaran, 2001), it also accomplished a 
great feat in joining classifications based on small and large scale phenomena.  
Although the quantification applied in the U.S. Soil Taxonomy had several benefits for 
the utilization and management of soils, it was a step away from the traditional use of 
geographic attributes. “When soil series were redefined to be in compliance with the class 
limits imposed by the hierarchy of Soil Taxonomy, they no longer were landscape map units. 
They assumed the role of providing identity only to pedons” (Arnold, 2006, p. 56). However, 
that disconnect does not mean that the system was constructed without the lessons learned 
from soil geography. Because of the recognized importance of soil forming factors for 
producing the diagnostic horizons and in predictive landscape models for soil mapping, the Soil 
Taxonomy hierarchy does, in many ways, reflect soil formation factors (Ahrens et al., 2002). In 
Smith’s words, “Genesis does not appear in the definitions of the taxa but lies behind them” 
(Smith, 1983, p. 43). For example, several of the soil orders correspond with broad vegetation 
communities, and the suborders correspond with soil climate. Although no longer defined by 
59 
 

 

environmental correlation, the principles of scale that allowed zonal classification systems to be 
delineated on small‐scale maps remained in Soil Taxonomy. For this reason, in theory, soil map 
units in large cartographic scale maps can be classified using the lowest order of the hierarchy, 
while higher orders can be represented on small cartographic scale maps (Figure 2.18). 
Smith did not use spatial variability as a constraining rationale for organizing the U.S. 
Soil Taxonomy, which allows for some classification differentia to be raised in the hierarchy 
level due to properties considered to be of high importance. For example, in the controlling 
factors for the twelve Soil Taxonomy orders summarized by Brevik (2002), seven are based on 
bioclimatic‐soil relationships and two are differentiated by the lack of time for bioclimatic 
processes to modify the parent material. The remaining three orders are based on hydrologic or 
geologic phenomena, which result in soil properties important to land management and still 
have large extents. Like zonal classification systems, Soil Taxonomy orders place greater 
emphasis on bioclimatic differentia, with a few additional categories to allow for exceptions 
(Table 2.1). Therefore, even though soil classifications systems have no obligation to be 
organized in a hierarchy of phenomena scales, as a matter of mapping practicality, the U.S. Soil 
Taxonomy still reflects soil geographers’ experience of shifting dominant soil forming factors at 
different analysis scales. Although the main purpose of Soil Taxonomy was to be based on 
observable properties considered important to use and management, the multi‐level taxonomic 
hierarchy of the system was organized to accommodate both small and large cartographic scale 
maps (Smith, 1986). Despite criticisms that Soil Taxonomy is disconnected from soil‐forming 
processes (Bockheim and Gennadiyev, 2000), the mirroring of process scale in the classification 
hierarchy is one of the threads that link classification definitions back to processes. 
60 
 

 

a) 

b) 

Figure 2.18. a) World map of soil orders as classified by U.S. Soil Taxonomy at a cartographic 
scale of 1:130 million (USDA‐NRCS, 2005). b) Köppen‐Geiger climate zones presented for 
comparison with U.S. Soil Taxonomy soil orders (climate zone map modified from 
www.theodora.com/maps, used with permission). 
61 
 

 

Table 2.1. Relationship between the top levels of zonal classification and the current version of 
Soil Taxonomy. 
Zonal 
Intrazonal 
Climate‐Vegetation  Exceptions based on 
geology or hydrology 
Alfisols 
Histosols 
Aridisols 
Andisols 
Gelisols 
Vertisols 
Mollisols 
  
Oxisols 
  
Spodosols 
  
Ultisols 
  
Inceptisols (some) 

Azonal 
Exceptions based on 
time 
Entisols 
Inceptisols (some) 
  
  
  
  
  

 
8. Conclusions 
Soil maps have evolved through and alongside the advancement of soil knowledge and 
geographic technology. Soil maps at different cartographic scales ‐ and by association, different 
analysis scales ‐ have utilized the environmental predictor found best suited for explaining 
spatial variability at the respective scales. After such time as soil knowledge was able to 
recognize the influence of multiple environmental factors on resulting soil properties, ca. 1860‐
1880, soil scientists’ selection of environmental predictors reflects the conceptual model 
adopted for the respective scale. Comparisons of soil maps of varying cartographic scales 
reveals three distinct groups: 1) small cartographic scale maps emphasizing bioclimatic 
relationships, 2) medium cartographic scale maps emphasizing parent material relationships, 
and 3) large cartographic scale maps emphasizing topographic relationships. 
The correspondence between cartographic scale and soil scientists’ selection of a 
respective environmental factor for predicting soil variability suggests that the process 
62 
 

 

phenomena embodied in Dokuchaev’s factors of soil formation are certainly operative, but are 
perhaps best expressed at different scales. Over time, the experiences of soil scientists have 
been tuned to the environmental factor that best explains the spatial variability of the soil at 
the operative or explanative scale of the map they are producing. At times, this association has 
led to contentious debates over which factor provides the best prediction of geographic soil 
patterns. In some cases, not recognizing the scale effect of MAUP has led to outright rejection 
of valid, large scale phenomena when local exceptions are found (e.g. Beadle, 1951). However, 
debates over the most important soil forming factor may have been moot, because the optimal 
predictor of soil spatial variability is usually a function of analysis scale.  
The potential for mapping soils at fine analysis scales (large cartographic scales) has not 
yet been fully utilized. Until recently, limitations in quality base maps (i.e. detailed 
representations of topography) have made extending modern soil geomorphology principles 
across large extents impractical. Technological advancements provide the opportunity to create 
better base maps, which in turn offer the ability to bring soil map detail to the level of process 
scales studied in soil geomorphic research. 
The introduction of geographic information systems and digital mapping products to soil 
mapping has decoupled cartographic scale from analysis scale. To learn from the experience of 
past soil geographers, and to avoid repeating mistakes, it is important to apply lessons learned 
by cartographic scale with paper maps to analysis scales of digital maps. This paper 
demonstrated that past soil mapping approaches were based on conceptual models calibrated 
to the cartographic/analysis scale of the map. The conceptual models were tuned to the 

63 
 

 

phenomena governing the spatial distribution of soil, which differed by map scale. Like 
traditional soil modelers, it is important for digital soil modelers to select the appropriate 
environmental predictors for the analysis scale of interest. An approach to integrating 
phenomena scales to conceptualize soil geography is to subdivide coarse scale phenomena by 
finer scale phenomena, as is commonly done in modern soil classification systems. This 
framework of layering soil formation factors by a hierarchy of scale utilizes the experience of 
past soil geographers to form a holistic understanding of soil geography and pattern. 
 
 

 

64 
 

 

 
 
 
 
 
 
 
 
 
 
 
REFERENCES 
 

 

65 
 

 

REFERENCES 
 
Agafonoff, V. 1936. Les Sols de France au Point de vue Pédologique (avec carte 1:2,500,000). 
Paris. 
Ahrens, R.J., T.J. Rice, H. Eswaran. 2002. Soil classification: Past and present. National 
Cooperative Soil Survey Newsletter. 19:1‐5. 
Almy, M.M. 1978. The archeological potential of soil survey reports. The Florida Anthropologist. 
31(3):75‐91. 
Aristotle. 2002. Historia Animalium. D.M. Balme (ed.). Cambridge University Press. Cambridge, 
United Kingdom. 
Armhein, C.G. 1995. Searching for the elusive aggregation effect: Evidence from statistical 
simulations. Environment and Planning A. 27(1):105‐119. 
Arnold, R.W. 2006. Soil survey and soil classification. In S. Grunwald (ed.). Environmental Soil‐
Landscape Modeling: Geographic Information Technologies and Pedometrics. Taylor & 
Francis Group. Boca Raton. 
Baldwin, M., C.E. Kellogg, and J. Thorp. 1938. Soil Classification. In Soils and Men: Yearbook of 
Agriculture. Washington, D.C. 
Bayer, G. 1998. Classification and explanation in Aristotle’s theory of definition. Journal of the 
History of Philosophy. 36(4):487‐505. 
Beadle, N.C.W. 1951. The misuse of climate as an indicator of vegetation and soils. Ecology. 
32(3):343‐345. 
Beaudette, D.E. and A.T. O’Green. 2009. Quantifying the aspect affect: an application of solar 
radiation modeling for soil survey. Soil Science Society of America. 73(4):1345‐1352. 
Bichurin, N.Y. 1841. Land revenue in China. Moskvityanin. pt. 4, no. 12. 
Biondi, E. E. Feoli, and V. Zucarello. 2004. Modelling environmental responses of plant 
associations: A review of some critical concepts in vegetation study. Critical Reviews in 
Plant Sciences. 23:149‐156. 
Bockheim, J.G. and A.N. Gennadiyev. 2000. The role of soil‐forming processes in the definition 
of taxa in Soil Taxonomy and the World Soil Reference Base. Geoderma. 95:53‐72. 
Bockheim, J.G., A.N. Gennadiyev, R.D. Hammer, and J.P. Tandarich. 2005. Historical 
developments of key concepts in pedology. Geoderma. 124:23‐36. doi: 
10.1016/j.geoderma.2004.03.004 

66 
 

 

Brevik, E.C. 2002. Soil classification in geology textbooks. Journal of Geoscience Education. 
50(5):539‐543. 
Brevik, E.C. and A.E. Hartemink. 2010. Early soil knowledge and the birth and development of 
soil science. Catena. 83:23‐33. doi: 10.1016./j.catena.2010.06.011 
Brown, D.J. 2006. A historical perspective on soil‐landscape modeling. In S. Grunwald (ed.). 
Environmental Soil‐Landscape Modeling: Geographic Information Technologies and 
Pedometrics. Taylor & Francis Group. Boca Raton. 
Brown, L.A. 1979. The Story of Maps. Dover Publications, Inc. New York. 
Bullock, P., R.J.A. Jones, B. Houšková, and L. Montanarella. 2005. Soil resources of Europe: An 
overview. In R.J.A. Jones, B. Houšková, P. Bullock, and L. Montanarella (eds.). Soil 
Resources of Europe. Second Edition. European Soil Bureau, Institute for Environment & 
Sustainability. 
Bunbury, E.H. 1883. A History of Ancient Geography among the Greeks and Romans from the 
Earliest Ages till the Fall of the Roman Empire. John Murray. London. 
Bushnell, T.M. 1929. Aerial photography and soil survey. American Association of Soil Surveyors 
Bulletin. 10:23‐28. 
Bushnell, T.M. 1932. A new technique in soil mapping. American Soil Survey Association 
Bulletin. 13:74‐81. 
Bushnell, T.M. 1943. Some aspects of the soil catena concept. Soil Science Society Proceedings. 
7(C):466‐476. 
Cartography Associates. 2013. (Composite of) Carte de France. Levee par ordre du Roy. (1750‐
1815). Available online at: http://www.davidrumsey.com. Accessed [4/15/2012]. 
Cato, M.P. 1934. On Agriculture (W.D. Hooper, Trans.). Harvard University Press. Cambridge, 
Massachusetts. 
Chamberlain, W.C. 1882. General Map of the Soils of Wisconsin. Geology of Wisconsin. Survey 
of 1873‐1879 Atlas. Plate IIB. Available online at: 
http://digital.library.wisc.edu/1711.dl/EcoNatRes.GeoWIAtlas. Accessed [4/15/2012]. 
Cline, M.G. 1949. Basic principles of soil classification. Soil Science. 67(2):81‐91. 
Cline, M.G. 1977. Historical highlights in soil genesis, morphology, and classification. Soil 
Science Society of America Journal. 41(2):250‐254. 
Cobb, W.B. 1923. Possibilities of the airplane in soil survey work. American Association of Soil 
Survey Workers Bulletin. 4:77‐80. 

67 
 

 

Coffey, G.N. 1911. The development of soil survey work in the United States with a brief 
reference to foreign countries. Proceedings of the American Society of Agronomy. 3:115‐
129. 
th

th

Cousins, S.A.O. 2001. Analysis of land‐cover transitions based on 17  and 18  century 
cadastral maps and aerial photographs. Landscape Ecology. 16:41‐54. 
Davey, H.C. 1935. Brief outline of aerial photographic work in the U.S. Geological Survey. 
Photogrammetric Engineering. 1:3. 
Davis, W.M. 1909. Geographical Essays. Ginn and Company. Boston. 
Dideriksen, R.O. 1986. Soil Survey of Hamilton County, Iowa. U.S. Department of Agriculture, 
Soil Conservation Service. 
Dilke, O.A.W. 1987. Roman large‐scale mapping in the early empire. In J.B. Harley and D. 
Woodward. The History of Cartography. University of Chicago Press. Chicago. 
Dokuchaev, V.V. 1967. The Russian Chernozem (N. Kaner, Trans.). Israel Program for Scientific 
Translations. Jerusalem. 
Donald, R.G., D.W. Anderson, J.W.B. Stewart. 1993. The distribution of selected soil properties 
in relation to landscape morphology in forested Gray Luvisol soils. Canadian Journal of Soil 
Science. 73:165‐172. 
Duchaufour, P. 1982. Pedology: Pedogenesis and Classification (T.R. Paton, Trans.). George 
Allen & Unwin. London. 
Ellis, J.H. 1938. The soils of Manitoba. Manitoba Economic Survey Board. Winnipeg, Manitoba. 
Ely, C.W., G.N. Coffey, and A.M. Griffin. 1904. Soil Map: Iowa, Tama County Sheet. U.S. 
Department of Agriculture, Bureau of Soils. 
Eratosthenes. 2010. Geographika (D.W. Roller, Trans.). Princeton University Press. Princeton, 
New Jersey. 
Fallou, F.A. 1862. Pedology, or, General and Specific Soil Science [Pédologie oder allgemeine 
und besondere Bodenkunde]. C.U. Werner. Dresden. 
Friend, D.A. 2000. Revisiting William Morris Davis and Walther Penck to propose a general 
model of slope “evolution” in deserts. Professional Geographer. 52:164‐178. 
Fippin, E.O. 1911. The practical classification of soils. Agronomy Journal. 3(1):76‐89. 
Fridland, V.M. 1974. Structure of the soil mantle. Geoderma. 12:35‐41. 
Fridland, V.M. 1976. Pattern of Soil Cover. Israel Program for Scientific Translations. Jerusalem. 

68 
 

 

Furley, P.A. 1971. Relationships between slope form and soil properties developed over chalk 
parent materials. Institute of British Geographers Special Publication. 3:141‐163. 
Gong, Z., J.L. Darilek, Z. Wang, B. Huang, and G. Zhang. 2010. American soil scientists’ 
th

contribution to Chinese Pedology in the 20  century. Soil Survey Horizons. 50:3‐9. 
Gorkin, A.F., and O.J. Schmidt. 1938. Great Soviet World Atlas (G.B. Cressey, A. Perejda and V. 
Washburne, Trans.). Edwards Brothers, Inc. Ann Arbor, Michigan. 
Gregorich, E.G. and D.W. Anderson. 1985. Effects of cultivation and erosion on soils of four 
toposequences in the Canadian prairies. Geoderma. 36(3‐4):343‐354. 
Grigelis, A., Z. Wójcik, W. Narębski, L.Z. Gelumbauskaitė, and J. Kozák. 2011. Stanisław Staszic: 
an early surveyor of the geology of Central and Eastern Europe. Annals of Science. 
68(2):199‐228. doi:10.1080.00033790.2010.511263. 
Grunwald, S. 2003. Introduction. Pedometron. 13:4‐6. 
Hall, G.F. 1983. Pedology and geomorphology. In L.P. Wilding, N.E. Smeck, and G.F. Hall (eds.). 
Pedogenesis and Soil Taxonomy: I. Concepts and Interactions. Elsevier. Amsterdam. 
Hall, A.D. and E.J. Russell. 1912. On the causes of the high nutritive value and fertility of the 
fatting pastures of Romney marsh and other marshes in the s.e. of England. The Journal of 
Agricultural Science. 4(4):339‐370. 
Harley, J.B. and D. Woodward. 1987. The History of Cartography. Volume 1. University of 
Chicago Press. 
Hartemink, A.E., B. Lowery, and C. Wacker. 2012. Soil maps of Wisconsin. Geoderma. 189‐
190:451‐461. doi:10.1016/j.geoderma.2012.05.025 
Hartshorne, R. 1958. The concept of geography as a science of space, from Kant to Humboldt to 
Hettner. Annals of the Association of American Geographers. 48(2):97‐108. 
Helms, D. 2002. Early leaders of the soil survey. In D. Helms, A.B.W. Effland, and P.J. Durana 
(eds.). Profiles in the History of the U.S. Soil Survey. Iowa State Press. Ames, Iowa. 
Heuvelink, G.B.M. and R. Webster. 2001. Modelling soil variation: Past, present, and future. 
Geoderma. 100:269‐301. 
Hillel, D. 1992. Out of the Earth: Civilization and the Life of the Soil. University of California 
Press. Berkeley, California. 
Hole, F.D. 1978. An approach to landscape analysis with emphasis on soils. Geoderma. 21(1):1‐
23. 
Hole, F.D. and J.B. Campbell. 1985. Soil Landscape Analysis. Rowman & Allanheld. Totowa, New 
Jersey. 
69 
 

 

Hollis, J.M. and B.W. Avery. 1997. History of soil survey and development of the soil series 
concept in the U.K. In D.H. Yaalon and S. Berkowicz (eds.). History of Soil Science: 
International Perspectives. Advances in Geoecology. vol. 29. Catena‐Verlag. Reiskirchen, 
Germany. 
Holmes, C.D. 1955. Geomorphic development in humid and arid regions: A synthesis. American 
Journal of Science. 253:377‐390. 
Huggett, R.J. 1975. Soil landscape systems: A model of soil genesis. Geoderma. 13:1‐22. 
Hunckler, R.V. and R.J. Schaetzl. 1997. Spodosol development as affected by geomorphic 
aspect, Baraga County, Michigan. Soil Science Society of America Journal. 61(4):1105‐1115. 
Ibáñez, J.J., M.R. Ramos, J.A. Zinck, and A. Brú. 2005. Classical pedology questioned and 
defended. Eurasian Soil Science. 38(1):S75‐S80. 
Ibáñez, J.J. and A. Saldaña. 2008. The continuum dilemma in pedometrics and pedology. In P. 
Krasilnikov, F. Carré, and L. Montanarella (eds.). Soil Geography and Geostatistics: Concepts 
and Applications. JRC Scientific and Technical Reports. 
Isachenko, A.G. 1971. Razvitie geograficheskikh idei [Development of Geographical Ideas]. 
Mysl’. Moscow. 
Jelinski, D.E. and J. Wu. 1996. The modifiable areal unit problem and implications for landscape 
ecology. Landscape Ecology. 11(3):129‐140. 
Keates, J.S. 1989. Cartographic Design and Production. Wiley. New York. 
Kellogg, C.E. 1937. Soil Survey Manual. U.S. Department of Agriculture Miscellaneous 
Publication Number 274. U.S. Department of Agriculture. Washington, D.C. 
Kellogg, C.E. 1974. Soil genesis, classification, and cartography: 1924‐1974. Geoderma. 12:347‐
362. 
Kleiss, H.J. 1970. Hillslope sedimentation and soil formation in northeastern Iowa. Soil Science 
Society of America Proceedings. 34:287‐290. 
th

Kovda, V.A. and G.V. Dobrovolsky. 1974. Soviet pedology to the 10  International Congress of 
Soil Science (the centenary of soil science in Russia). Geoderma. 12:1‐16. 
Köppen, W., 1884. Die Wärmezonen der Erde, nach der Dauer der heissen, gemässigten und 
kalten Zeit und nach der Wirkung der Wärme auf die organische Welt betrachtet (The 
thermal zones of the earth according to the duration of hot, moderate and cold periods 
and to the impact of heat on the organic world).Meteorol. Z. 1:215–226. Translated and 
edited by: Volken, E. and Bronnimann, S. 2011. Meteorol. Z. 220:2351–2360. 

70 
 

 

Krasilnikov, P. and R. Arnold. 2009. Soil classifications and their correlations. In P. Krasilnikov, J. 
Ibáñez Martí, R. Arnold, and S. Shoba (eds.). A Handbook of Soil Terminology, Correlation 
and Classification. Earthscan. London. 
Krupenikov, I.A. 1993. History of Soil Science (A.K. Dhote, Trans.). A.A. Balkema Publishers. 
Brookfield, Vermont. 
Lapham, M.H. 1949. Crisscross Trails: Narrative of a Soil Surveyor. W.E. Berg. Berkeley, 
California. 
Lee, M.P. 1921. The economic history of china: with special reference to agriculture. In The 
faculty of Political Science of Columbia University (eds.). Studies in History Economics and 
Public Law. Vol. 39. Columbia University. New York. 
Legros, J. 2006. Classification systems: French. In R. Lal (ed.). Encyclopedia of Soil Science. 
Taylor & Francis. doi: 10.1081/E‐ESS‐120042644. 
Leucho, J.P. 1511. World map from Ptolemy, Geographia. James Ford Bell Library, University of 
Minnesota. Available online: 
https://www.lib.umn.edu/apps/bell/map/PTO/TOUR/1511alg.html. Accessed [4/15/2013]. 
Library Foundation, Buffalo and Erie County Public Library. 2013. A Delineation of the Strata of 
England and Wales with part of Scotland: Exhibiting the Collieries and Mines, the Marshes 
and Fen Lands Originally Overflowed by the Sea, and the Varieties of Soil According to 
Variations in the Substrata, Illustrated by the Most Descriptive Names. Available online at: 
http://en.wikipedia.org/wiki/File:Geological_map_Britain_William_Smith_1815.jpg. 
Accessed [4/15/2013]. 
Madison, F.W. and H.F. Gundlach. 1993. Soil Regions of Wisconsin. Wisconsin Geological and 
Natural History Survey. Madison, Wisconsin. 
Malo, D.D., B.K. Worchester, D.K. Cassel, and K.D. Matzdorf. 1974. Soil‐landscape relationships 
in a closed drainage system. Soil Science Society of America Proceedings. 38:813‐818. 
Marbut, C.F. 1928. A scheme for soil classification. Commission V, Proceedings and Papers, First 
International Congress of Soil Science. June 13‐22, 1927, Washington D.C., p. 1‐31. 
Marbut, C.F. 1931. Distribution of the Great Soil Groups (Soil Provinces). U.S. Department of 
Agriculture, Bureau of Chemistry and Soils. Washington, D.C. 
Marbut, C.F., and associates in the Soil Survey. 1931. Soil Map of the United States. U.S. 
Department of Agriculture. Washington, D.C. 
Marbut, C.F. 1935. Soils of the United States. In Atlas of American Agriculture. Part III. 
Marbut, C.F. 1951. Soils: Their Genesis and Classification. A memorial volume of lectures given 
in the Graduate School of the United States Department of Agriculture in 1928. Soil Science 
Society of America. Madison, WI. 
71 
 

 

Marean, H.W. 1902. Soil Survey, Posey County, Indiana. U.S. Department of Agriculture, Bureau 
of Soils. Washington, D.C. 
Martin, W.K.E. and V.R. Timmer. 2006. Capturing spatial variability of soil and litter properties 
in a forest stand by landform segmentation procedures. Geoderma. 132(1‐2):169‐181. 
Mermut, A.R. and H. Eswaran. 2001. Some major developments in soil science since the mid‐
1960s. Geoderma. 100:403‐426. 
th

th

Merzon, A.T. 1956. Cadastres and Inventories of the 15 ‐17  Centuries [Pistovye v perenisnye 
knigi XV‐XVII vv]. Izd. Mosk. Gos. Arkhivn. In‐ta, Moscow. 
Millar, C.E. 1932. The use of aerial photographs in the Michigan land economic survey. Soil 
Science Society of America Journal. 13:82‐85. 
Milne, G. 1935a. Some suggested units of classification and mapping particularly for East 
African soils. Soil Research. 4(3). 
Milne, G. 1935b. Composite units for the mapping of complex soil associations. Transactions of 
the 3rd International Congress of Soil Science. 1:345‐347. 
Milne, G. 1936. Normal erosion as a factor in soil profile development. Nature. 138:548‐549. 
Moellering, H. and W. Tobler. 1972. Geographical variances. Geographical Analysis. 4(1):34‐50. 
Monmonier, M.S. 1996. How to Lie with Maps. University of Chicago Press. Chicago. 
Montello, D.R. 2001. Scale in geography. In N.J. Smelser and P.B. Baltes (eds.). International 
Encyclopedia of the Social & Behavioral Sciences. Pergamon Press. Oxford. 
National Cooperative Soil Survey. 1978. Iowa Soil Association Map. Iowa Agriculture and Home 
Economics Experiment Station. 
National Library of France. 2013. Carte de Cassini. Available online: 
http://commons.wikimedia.org/wiki/File:Cassini_map_of_France_68.png. Accessed 
[4/15/2013]. 
Pomerening, J.A. and M.G. Cline. 1953. The accuracy of soil maps prepared by various methods 
that use aerial photograph interpretation. Photogrammetric Engineering. 19(5):809‐817. 
Prasolov, L.I. 1922. Soil Regions of the European Part of Russia [Pochvennye oblasti Evropeiskoi 
Rossii]. Petrograd. 
Prescott, J.A. 1933. The soil zones of Australia. Soil Resources. 3:133‐145. 
Ptolemy. 1932. Geography of Claudius Ptolemy (E.L. Stevenson, Trans.). The New York Public 
Library. New York. 
72 
 

 

Robinson, A. 1971. The genealogy of the isopleth. The Cartographic Journal. 8(1):49‐53. 
Robinson, A.H. and H.M. Wallis. 1967. Humboldt’s map of isothermal lines: A milestone for 
thematic cartography. The Cartographic Journal. 4(2):119‐123. 
Ruhe, R.V., R.B. Daniels, and J.G. Cady. 1967. Landscape evolution and soil formation in 
southwestern Iowa. USDA‐SCS Technical Bulletin. 1349. 
Ruhe, R.V. and P.H. Walker. 1968. Hillslope models and soil formation. I. open systems. 
th

Transactions of the 9  International Congress of Soil Science. 4:551‐560. 
Sanderson, M. 1999. The classification of climates from Pythagoras to Koeppen. Bulletin of the 
American Meteorological Society. 80(4):669‐673. 
Schaetzl, R.J.  2013. Catenas and Soils. In J.F. Shroder (ed.). Treatise on Geomorphology, Vol. 4. 
Academic Press. San Diego, California. pp. 145‐158.  
Schoeneberger, P.J., D.A. Wysocki, E.C. Benham, and Soil Survey Staff. 2012. Field Book for 
Describing and Sampling Soils, Version 3.0. U.S. Department of Agriculture, Natural 
Resource Conservation Service. Lincoln, Nebraska. 
Schoorl, J.M. and A. Veldkamp. 2006. Multiscale soil‐landscape process modeling. In S. 
Grunwald (ed.). Environmental Soil‐Landscape Modeling: Geographic Information 
Technologies and Pedometrics. Taylor & Francis Group. Boca Raton. 
Shantz, H.L. and C.F. Marbut. 1923. The Vegetation and Soils of Africa. National Research 
Council and American Geographical Society. New York. 
Shchetenko, A.Y. 1968. The Most Ancient Agrarian Cultures of the Deccan [Drevneishie 
zemledel’cheskie kul’tury Dekana]. Nauka. Leningrad. 
Sibirtsev, N.M. 1966. Selected Works (N. Kaner, Trans.). Israel Program for Scientific 
Translations. Jerusalem. 
Simonson, R.W. 1952. Lessons from the first half century of soil survey: II. mapping of soils. Soil 
Science. 74:323‐330. 
Simonson, R.W. 1962. Soil classification in the United States. Science. 137(3535):1027‐1034. 
Simonson, R.W. 1991. The U.S. soil survey – contributions to soil science and its application. 
Geoderma. 48:1‐16. 
Simonson, R.W. 1997. Evolution of soil series and type concepts in the United States. In D.H. 
Yaalon and S. Berkowicz (eds.). History of Soil Science: International Perspectives. 
Advances in Geoecology. vol. 29. Catena‐Verlag. Reiskirchen, Germany. 
Smith, C.B. 1985. Air Spy. American Society for Photogrammetry Foundation. Falls Church, 
Virginia. 
73 
 

 

Smith, G.D. 1983. Historical development of soil taxonomy‐background. In L.P. Wilding, N.E. 
Smeck, and G.F. Hall (eds.). Pedogenesis and Soil Taxonomy: I. Concepts and Interactions. 
Elsevier. Amsterdam. 
Smith, G.D. 1986. The Guy Smith Interviews: Rationale for Concepts in Soil Taxonomy. U.S. 
Department of Agriculture. SMSS Technical Monograph No. 11. Washington, D.C. 
Smith, W. 1815. A Delineation of the Strata of England and Wales with part of Scotland: 
Exhibiting the Collieries and Mines, the Marshes and Fen Lands Originally Overflowed by 
the Sea, and the Varieties of Soil According to Variations in the Substrata, Illustrated by the 
Most Descriptive Names. 
Sobolev, S.S. 1943. Developments in geography and mapping of soils in Russia: from medieval 
Russia to Dokuchaev [O razvitii geografii I kartografii pochv v Rossi: ot Drevnei Rusi do 
Dokuchaeva]. Pochvovedenie. 5‐6. 
Soil Survey Staff. 1951. Soil Survey Manual. U.S. Department of Agriculture Handbook No. 18. 
Washington, D.C. 
th

Soil Survey Staff. 1960. Soil Classification, a Comprehensive System, 7  Approximation. U.S. 
Government Printing Office. Washington, D.C. 
Soil Survey Staff. 1975. Soil Taxonomy: A Basic System of Soil Classification for Making and 
Interpreting Soil Surveys. Agricultural Handbook No. 436. U.S. Government Printing Office. 
Washington, D.C. 
Soil Survey Staff. 1993. Soil Survey Manual. U.S. Department of Agriculture Handbook No. 18. 
Washington, D.C. 
Soil Survey Staff. 2013. Soil Survey Manual. Soil Survey Geographic (SSURGO) Database. 
Available online: http://www.soils.usda.gov/survey/geography/ssurgo/. Accessed 
[5/9/2013]. 
Steinwand, A.L. and T.E. Fenton. 1995. Landscape evolution and shallow groundwater 
hydrology of a till landscape in central Iowa. Soil Science Society of America Journal. 
59(5):1370‐1377. 
Stolt, M.H., J.C. Baker, and T.W. Simpson. 1993. Soil‐landscape relationships in Virginia: II. 
reconstruction analysis and soil genesis. Soil Science Society of America Journal. 57:422‐
428. 
Strabo. 1917. The Geography of Strabo (H.L. Jones and J.R.S. Sterrett, Trans.). G.P. Putnam’s 
Sons. New York. 
Stremme, H.E. 1997. Preparation of the collaborative soil maps of Europe, 1927 and 1937. In 
D.H. Yaalon and S. Berkowicz (eds.). History of Soil Science: International Perspectives. 
Advances in Geoecology. vol. 29. Catena‐Verlag. Reiskirchen, Germany. 
74 
 

 

Tandarich, J.P. 2001. Wisconsin agricultural geologists: Ahead of their time. Geoscience 
Wisconsin. 18:21‐26. 
Theophrastus. 1916. Enquiry into Plants and Minor Odours and Weather Signs (A. Hort, Trans.). 
W. Heinemann. London. 
Thorp, J.A. (ed.) 1936. Geography of the Soils in China. Special Soil Publ., Ser. B1:1–244. 
Thrower, N.J.W. 2007. Maps and Civilization: Cartography in Culture and Society. Third edition. 
University of Chicago Press. Chicago. 
th

Tisdale, S.L., W.L. Nelson, J.D. Beaton, J.L. Havlin. 1993. Soil Fertility and Fertilizers, 5  Edition. 
MacMillan Publishing Company. New York. 
University of New Hampshire. 2013. William Smith’s Geological Map of England and Wales and 
Part of Scotland, 1815‐1817. Available online: http://www.unh.edu/esci/WilliamSmiths‐
StrataIdentified/i/explanatory.html. Accessed [4/15/2013]. 
USDA‐NRCS. 2005. Global Soil Regions Map. U.S. Department of Agriculture, Natural Resource 
Conservation Service. Available online at: 
http://soils.usda.gov/use/worldsoils/mapindex/order.html. Accessed [4/15/2013]. 
Vanwalleghem, T., J. Poesen, A. McBratney, and J. Deckers. 2010. Spatial variability of soil 
horizon depth in natural loess‐derived soils. Geoderma. 157:37‐45. 
Volney, C.F. 1804. View of the Climate and Soil of the United States of America (C.B. Brown, 
Trans.). J. Conrad & Co. Philadelphia, Pennsylvania. 
Walker, P.H. and R.V. Ruhe. 1968. Hillslope models and soil formation. II. Closed systems. 
Transactions of the 9th International Congress of Soil Science. 58:561‐568. 
Wheeler, G.M. 1885. Facts Concerning the Origin, Organization, Administration, Functions, 
History, and Progress, of the Principal Government Land and Marine Surveys of the World, 
Being Extracts from the Report on the Third International Geographical Congress and 
Exhibition. Government Printing Office. Washington, D.C. 
Whitney, M. 1892. Some Physical Properties of Soils in their Relation to Moisture and Crop 
Distribution. U.S. Department of Agriculture, Weather Bureau. Bulletin No. 4. Washington, 
D.C. 
Whitney, M. 1900. Field Operations of the Division of Soils. U.S. Department of Agriculture, 
Bureau of Soils. Washington, D.C. 
Whitney, M. 1909. Field Operations of the Bureau of Soils. U.S. Department of Agriculture, 
Bureau of Soils. Washington, D.C. 
Widgren, M. 1979. A simulation model of farming systems and land use in Sweden during the 
early Iron Age (c. 500 B.C.‐550 A.D.). Journal of Historical Geography. 5(1):21‐32. 
75 
 

 

Woodbridge, W.C. 1823. Isotherm chart, or, view of climates & productions, Drawn from the 
accounts of Humboldt & Others. New York Public Library. Available online: 
http://digitalgallery.nypl.org/nypldigital/id?465012. Accessed [4/15/2013]. 
Wysocki, D.A., P.J. Schoeneberger, and H.E. LaGarry. 2000. Geomorphology of soil landscapes. 
In M.E. Sumner (ed.). Handbook of Soil Science. CRC Press. Boca Raton, Florida. 
Young, F.J. and R.D. Hammer. 2000. Soil‐landform relationships on a loess‐mantled upland 
landscape in Missouri. Soil Science Society of America Journal. 64(4):1443‐1454. 
Zaichikov, V.T. 1955. Voyagers of Ancient China and Geographic Studies in the People’s Republic 
of China [Puteshestvenniki drevnego Kitaya I geograpficheskie issledovaniya v Kitaiskoi 
Narodnoi Respublike]xd. Geografgiz. Moscow. 
Zebarth, B.J., H. Rees, J. Walsh, L. Chow, and D.J. Pennock. 2002. Soil variation within a 
hummocky podzolic landscape under intensive potato production. Geoderma. 110(1):19‐
23. 
 
 

 

76 
 

 

CHAPTER 3. SEMANTIC CALIBRATION OF DIGITAL TERRAIN ANALYSIS SCALE 
 
Abstract 
Digital terrain analysis (DTA) provides efficient, repeatable, and quantified metrics of 
landscape characteristics that are important to the Earth sciences, particularly for detailed soil 
mapping applications. However, DTA has not been field tested to the extent that traditional 
field metrics of topography have been. Human assessment of topography synthesizes multiple 
parameters at multiple scales to characterize a landscape, based on field experience. In order to 
capture the analysis scale used by field scientists, I calibrated the DTA metrics of profile 
curvature, relative elevation, and slope gradient in the context of the commonly used field 
description of hillslope position. A peak in agreement between field assessment and digital 
terrain analysis was found at field equivalent distances of 63 m for profile curvature, 135 m for 
relative elevation, and 9 m for slope. Segregating observation points by three terrain types 
reduced the number of points in calibration groups. The smaller number of points in terrain 
subgroups made those results more susceptible to the scale effect of the modifiable area unit 
problem, thereby increasing agreement in the direction of scale that minimized variability. This 
effect sometimes caused a shift in the optimal scale for agreement between digital and field 
assessment. The clarity of calibration signal also declined with smaller sample sizes. Despite the 
reduced number of samples, different terrain types generally had similar calibrated analysis 
scales. These results suggest that the most effective analysis scale for capturing hillslope 
processes is different for each DTA metric, while the calibrated analysis scales may be 

77 
 

 

transferable to a wide range of terrain. Given the field experience of soil scientists, these 
calibrations of DTA metrics are likely to have stronger correlations with hillslope properties and 
could be used together to classify hillslope position consistently across large extents. 
Keywords: digital terrain analysis, analysis scale, semantic calibration 
1. Introduction 
Digital terrain analysis (DTA) metrics are typically scale dependent (Wood, 1996a; Albani 
et al., 2004; Hupy et al., 2004; Roecker and Thompson, 2010). Therefore, when used as 
parameters in models, attention needs to be given to using the optimal analysis scale for the 
process being represented. Otherwise, the use of the incorrect analysis scale could result in 
erroneous model outcomes or mistakenly disregarding important parameters (Claessens et al., 
2005). This study calibrates the analysis scale of three DTA metrics to the expert knowledge of 
hillslope position classification. 
Processes occur at certain phenomenon scales. Analysis scale, on the other hand, is the 
generalization that is best able to detect that phenomenon (Montello, 2001).  In DTA terms, 
analysis scale is the combination of cell resolution and the number of cells incorporated in an 
analysis neighborhood (Thompson et al., 2001; Albani et al., 2004). Experience has calibrated 
field scientists’ sense of analysis scale for measuring landscape characteristics. Similar 
calibration of analysis scale needs to be derived for digital terrain metrics. This is especially true 
for expert knowledge based models and models that seek to predict or be validated by human‐
made classifications in the field (i.e. digital soil mapping). Until more field studies are conducted 
to quantitatively determine the scale at which the processes influencing the variation of 
78 
 

 

landscape properties operate, utilizing the scale learned by field scientists provides the best 
supported method for predicting metric‐process relationships. Through semantic calibration, 
DTA can be parameterized to the tacit knowledge of field scientists (Dehn et al., 2001).   
Despite the importance of analysis scale, analysis neighborhoods are often set to a 3 by 
3 cell area for all DTA metrics, leaving the analysis scale dependent on cell resolution (e.g. 
Zevenbergen and Thorne, 1987; Gallant and Wilson, 1996; Lapen and Martz, 1996; MacMillan 
et al., 2000; Shi et al., 2009). In some cases, neighborhood size is considered to be such a 
fundamental assumption that it is not specified in research methods (e.g. Mitášova and 
Hofierka, 1993; Joel et al., 1994; Florinsky et al., 2002). By focusing on cell resolution alone, the 
analysis scale can be inadvertently determined by the best available resolution and 
computational efficiency (Moore et al., 1993; Sharma et al., 2011). 
Although the effect of DEM resolution on geomorphic models has been frequently 
studied (e.g. Chang and Tsai, 1991; Chaplot et al., 2000; Schoorl et al., 2000; Thompson et al., 
2001; Kienzle, 2004; Wu et al., 2008), the effect of analysis scale has been assessed less widely. 
Nonetheless, the impact of analysis scale has been observed in DTA studies. For example, while 
testing a circular neighborhood method for calculating slope gradient, Shi et al. (2007) found 
that reducing analysis scale decreased error more than the difference between any of the 
calculation methods.  
Studies in the context of digital soil mapping have also determined that analysis scale 
affects results. However, the complex interactions between different DTA metrics, 
combinations of soil properties, and value systems inherent within soil classification systems, 
79 
 

 

have clouded interpretation of those results. Smith et al. (2006) varied the analysis scale of 
slope gradient, plan curvature, and profile curvature as inputs to the SoLIM soil mapping model. 
Because analysis scale for the parameters was not allowed to vary independently, it is unclear if 
the determination of different optimal analysis scales for different terrain types (i.e. 24‐36 m 
for high relief, 33‐48 m for gently rolling) reflects different phenomenon scales for different 
landscapes, or a shift in the dominant predictive metric. Behrens et al. (2010) tested analysis 
scale for terrain metrics independently and found that the optimal analysis scale varied by soil 
class. The variability of optimal analysis scale between soil classes may be produced by the 
complexity and values built into the classification system, rather than processes acting at 
different scales. Therefore, point observations for single attributes need to be examined for 
determining optimal analysis scale. Roecker and Thompson (2010) did this and concluded 
analysis scales between 117‐189 m to be optimal for correlating point observations of soil 
carbon, rock fragment content, and clay content at different depths with profile curvature.  
Recognizing the value of accumulated field experience, expert knowledge models seek 
to capture tacit knowledge to improve model performance. Hillslope position is a useful, tacit 
knowledge based, metric for many geomorphic studies; soil scientists have long used this field 
metric extensively across the United States in their efforts to inventory soil resources. For this 
reason, I argue that data collected by the U.S. Soil Survey has the large quantity of observation 
points needed to calibrate DTA with field terrain analysis and to reduce the noise that is 
inherent in human observations of continuous variables. Therefore, the purpose of this study is 
to semantically calibrate the DTA metrics of slope gradient, profile curvature, and relative 
elevation to the analysis scale used by soil scientists in determining hillslope position. Because 
80 
 

 

of the categorical nature of hillslope position and high variability of human interpretation, a 
method of percent agreement is introduced for identifying the analysis scale with the strongest 
signal. The resulting calibrated metrics can be used as parameters to a variety of models, 
including fuzzy and discrete classifications. 
2. Methods 
2.1. Relating Field Assessment of Hillslope Position to Digital Terrain Analysis 
Terrain characteristics for describing hillslope process zones and predicting soil 
properties has been an important area of study in soil geography (e.g. Milne, 1935; Ruhe, 1960; 
Burras and Scholtes, 1987; Carter and Ciolkosz, 1991; Donald et al., 1993; Stolt et al., 1993; 
Cerdá, 1998; Yoo et al., 2005). Although largely qualitative, the use of hillslope position has 
been tuned through decades of scientific study and field experience. Hillslope position is a 
contextual metric that divides a landscape into areas where the interaction between hydrology 
and relief affect the properties of the soil in different ways (Wysocki et al., 2000). Summit 
positions are often flat and higher in elevation than its surrounding areas, which tends to result 
in more infiltration than runoff, and less influence from the water table. Shoulder positions are 
also relatively high in elevation, but their convex shape and steep slope shifts the balance to a 
greater likelihood of runoff over infiltration. Backslopes are generally considered to be 
transition zones, and although the slope shape is generally linear, the slope gradient is generally 
the highest of the hillslope positions, and steeper slope gradients promote runoff. Footslope 
positions are concave in profile curvature and lower on the slope, causing these sites to be 
wetter and sediment accumulating positions. The toeslope is flatter and lies at the lowest 
81 
 

 

relative elevation along the slope. Its juxtaposition makes it the zone with the most 
accumulation of materials transported from upslope and the most affected by the water table. 
In the field, soil scientists synthesize the terrain characteristics of slope gradient, profile 
curvature, and relative elevation to identify the functional zones as defined by hillslope position 
(Figure 3.1). Although hillslope position is one of the most basic and widely used terrain 
descriptions for soil geomorphology, it is primarily based on tacit knowledge without 
quantitative definitions. Soil scientists have calibrated a mental model for identifying soil‐
landscape patterns. This study focuses on identifying the analysis scales of DTA metrics 
equivalent to the analysis scales used in the soil scientists’ mental model. Chapter 4 uses the 
calibrated analysis scales determined in this chapter to quantitatively define hillslope position 
in terms of DTA metrics. 

82 
 

 

a) 

b) 

c) 

d) 

 
Figure 3.1. In order to classify the functional zones of hillslope position (a), soil scientists in the 
field synthesize their assessment of b) slope gradient, c) profile curvature, and d) relative 
elevation to determine the hillslope position of a location. 
83 
 

 

 
2.2. Semantic Calibration of Analysis Scale 
DTA was performed at multiple analysis scales for comparison with soil scientists’ field 
assessments. Slope gradient and profile curvature were calculated with varying neighborhood 
sizes using the r.param.scale function in GRASS 6.4.2 (GRASS Development Team, 2012). The 
r.param.scale function calculates both slope and profile curvature by fitting a quadratic trend 
surface using least squares (Evans, 1979). The analysis scale can be expanded by including more 
grid cells in the parameters for the polynomial and solving the least squares via a matrix (Wood, 
1996b).  
In order to have a user controlled analysis scale for relative elevation, I developed a 
procedure in ArcGIS 10.1 (ESRI, 2012). This method for calculating relative elevation subtracted 
an inverse elevation grid from the original elevation grid by analysis neighborhoods. The inverse 
elevation was the elevation subtracted from the sum of the minimum and maximum elevation 
values in the analysis neighborhood. The neighborhood size was controlled via the focal 
statistics used to determine the minimum and maximum elevation. The resulting relative 
elevation grid had increasing positive values above and decreasing negative values below the 
analysis neighborhood’s middle elevation (Figure 3.2). 
 

 

84 
 

 

a) 

b) 

c) 

 
Figure 3.2. In this research, relative elevation is calculated on a neighborhood by neighborhood 
basis for each cell. a) First, a reference elevation ceiling is calculated by summing the 
neighborhood minimum and maximum elevations. b) Then, the central cell elevation is 
subtracted from the elevation ceiling to create an inverse elevation grid. c) By subtracting the 
inverse from the original elevation grid, a relative elevation grid is created with the mid‐point 
between the neighborhood minimum and maximum having a value of zero. Elevation values 
above the mid‐point are increasingly positive. Below the elevation mid‐point, values are 
negative and decrease with vertical distance.  
85 
 

 

A LiDAR‐derived, 3 m resolution, elevation grid was aggregated to resolutions of 9 m 
and 27 m to reflect the resolutions of 1/3 arc second and 1 arc second that other elevation grid 
products are commonly available in, while still preserving cell alignment. Then, all three grids 
were processed for the three DTA metrics using varied neighborhood sizes by the experimental 
matrix in Table 3.1. The experimental matrix was designed to cover the full range of reasonable 
analysis scales and to use combinations of cell resolution and neighborhood size where analysis 
scale would align across cell resolutions. 
Table 3.1. Experimental matrix for varying combinations of DEM cell size and neighborhood size 
for varying analysis scale. 
  
Neighborhood Size  
Distance  
9 m 
15 m  27 m   45 m   63 m   81 m  135 m   189 m  
LiDAR (3 m) 
(9 m resample) 
(27 m resample) 

3x3  
  
  

5x5  
  
  

9x9  
3x3  
  

15x15 
5x5  
  

21x21  27x27   45x45†  63x63†
7x7  
9x9   15x15   21x21  
  
3x3  
5x5  
7x7  

†only used for relative elevation 
 
Field observation points, collected by U.S. Natural Resource Conservation Service (NRCS) 
soil scientists, were then intersected with each of the DTA grids. The resulting match‐up 
allowed for the comparison of DTA calculations with soil scientists’ assessment in the field by 
location. The soil scientists recorded slope gradient as an integer, allowing for a quantitative 
comparison. Agreement for slope gradient was evaluated by the mean absolute difference 
between the field observed and the DTA calculated slope gradient in degrees. Because profile 
curvature and relative elevation are included in hillslope position as categorical attributes, not 
quantitative measures, comparison between field observation and DTA were compared on a 
basis of percent agreement by categorical definition (Table 3.2).  
86 
 

 

Due to the fuzzy nature of landscape elements and the subjectivity of human 
assessment, agreement was only tested for the definitional extremes. For profile curvature, 
agreement was evaluated for negative values corresponding to concave slope shape and 
positive values corresponding to convex slope shapes. Relative elevation was quantified as 
distance above (positive) or below (negative) the mid‐elevation of the analysis neighborhood. 
Agreement was evaluated as negative values corresponding with low hillslope positions and 
positive values corresponding with high hillslope positions.  
Table 3.2. Definition table for relating qualitative hillslope position descriptions to the DTA of 
profile curvature and relative elevation. Attributes highlighted in gray were used for the 
semantic calibration. 
Hillslope Position 
Summit  
Shoulder  
Backslope  
Footslope  
Toeslope  

Profile Curvature  
Linear  
Convex  
Linear  
Concave  
Linear  

Relative Elevation  
High  
High  
Middle  
Low  
Low  

 
The level of agreement between digital and field assessment should increase as the 
digital analysis scale is more closely aligned with the analysis scale used by the soil scientists in 
the field. Therefore, the optimal semantic calibration was determined to be the analysis scale 
with the highest percent agreement for the qualitative metrics. Specifically, for profile 
curvature and relative elevation, percent agreement was calculated for each definitional 
category separately and then summarized with the mean of those results. Using the mean of 
the categorical results avoided over emphasizing a category that may have more observations 
than the other. In other words, the mean percent agreement for a particular analysis scale 

87 
 

 

equally weights the two categories used for evaluation. For slope gradient, agreement could be 
measured on a continuous scale. Therefore, the optimal semantic calibration for slope gradient 
was determined by the lowest mean absolute difference between the DTA calculation and the 
field estimate. 
Consistent analysis scale calibration between grid resolutions provided support for the 
determination that calibration was due to the matching of analysis scales and not to matching 
an artifact pattern in the source DEM. Therefore, a consistent peak in percent agreement at 
equivalent analysis scales was considered to be a strong signal for identifying the best matching 
analysis scales between the two hillslope characterization models.  
2.3. Study Area 
This study analyzed data for Ottawa County, Michigan, on the eastern shore of Lake 
Michigan (Figure 3.3). Large dunes have formed on the western edge of Ottawa County (Figure 
3.4a). The central part of the county is lake plain formed beneath Glacial Lake Chicago (Figure 
3.4b). This glacial lake plain is flat with interspersed dunes of decreasing size (from west to east) 
that have encroached from the west. The northeast and southeast portions of the area grade 
into a hummocky terrain, more characteristic of till plains (Figure 3.4c). Across the entire 1,488 
2

km  study area the elevation ranges from 173 to 292 meters above sea level.  

Ottawa County was chosen because of the availability of a LiDAR‐based elevation grid 
(2004) and a number of georeferenced observations of hillslope position, by NRCS soil 
scientists, taken in the field. The LiDAR‐based elevation grid has a 3 m resolution, and was 

88 
 

 

provided by the Ottawa County government. Some patterned striping was visible in the original 
3 m elevation grid. However, it is not likely that the striped pattern was an artifact of the LiDAR 
data collection process, because the pattern orientation varied by agricultural field and the 
spatial frequency was not consistent. A few locations appeared to have the striped pattern 
occurring at a regular interval of 10 or 30 m. Although the ratio of relief to distance was only 1 
to 2% in the striped pattern, the potential for this pattern to affect the DTA of the 3 m 
resolution grid exists. However, the resampling of the 3 m elevation grid to larger resolutions 
reduces this type of ‘noise’ and provides a secondary check for the influence of this patterned 
striping on the DTA of the original 3 m resolution grid. Additional information on the analysis of 
the LiDAR‐based elevation grid for potential systematic errors is included in Appendix A. 
Georeferenced field observations of hillslope position were provided by the Grand 
Rapids, Michigan Soil Survey Office. Recorded GPS points at observation sites were joined with 
a database created from the paper records of field observations. Observations were made by 
the Grand Rapids Soil Survey Office staff between 2007 and 2009. The GPS recorded 
observations used in this study were all 8‐10 point transects, of typically 40‐80 m point spacing, 
for a total of 1,068 points (Figure 3.3). The hillslope position assessment of the soil scientists 
was converted into categorical attributes in terms of profile curvature and relative elevation 
(Table 3.2), as interpreted from the hillslope position diagram presented in Schoeneberger et al. 
(2012). Not all recorded observations were interpretable for these two digital terrain metrics. 
For example, observation points that were recorded simply as “flat,” could not have a relative 
elevation interpreted from it. From the transect observation points, 966 were interpretable for 
profile curvature and 572 were interpretable for relative elevation. Field observed values of 
89 
 

 

slope gradient were available for all 1,068 points. Using only points in the categories that were 
least likely to overlap reduced the number of field observations that could be used in the 
calibration. Therefore, 216 points were used for the evaluation of profile curvature and 366 
points were used for the evaluation of relative elevation. 
In order to test for the analysis scale used by field scientists’ dependence on landscape 
characteristics, three terrain sub‐regions were delineated within the study area. Each sub‐
region was relatively homogenous in epitomizing high relief shoreline dunes, moderate relief 
hummocky hills, and a low relief glacial lake plain. It should be noted that the terrain sub‐
regions do not subdivide the entire study area; rather, the sub‐regions identify respective areas 
as consistently similar in relief as possible (Figure 3.3). All three areas are similar in mean 
elevation, but differ drastically in elevation standard deviation (Table 3.3). The dune landscape 
contrasts greatly in slope gradient compared to the other two landscapes, but the high slope of 
a few drainage ditches cut into the lake plain landscape masks the relief contrast between the 
lake plain and hummocky hills landscapes (Figure 3.5). Using a standard, 3 by 3 neighborhood 
size on the 3 m resolution elevation grid, the mean slope gradients for the dune, hummocky, 
and glacial lake plain landscapes were 9.7°, 1.5°, 1.2° respectively (Table 3.3).The same 
evaluation for semantic calibration was performed on observation points within these sub‐
regions separately and compared with the calibration for the population of observation points 
as a whole.  
 
 
 
90 
 

 

 
Figure 3.3. Location of study area, Ottawa County, in the lower peninsula of Michigan, U.S. The 
map also includes locations of field observation transect points and the three study sub‐regions 
delineated for comparing terrain types. 
 

91 
 

 

a) 

b) 

c) 

Figure 3.4. Example images from the a) dune landscape, b) hummocky landscape, and c) glacial 
lake plain landscape. Photos by the author. 
92 
 

 

a) 

c)

b) 

Figure 3.5. Digital terrain analysis of slope gradient for three 
terrain types. a) Hummocky hills landscape with moderate 
relief. b) Glacial lake plain with consistently low relief, but some 
narrow, steep sided drainage ditches. c) Example area of the 
dunes landscape with high relief. 
93 
 

 

Table 3.3. Descriptive statistics of elevation and slope gradient for the three landscape sub‐
regions. 
  
Dunes 
Hummocky Hills  Lake Plain 
2

Km  
Min 
Max 
Range 
Mean 
Std. Dev. 
Min 
Max 
Range 
Mean 
SD 

29.6 
42.5
Elevation (m) 
175.7 
186.8
250.4 
216.3
74.7 
29.5
192.5 
198.8
8.5 
5.1
Slope Gradient (degrees) 
0.0 
0.0
48.3 
23.2
48.3 
23.2
9.7 
1.5
9.4 
1.2

30.5
186.7
195.2
8.5
190.0
0.6
0.0
35.1
35.1
1.2
1.2

 
3. Consideration of the Modifiable Area Unit Problem 
As with any scale dependent experiment, the scale effect of the modifiable area unit 
problem (MAUP) must be considered (Armhein, 1995; Jelinski and Wu, 1996). In the case of 
slope gradient and profile curvature, increasing analysis scale will reduce the occurrence of 
extreme values and overall increase the similarity of values (Figures 3.6 and 3.7). Conversely, 
decreasing analysis scale will reduce variability and occurrence of extreme values for relative 
elevation (Figure 3.8). Note that this scale effect can have a greater impact on smaller sample 
populations. Although the authors did not identify it as such, this pattern can also be observed 
in the data of Roecker and Thompson (2010). As indicated by the reduction in extreme values, 
there is a potential for inflated agreement at analysis scales with less variability. I attempt to 
overcome this issue with a large quantity of sample points.

94 
 

 

a) 

b)
10,000 points

c) 

1,000 points

d)
100 points

50 points

 
Figure 3.6. Scale effect of the modifiable area unit problem on slope gradient. Fewer extreme values increase the likelihood of 
agreement/correlation. Sequence of graphs illustrates reduction in extreme values with reduction of random sample size at a) 
10,000 points, b) 1,000 points, c) 100 points, and d) 50 points. 
95 
 

 

a) 

c) 

10,000 points

100 points

b)

d)

1,000 points

50 points

 
Figure 3.7. Scale effect of the modifiable area unit problem on profile curvature. Fewer extreme values increase the likelihood of 
agreement/correlation. Sequence of graphs illustrates reduction in extreme values with reduction of random sample size at a) 
10,000 points, b) 1,000 points, c) 100 points, and d) 50 points. 
96 
 

 

a) 

b)
10,000 points 

c) 

1,000 points

d)
100 points 

50 points

 
Figure 3.8. Scale effect of the modifiable area unit problem on relative elevation. Fewer extreme values increase the likelihood of 
agreement/correlation. Sequence of graphs illustrates reduction in extreme values with reduction of random sample size at a) 
10,000 points, b) 1,000 points, c) 100 points, and d) 50 points.
97 
 

 

4. Results 
4.1. Analysis Scale Calibration of all Observation Points 
The calibration of all three terrain metrics showed a pattern of increasing agreement up 
to a certain analysis scale and then decreasing agreement with scales coarser than the optimal 
matching analysis scale. In describing the result details, the different combinations of grid 
resolution and neighborhood size will be referred to by the field distance equivalent for the 
particular analysis scale. Because all analysis scales are based on square neighborhoods of 
square cells, it is simpler and more relatable to the field environment to use the field equivalent 
distance for the linear dimension of the analysis scale. However, it should be noted that field 
observations of hillslope position are likely more linear (aligned with the profile of the hillslope) 
than the square area used by DTA. 
Profile curvature had the highest agreement between digital calculations and field 
observations at a field equivalent distance of 63 m (Table 3.4). Because the minimum possible 
analysis scale for a grid resolution of 27 m is 81 m (3 cells * 27 m = 81 m), the same signal could 
not be observed with the 27 m grid. Instead, the highest percent agreement was at the smallest 
analysis scale, which is closest to the scale signal observed in the other two resolutions. An 
exception to this signal was the concave profile curvature agreement for the 9 and 27 m 
resolution grids, where the highest percent agreement was at a scale of 135 m. However, for 
the 9 m resolution grid, the percent agreement at 81 m and 63 m was only 3% less than at 135 
m. These increases in analysis scale for the highest percent agreement could be caused by the 

98 
 

 

scale effect of MAUP. The percent agreement peak for the combined concave and convex 
categories still showed a strong signal at 63 m, or the closest possible analysis scale.  
Table 3.4. Percent agreement results for profile curvature of all observation points. Concave 
and convex agree are the count of points where the digital and field assessments of slope 
profile shape were in agreement. Percent is the proportion of agreement out of the total 
number of points.†  
Profile Curvature 
Distance 
Concave agree 
Convex agree 
% concave agree 
% convex agree 
Mean % 
agreement 

9 m 
60 
67 
57.1% 
60.4% 

15 m 
59
72
56.2%
64.9%

3 m Grid 
27 m  45 m 
72
72
75
77
68.6% 68.6%
67.6% 69.4%

58.8% 

60.5%

68.1% 69.0%

  
Distance
Concave agree
Convex agree
% concave agree
% convex agree
Mean % 
agreement

27 m 
64
72
61.0%
64.9%

45 m 
65
75
61.9%
67.6%

62.9%

64.7%

63 m 
73
77
69.5%
69.4%

81 m 
70 
76 
66.7% 
68.5% 

69.4% 67.6% 
9 m Grid 
63 m 
81 m  135 m  189 m 
71
71 
74 
65
76
73 
68 
74
67.6% 67.6%  70.5%  61.9%
68.5% 65.8%  61.3%  66.7%
68.0%

  
Distance
Concave agree
Convex agree
% concave agree
% convex agree
Mean % 
agreement

66.7% 
81 m 
68 
77 
64.8% 
69.4% 
67.1% 

65.9%  64.3%
27 m Grid 
135 m  189 m 
75 
68
69 
75
71.4%  64.8%
62.2%  67.6%
66.8% 

66.2%

†Analysis scale with strongest signal highlighted in dark gray; other strong agreements shown 
in lighter gray. 
 
 

 

99 
 

 

The signal for relative elevation was at 135 m (Table 3.5). To confirm this for the 3 m 
resolution grid, the experimental matrix needed to be extended beyond a field equivalent 
distance of 81 m. The signal for a field equivalent distance scale at 135 m was consistent for 
nearly all measures. The only exception was the percent agreement for relatively high elevation 
using the 27 m resolution grid. In that case, one more point was in agreement for the 81 m over 
the 135 m scale, increasing the amount of agreement by 0.5%. The analysis scale for the 
relative elevation signal indicates relative elevation is considered contextually over a larger area 
in the field, by mappers, as compared to the other terrain metrics. 
The numeric field observations of slope gradient provided a quantitative determination 
of matching analysis scales. Although it is unrealistic to expect integers recorded by human 
observation to exactly match the rational numbers calculated by DTA, a minimal difference 
provides a calibration of the digital method to the analysis scale used in the field. For each grid 
resolution, the mean difference was lowest at the finest analysis scale possible (Table 3.6). The 
trend of decreasing mean differences with decreasing neighborhood size suggests the optimal 
analysis scale for digitally determining slope gradient similar to a soil scientist’s characterization 
in the field is relatively small. 
 
 

 

100 
 

 

Table 3.5. Percent agreement results for relative elevation of all observation points. Low and 
high agree are the count of points where the digital and field assessments of relative elevation 
were in agreement. Percent is the proportion of agreement out of the total number of points.† 
Relative Elevation 
Distance 
Low agree 
High agree 
% low agree 
% high agree 
Mean % 
agreement 

9 m 
101 
109 
49.0% 
54.5% 

15 m 
115
117
55.8%
58.5%

27 m 
135
123
65.5%
61.5%

3 m Grid 
45 m 
63 m 
148
158
136
137
71.8% 76.7%
68.0% 68.5%

51.8% 

57.2%

63.5%

69.9%

27 m 
125
129
60.7%
64.5%

45 m 
152
133
73.8%
66.5%

72.6% 74.6%  78.7%  77.0%
9 m Grid 
63 m  81 m  135 m  189 m 
159
164 
177 
172
139
139 
148 
132
77.2% 79.6%  85.9%  83.5%
69.5% 69.5%  74.0%  66.0%

62.6%

70.1%

73.3%

74.6% 

  
Distance
Low agree
High agree
% low agree
% high agree
Mean % 
agreement

73.4% 

  
Distance
Low agree
High agree
% low agree
% high agree
Mean % 
agreement

81 m  135 m  189 m 
163 
176 
173
140 
144 
140
79.1%  85.4%  84.0%
70.0%  72.0%  70.0%

80.0%  74.7%
27 m Grid 
81 m  135 m  189 m 
153 
167 
166
145 
144 
138
74.3%  81.1%  80.6%
72.5%  72.0%  69.0%
76.5% 

74.8%

 †Analysis scale with strongest signal highlighted in dark gray; other strong agreements shown 
in lighter gray. 
 
 

 

101 
 

 

Table 3.6. Mean absolute difference results for slope gradient of all observation points. 
Slope (degrees) 
3 m Grid 
Distance  9 m 
15 m 
27 m 
45 m 
63 m 
81 m 
3.1° 

3.2°

3.4°

  
Distance

27 m 

Mean difference

3.4°

Mean difference 

3.8°
45 m 
3.8°

4.0°
4.1° 
9 m Grid 
63 m 
81 m  135 m  189 m
4.0°
  
Distance

4.1° 
4.4°
4.5°
27 m Grid 
81 m  135 m  189 m

Mean difference

4.1° 

4.4°

4.5°

 
4.2. Analysis Scale Calibration by Terrain Sub‐regions 
Focusing on smaller sub‐groups of observations located in terrain sub‐regions had less 
clear signals due to the smaller quantity of points. However, they provide some insight on 
terrain’s effect on the analysis scale used by the scientists in the field.  
The calibrated analysis scale for matching DTA with field observations of profile 
curvature in all three landscapes remained the field equivalent distance of 63 m for the 3 m 
resolution grid (Table 3.7). However, the smaller population of observation points showed 
coarser analysis scales to be optimal for the 9 m and 27 m grids. As relief decreased (dunes to 
hummocky hills to lake plain) the size of the optimal analysis scale steadily increased for the 
lower resolution grids. 
Relative elevation had the weakest signal when examining the smaller population points 
within each of the subset terrains (Table 3.8). For the dunes, slightly shorter distances appeared 
to have the best matching analysis scale. For the 3 m and 27 m grids, the scale with most 
agreement was 81 m. The 9 m grid differed by having the highest percent agreement at a field 

102 
 

 

equivalent distance of 27 m. However, all analysis scales greater than 27 m had agreement 
percentages above 75%. In the hummocky hills terrain, the optimal analysis scale remained the 
same for the 3 m resolution grid. However, the optimal analysis scale coarsened for both the 9 
m and 27 m grids. Most points in the lake plain landscape were recorded as “flat”, leaving only 
seven points for the calibration evaluation of relative elevation. All three points that were 
classified as footslopes in the lake plain had negative relative elevation values for field 
equivalent scales of 15‐81 m for the 3 m grid. Because the 15 m analysis scale of the 3 m grid 
had a positive relative elevation for one of the four summit and shoulder points, it had the 
highest combined agreement percentage. A similar situation gave the finest possible scale for 
the 27 m grid the highest percent agreement. 
The lowest mean difference for slope gradient still tended to be the finest possible 
analysis scale for the grid resolution for all landscape types (Table 3.9). The dune landscape had 
larger mean differences in general, but the differences decreased with decreasing analysis 
scale. Providing some indication of a signal, a slight dip was evident at the 15 m analysis scale of 
the 3 m grid for the hummocky hills landscape.  
 
 

 

103 
 

 

Table 3.7a. Percent agreement results for profile curvature of observation points in the dune 
landscape. Concave and convex agree are the count of points where the digital and field 
assessments of slope profile shape were in agreement. Percent is the proportion of agreement 
out of the total number of points.†‡ 
Dunes 
Distance 
Concave agree 
Convex agree 
% concave agree 
% convex agree 
Mean % 
agreement 

9 m 
13 
18 
68.4% 
75.0% 

15 m 
13
17
68.4%
70.8%

71.7%  69.6%
  
Distance
Concave agree
Convex agree
% concave agree
% convex agree
Mean % 
agreement

3 m Grid 
27 m 
45 m 
15
17
17
18
78.9% 89.5%
70.8% 75.0%

63 m 
18
19
94.7%
79.2%

81 m 
17 
20 
89.5% 
83.3% 

74.9%

82.2%

27 m 
14
18
73.7%
75.0%

45 m 
15
15
78.9%
62.5%

87.0% 86.4% 
9 m Grid 
63 m 
81 m  135 m  189 m 
18
17 
15 
15
19
21 
11 
10
94.7% 89.5%  78.9%  78.9%
79.2% 87.5%  45.8%  41.7%

74.3%

70.7%

87.0%

88.5% 

  
Distance
Concave agree
Convex agree
% concave agree
% convex agree
Mean % 
agreement

80.2% 

62.4%  60.3%
27 m Grid 
81 m  135 m  189 m 
17 
14 
13
17 
11 
11
89.5%  73.7%  68.4%
70.8%  45.8%  45.8%
59.8% 

57.1%

† The number of professionally surveyed points available for evaluation in this sub‐region was 
19 concave and 24 convex. 

‡Analysis scale with strongest signal highlighted in dark gray; other strong agreements shown 
in lighter gray. 

104 
 

 

Table 3.7b. Percent agreement results for profile curvature of observation points in the 
hummocky landscape. Concave and convex agree are the count of points where the digital and 
field assessments of slope profile shape were in agreement. Percent is the proportion of 
agreement out of the total number of points.†‡ 
Hummocky Hills 
Distance 
Concave agree 
Convex agree 
% concave agree 
% convex agree 
Mean % 
agreement 

9 m 
4 
10 
25.0% 
43.5% 

15 m 
6
15
37.5%
65.2%

3 m Grid 
27 m  45 m 
8
7
14
16
50.0% 43.8%
60.9% 69.6%

34.2% 

51.4%

55.4%

56.7%

27 m 
8
15
50.0%
65.2%

45 m 
7
15
43.8%
65.2%

66.0% 63.9% 
9 m Grid 
63 m 
81 m  135 m  189 m 
10
11 
12 
11
15
13 
13 
14
62.5% 68.8%  75.0%  68.8%
65.2% 56.5%  56.5%  60.9%

57.6%

54.5%

63.9%

62.6% 

  
Distance
Concave agree
Convex agree
% concave agree
% convex agree
Mean % 
agreement

67.3% 

  
Distance
Concave agree
Convex agree
% concave agree
% convex agree
Mean % 
agreement

63 m 
10
16
62.5%
69.6%

81 m 
10 
15 
62.5% 
65.2% 

65.8%  64.8%
27 m Grid 
81 m  135 m  189 m 
9 
13 
13
18 
10 
15
56.3%  81.3%  81.3%
78.3%  43.5%  65.2%
62.4%  73.2%

† The number of professionally surveyed points available for evaluation in this sub‐region was 
16 concave and 23 convex. 

‡Analysis scale with strongest signal highlighted in dark gray; other strong agreements shown 
in lighter gray. 
 
 

 

105 
 

 

Table 3.7c. Percent agreement results for profile curvature of observation points in the glacial 
lake plain landscape. Concave and convex agree are the count of points where the digital and 
field assessments of slope profile shape were in agreement. Percent is the proportion of 
agreement out of the total number of points.†‡ 
Lake Plain 
Distance 
Concave agree 
Convex agree 
% concave agree 
% convex agree 
Mean % 
agreement 

9 m 
2 
1 
66.7% 
50.0% 

15 m 
3
0
100%
0.0%

3 m Grid 
27 m 
45 m 
2
2
0
1
66.7%
66.7%
0.0%
50.0%

58.3% 

50.0%

33.3%

58.3%

27 m 
1
0
33.3%
0.0%

45 m 
2
0
66.7%
0.0%

75.0% 41.7% 
9 m Grid 
63 m  81 m  135 m  189 m 
2
1 
2 
1
1
1 
1 
2
66.7% 33.3%  66.7%  33.3%
50.0% 50.0%  50.0%  100%

16.7%

33.3%

58.3%

41.7% 

  
Distance
Concave agree
Convex agree
% concave agree
% convex agree
Mean % 
agreement

50.0% 

  
Distance
Concave agree
Convex agree
% concave agree
% convex agree
Mean % 
agreement

63 m 
3
1
100%
50.0%

81 m 
1 
1 
33.3% 
50.0% 

58.3%  66.7%
27 m Grid 
81 m  135 m  189 m 
0 
2 
1
2 
1 
2
0.0%  66.7%  33.3%
100%  50.0%  100%
58.3% 

66.7%

†The number of professionally surveyed points available for evaluation in this sub‐region was 3 
concave and 2 convex. 

‡Analysis scale with strongest signal highlighted in dark gray; other strong agreements shown 
in lighter gray. 
 
 

 

106 
 

 

Table 3.8a. Percent agreement results for relative elevation of observation points in the dune 
landscape. Low and high agree are the count of points where the digital and field assessments 
of relative elevation were in agreement. Percent is the proportion of agreement out of the total 
number of points.†‡ 
Dunes 
Distance 
Low agree 
High agree 
% low agree 
% high agree 
Mean % 
agreement 

9 m 
15 m  27 m 
19 
24 
28
24 
23 
22
55.9%  70.6%  82.4%
82.8%  79.3%  75.9%
69.3%  74.9% 
  
Distance 
Low agree 
High agree 
% low agree 
% high agree 
Mean % 
agreement 

3 m Grid 
45 m  63 m 
28
31
23
22
82.4% 91.2%
79.3% 75.9%

79.1% 80.8%

81 m  135 m  189 m 
31
26 
28 
25
22 
22 
91.2% 76.5%  82.4% 
86.2% 75.9%  75.9% 

27 m  45 m 
31
33
25
20
91.2% 97.1%
86.2% 69.0%

83.5% 88.7% 76.2%  79.1% 
9 m Grid 
63 m  81 m  135 m  189 m 
34
28
31 
33 
18
23
23 
18 
100% 82.4% 91.2%  97.1% 
62.1% 79.3% 79.3%  62.1% 

88.7% 83.0%

81.0%

  
Distance
Low agree
High agree
% low agree
% high agree
Mean % 
agreement

  
243 m 
29
23
85.3%
79.3%
82.3%

80.8%

85.2%  79.6% 
27 m Grid 
81 m  135 m  189 m 
34
34 
34 
22
19 
18 
100% 100%  100% 
75.9% 65.5%  62.1% 
87.9%

82.8%  81.0% 

† The number of professionally surveyed points available for evaluation in this sub‐region was 
34 low and 29 high. 

‡Analysis scale with strongest signal highlighted in dark gray; other strong agreements shown 
in lighter gray. 
 

 

107 
 

 

 
Table 3.8b. Percent agreement results for relative elevation of observation points in the 
hummocky landscape. Low and high agree are the count of points where the digital and field 
assessments of relative elevation were in agreement. Percent is the proportion of agreement 
out of the total number of points.†‡ 
Hummocky 
Hills 
Distance  9 m 
15 m  27 m 
Low agree 
10 
9 
8
High agree 
11 
14 
21
% low agree  50.0%  45.0%  40.0%
% high agree  31.4%  40.0%  60.0%
Mean % 
agreement  40.7%  42.5%  50.0%
  
Distance  27 m 
Low agree 
13
High agree 
23
% low agree  65.0%
% high agree  65.7%
Mean % 
agreement  65.4%

3 m Grid 
45 m  63 m 
12
11
22
24
60.0% 55.0%
62.9% 68.6%
61.4%
45 m 
17
28
85.0%
80.0%

81 m  135 m  189 m 
13
7 
12 
23
23 
23 
65.0% 35.0%  60.0% 
65.7% 65.7%  65.7% 

  
243 m
12
23
60.0%
65.7%

61.8% 65.4% 50.4%  62.9%  62.9%
9 m Grid 
63 m  81 m  135 m  189 m 
17
11
16 
17 
26
26
25 
26 
85.0% 55.0% 80.0%  85.0% 
74.3% 74.3% 71.4%  74.3% 

82.5%

79.6% 64.6% 75.7%  79.6% 
  
27 m Grid 
Distance 81 m  135 m  189 m 
Low agree
14
15 
16 
High agree
26
28 
27 
% low agree 70.0% 75.0%  80.0% 
% high agree 74.3% 80.0%  77.1% 
Mean % 
agreement 72.1% 77.5%  78.6% 

† The number of professionally surveyed points available for evaluation in this sub‐region was 
20 low and 35 high. 

‡Analysis scale with strongest signal highlighted in dark gray; other strong agreements shown 
in lighter gray. 

108 
 

 

Table 3.8c. Percent agreement results for relative elevation of observation points in the glacial 
lake plain landscape. Low and high agree are the count of points where the digital and field 
assessments of relative elevation were in agreement. Percent is the proportion of agreement 
out of the total number of points.†‡ 
Lake Plain 
Distance  9 m 
15 m  27 m 
Low agree 
2 
3 
3
High agree 
1 
1 
0
% low agree  66.7%  100%  100%
% high agree  25.0%  25.0% 
0.0%
Mean % 
agreement  45.8%  62.5%  50.0%
  
Distance  27 m 
Low agree 
1
High agree 
0
% low agree  33.3%
% high agree 
0.0%
Mean % 
agreement  16.7%

3 m Grid 
45 m  63 m 
3
3
0
0
100%
100%
0.0%
0.0%
50.0%

81 m  135 m  189 m 
3
0 
1
0
0 
0
100%
0.0%  33.3%
0.0%
0.0%  0.0%

  
243 m
1
0
33.3%
0.0%

45 m 
2
1
66.7%
25.0%

50.0% 50.0%
0.0%  16.7% 16.7%
9 m Grid 
63 m  81 m  135 m  189 m 
0
0
1 
0
1
3
3 
3
0.0%
0.0% 33.3%  0.0%
25.0% 75.0% 75.0%  75.0%

45.8%

12.5%

  
Distance
Low agree
High agree
% low agree
% high agree
Mean % 
agreement

37.5%

54.2%  37.5%
27 m Grid 
81 m  135 m  189 m 
3
2 
1
1
1 
2
100% 66.7%  33.3%
25.0% 25.0%  50.0%
62.5%

45.8%  41.7%

† The number of professionally surveyed points available for evaluation in this sub‐region was 
3 low and 4 high. 

‡Analysis scale with strongest signal highlighted in dark gray; other strong agreements shown 
in lighter gray. 
 
 

 

109 
 

 

Table 3.9a. Mean absolute difference results for slope gradient of observation points in the 
dune landscape. † 
Dunes 
Distance 

9 m 

15 m 
14.7°

15.9°

17.3°

  
Distance

27 m 

45 m 

Mean difference

Mean difference 

14.2° 

3 m Grid 
27 m  45 m 

15.7°

17.1°

63 m 

81 m 

18.2° 18.8° 
9 m Grid 
63 m  81 m  135 m 
18.0°
  
Distance

Mean difference

189 m 

18.8° 

20.1° 
20.8°
27 m Grid 
81 m  135 m  189 m 
18.7° 

20.1° 

20.9°

† The number of professionally surveyed points available for evaluation in this sub‐region was 
139. 
 
Table 3.9b. Mean absolute difference results for slope gradient of observation points in the 
hummocky hills landscape. † 
Hummocky Hills 
Distance 

9 m 

Mean difference 

0.90° 

15 m 

3 m Grid 
27 m  45 m 

0.85°

0.86°

0.94°

  
Distance

27 m 

45 m 

Mean difference

0.84°

0.94°

63 m 

81 m 

1.02° 1.08° 
9 m Grid 
63 m  81 m  135 m 
1.02°
  
Distance

Mean difference

189 m 

1.09° 

1.18° 
1.23°
27 m Grid 
81 m  135 m  189 m 
1.07° 

1.18° 

1.22°

† The number of professionally surveyed points available for evaluation in this sub‐region was 
149. 
 
 

 

110 
 

 

Table 3.9c. Mean absolute difference results for slope gradient of observation points in the 
glacial lake plain landscape. † 
Lake Plain 
Distance 

9 m 

15 m 

Mean difference 

0.52° 

0.60°
  
Distance

Mean difference

3 m Grid 
27 m 
45 m 
0.75°

0.87°

27 m 

45 m 

0.73°

0.89°

63 m 

81 m 

0.92°
0.95° 
9 m Grid 
63 m 
81 m  135 m  189 m 
0.93°
  
Distance

Mean difference

0.95°  0.97°  0.99°
27 m Grid 
81 m  135 m  189 m 
0.96° 

0.97° 

0.99°

† The number of professionally surveyed points available for evaluation in this sub‐region was 
38. 
 
5. Discussion 
The observed convergence in agreement as neighborhood size approaches an optimal 
analysis scale suggests 1) soil surveyors are relatively consistent in their use of analysis scale 
and 2) the calibration methodology was able to capture the analysis scales used by the soil 
scientists. By comparing a series of analysis scales for DTA metrics with the soil scientists’ 
mental model assessments, the analysis scales of DTA metrics that best correspond to the soil 
scientists’ field experience were identified. In the context of soil scientists describing hillslopes, 
the analysis scale used decreases from relative elevation to profile curvature to slope gradient. 
To many field scientists, this hierarchy of analysis scale for these components may sound 
intuitive, but DTA parameters are often calculated at identical analysis scales for use in 
environmental models. The field scientists’ use of different analysis scales for these parameters 
should inform quantitative modelling and thereby improve geomorphic and soil predictions. 

111 
 

 

Comparisons of DTA scales demonstrated the impact of analysis scale choice for each terrain 
metric, particularly for capturing expert knowledge. For example, when characterizing relative 
elevation with a 3 m resolution grid, choosing between a field equivalent distance of 9 m versus 
135 m had the impact of agreeing with the field scientists 52% of the time or 79% of the time, 
respectively. Similarly, when simply characterizing profile curvature as concave or convex, 
choosing an analysis scale of 63 m over 9 m improved agreement with scientists in the field by 
10%.  
The results of this study are supported by the observations of other researchers 
investigating the optimal analysis scale for these DTA metrics in other soil related contexts. The 
semantic calibration of profile curvature scale in this study corresponds to the optimal scale 
Drăgut et al. (2009) determined for predicting crop yield from profile curvature on an alluvial 
plain of the Danube River. The increasing agreement between digital and field measurements 
of slope gradient with decreasing neighborhood size to at least 9 m is also consistent with the 
results of Shi et al. (2007). The results of Roecker and Thompson (2010) indicated a coarser 
analysis scale for profile curvature, but the smaller quantity of samples in their study may have 
been susceptible to the scale effect of MAUP. 
The use of only categories that are better separated definitionally was successful in 
reducing the noise in the soil scientists’ mental model outcomes. The high variability of human 
assessment greatly reduces the predictability of qualitative field metrics such as hillslope 
position, but does not negate the ability to capture the logic in the experts’ knowledge. At a 
minimum, the DTA should be expected to produce values definitionally compatible with the 

112 
 

 

field observations. That is, profile curvature should be positive for convex slope shapes and 
negative for concave slope shapes (note, some profile curvature algorithms may have those 
definitions switched). Similarly, it would be expected that summits and shoulders would have 
positive relative elevations with footslopes and toeslopes expected to have negative relative 
elevations. The calibrated analysis scale at which the DTA has the highest agreement with these 
definitional relationships provides insight to how the soil scientists conceptualized the 
landscape in the field. 
An intriguing finding was that optimal analysis scales for profile curvature and relative 
elevation differed between geomorphic regions. Differences in analysis scale could be due to 
conscious choices made by soil scientists working in different landscapes. However, an 
alternative conjecture, one supported by the magnitude and direction in differences, is that 
small sample sizes and the scale effect of MAUP may explain this variation in optimal analysis 
scale. Besides the relative elevation calibration for the glacial lake plain, the other sub‐region 
calibrations generally had a trend consistent with the concept of MAUP increasing agreement 
with decreasing variability.  
The range of sensitivity between the glacial lake plain terrain (very sensitive) and the 
dune terrain (less sensitive) indicates a relationship between relief and impact of changing 
analysis scale. For example, a high relief terrain may have a wide range of DTA scales classifying 
relative elevation similarly, while the DTA analysis at different scales for an extremely flat 
landscape could respond to small variations in elevation. In the case of relative elevation in high 
relief terrain, the wide range of DTA agreement with field observations would make the 

113 
 

 

calibration signal diffuse. On the other hand, subtleties detected by DTA that the field scientists 
either ignore (e.g., 15 cm high ridges occurring at 25 m intervals in an agricultural field) or 
cannot observe (e.g., slight elevation changes in a flat glacial lake plain) could seemingly 
‘scramble’ the calibration signal. This study cannot rule out the possibility that the optimal 
analysis scale for each of these terrain metrics varies between landscapes. However, it is more 
likely that the differing results between landscapes are due to a combination of too few 
observations, the scale effect of MAUP, and differences in sensitivity to scale. 
As high resolution, digital elevation products from technologies such as LiDAR become 
more available, smaller objects on the ground have the potential to affect DTA results. 
Although the elevation grid used in this study was processed from the LiDAR point cloud to be 
bare earth, the influence of either non‐soil or at least man‐made features are present in the 
elevation. This noise in the DEM could affect DTA metrics. Therefore the semantic calibration in 
this study may be influenced by not only the scale used by soil scientists, but also the DTA scale 
that sufficiently smoothes the digital representation of terrain to minimize the influence of 
features that would naturally be ignored by scientists in the field. 
6. Conclusions 
Based on data from U.S. soil scientists, this research suggests that there exists an 
optimal analysis scale for relating DTA to observations made in the field. However, the optimal 
analysis scale is likely to be different for each DTA metric. The method of semantic calibration 
presented was able to identify analysis scales that optimized the agreement between DTA and 
field observations. Results from this study suggest that the optimal analysis scales for slope 
114 
 

 

gradient, profile curvature, and relative elevation are the field equivalent distances of 9 m, 63 
m, and 135 m, respectively. As analysis scales tested were limited to multiples of the grid cell 
size, these calibrated analysis scales are approximate. 
Consideration of the scale effect of MAUP, particularly evident with smaller quantities of 
observation points, indicates the calibrated analysis scales may not vary widely between terrain 
types. Results also suggest that for the range of terrain types used in this study, sensitivity to 
analysis scale decreases with increasing relief. This information should guide the use of these 
DTA metrics at other locations in two ways. First, a large quantity of sample points is needed to 
avoid the influence of MAUP when comparing analysis scales. Based on observations in this 
study, I suggest at least more than 100 points. Second, the results of this study should be 
transferable to other terrain types, but the choice in analysis scale will be more critical for low 
relief terrains. 
These semantically calibrated analysis scales for DTA provide documentation of the soil 
scientists’ field perspective and experience in the assessment of hillslope processes. Models 
attempting to predict landscape features traditionally identified by field scientists will likely 
benefit from using the same analysis scales utilized by those scientists. Similarly, other models 
using DTA as parameters will likely benefit from the lessons of analysis scale accumulated by 
scientists in the field over centuries. 
The calibration of DTA metric analysis scales to the soil scientists’ assessments in the 
field synchronizes DTA to the accumulated experience of field work. This calibration is only the 
first step in capturing the expert knowledge inherent in the use of the hillslope position metric. 
115 
 

 

The next step is to capture the expert knowledge in the classification of hillslope positions. 
Once a quantitative, DTA definition for hillslope position is established, additional field work 
will be needed to validate the relationships of this newly quantitative metric to hillslope 
processes. 
 

 

116 
 

 

 
 
 
 
 
 
 
 
 
 
 
 
APPENDIX 
 

 

117 
 

 

EVALUATION OF THE OTTAWA COUNTY LIDAR ELEVATION GRID 
The digital elevation model used for many of the analyses in this dissertation was 
created from a 2004 LiDAR flight of Ottawa County, Michigan. For the county government’s use, 
the LiDAR point cloud was processed for bare earth and interpolated to a 3 m grid (Figure 3.9). 
Some striped patterns were observed in the final digital elevation model, particularly in the 
derived hillshade grid. This appendix explores the characteristics of those patterns to determine 
if they could be artifacts from the LiDAR data collection and if the patterns could potentially 
affect the results of this dissertation. 
Viewing the hillshade model of an elevation grid can be a useful method to detect 
potential artifacts in the grid created by systematic errors. However, exaggeration of the relief 
in creating the hillshade model can lead to unneeded concern over the nature and magnitude 
of the potential error (Figures 3.10 and 3.11). Further investigation is required to understand 
the likely sources for the patterns observed. One such investigation is to evaluate the extent 
over which the pattern is consistent. A second investigation is to evaluate cross section profiles, 
cutting perpendicular to the observed pattern, to determine the regularity of the spatial 
frequency. The spatial frequency also informs which analysis scales could be influenced by the 
observed pattern.

118 
 

 

 
Figure 3.9. Example area from LiDAR elevation grid. Note the striped elevation patterns that can be seen in some portions of the 
example area. 
 

119 
 

 

 
Figure 3.10. Same example area processed as a hillshade from the LiDAR elevation grid, with no vertical exaggeration. Note the 
additional striped patterns that were not as apparent in the display of elevation in Figure 3.9. 

120 
 

 

 
Figure 3.11. Same example area processed as a hillshade from the LiDAR elevation grid, with elevation exaggerated by a factor of 3. 
Note the increased prominence of striped patterns, as compared to the hillshade without vertical exaggeration (Figure 3.10). 
 

121 
 

 

The striped pattern observed in the LiDAR grid used for this dissertation varied in 
orientation across the study area. As it is unlikely that the flight pattern used to collect the 
LiDAR points changed orientation, the changes in orientation indicate the pattern is not due to 
systematic error from the LiDAR measurement method. Instead, the changes in pattern 
orientation generally coincide with crop field boundaries, indicating an anthropogenic source 
for the patterns. 
In order to determine the spatial characteristics of the striped patterns and understand 
potential impacts on subsequent digital terrain analyses, six cross section profiles were 
examined. The cross section sites were chosen to be representative of the different types of 
striped patterns found in this LiDAR DEM and roughly distributed across the study area (Figure 
3.12). The cross section profiles were also oriented to be perpendicular to the observed striping 
at each site.  
Based on the cross sectional profiles, it is apparent that some striped patterns are more 
strongly expressed than others. Most have a spatial frequency of 10 m and a vertical relief of 5 
to 20 cm (Figures 3.13 ‐ 3.20). At this spatial frequency there could be some influence on the 
smallest analysis neighborhoods possible. With a 3 m resolution, a 3 by 3 analysis neighborhood 
would have a scale equivalent to 9 m. Despite similar lengths, the low amount of relief makes 
the potential impact on neighborhood analysis calculations minimal. The vertical relief is 0.5 to 
2% of the 10 m distance. Sites with larger vertical relief in the striped pattern also had longer 
spatial frequencies, maintaining similarly small ratios of about 1%. Any impact from the striped 
pattern would decrease with larger analysis neighborhoods. 

122 
 

 

 

 
Figure 3.12. Location of cross sections examined in LiDAR elevation grid from Ottawa County, 
Michigan, USA. The longitudinal orientation of the cross section symbols indicates each profile 
line’s orientation.

123 
 

 

 
Figure 3.13. Evaluation of site 1. The spatial frequency of the striped pattern does not appear to be regular, but a few peaks occur at 
an interval of 30 m. The relief between the peaks appears to be approximately 30 cm. 
 
124 
 

 

 
Figure 3.14. Evaluation of site 2. The spatial frequency of the striped pattern does not appear to be regular, but a few peaks occur at 
an interval of 10 m. The relief between the peaks appears to be approximately 5 cm. 
 
125 
 

 

 
Figure 3.15. Evaluation of site 3. The spatial frequency of the striped pattern does have some regularity, with peaks occurring at an 
interval of 10 m. The relief between the peaks appears to be approximately 10 cm. 
 
126 
 

 

 
Figure 3.16. Evaluation of site 4. The spatial frequency of the striped pattern does not appear to be regular, but a few peaks occur at 
an interval of 10 m. The relief between the peaks appears to be approximately 10 cm or less. 
 
127 
 

 

 
Figure 3.17. Evaluation of site 5. The spatial frequency of the striped pattern is not strongly expressed in the cross section, but a few 
peaks occur at an interval of 10 m. The relief between the peaks appears to be approximately 20 cm or less. 
 
128 
 

 

 
Figure 3.18. Evaluation of site 6. The spatial frequency of the striped pattern does have some regularity, with peaks occurring at an 
interval of 25 m. The relief between the peaks appears to be approximately 10 to 15 cm. 
 
129 
 

 

 
Figure 3.19. Evaluation of site 7. The spatial frequency of the striped pattern is not strongly expressed in the cross section, but a few 
peaks occur at an interval of 5 m. The relief between the peaks appears to be approximately 10 cm. 
 
130 
 

 

 
Figure 3.20. Evaluation of site 8. The spatial frequency of the striped pattern does not appear to be regular, but a few peaks occur at 
an interval of 10 m. The relief between the peaks appears to be approximately 5 cm. 
 
131 
 

 

By comparing aerial photographs of the cross section areas, the striped patterns appear 
to be best explained by agricultural practices. Although aerial photography was not available for 
the same year the LiDAR data was collected, the orientation of striped patterns observed in the 
LiDAR often matched striped patterns observed in aerial photos (Figures 3.21 and 3.22). 
Forested locations had similar patterns, but were expressed in the LiDAR DEM more as aligned 
bumps than solid stripes. Site 1 examined one of these areas and determined the spatial 
frequency and relief in DEM pattern was larger than in the crop fields. The ‘bumps’ at site 1 had 
a height of 30 cm, which could be an artifact from the processing of the LiDAR points for bare 
earth or possibly root mounds.

132 
 

 

 
Figure 3.21. Image of area surrounding cross section site 6. The area demonstrates the striped patterns commonly observed on row 
crop fields. Satellite image courtesy of USGS. 
133 
 

 

 
Figure 3.22. LiDAR based hillshade with 3x vertical exaggeration of the same area shown in figure A.13. Note the matching orientations 
of the striped pattern in both the tone of the aerial image and the hillshading from the elevation grid.
134 
 

 

 
 
 
 
 
 
 
 
 
 
 
 
REFERENCES 
 

 

135 
 

 

REFERENCES 
 
Albani, M., B. Klinkenberg, D.W. Andison, and J.P. Kimmins. 2004. The choice of window size in 
approximating topographic surfaces from digital elevation models. International Journal of 
Geographical Information Science. 18(6): 577‐593. 
Armhein, C.G. 1995. Searching for the elusive aggregation effect: Evidence from statistical 
simulations. Environment and Planning A. 27(1):105‐119. 
Behrens, T., A. Zhu, K. Schmidt, and T. Scholten. 2010. Multi‐scale digital terrain analysis and 
feature selection for digital soil mapping. Geoderma. 155:175‐185. 
Burras, C.L. and W.H. Scholtes. 1987. Basin properties and postglacial erosion rates of minor 
moraines in Iowa. Soil Science Society of America Journal. 51:1541‐1547. 
Carter, B.J. and E.J. Ciolkosz. 1991. Slope gradient and aspect effects on soils developed from 
sandstone in Pennsylvania. Geoderma. 49:199‐213. 
Cerdá, A. 1998. The influence of geomorphic position and vegetation cover on the Erosional and 
hydrological processes on a Mediterranean hillslope. Hydrological Processes. 12:661‐671. 
Chang, K., Tsai, B., 1991. The effect of DEM resolution on slope and aspect mapping. 
Cartography and Geographic Information Systems 18, 69‐77. 
Chaplot, V., Walter, C., Curmi, P., 2000. Improving soil hydromorphy prediction according to 
DEM resolution and available pedological data. Geoderma. 97:405‐422. 
Claessens, L., G.B.M. Heuvelink, J.M. Schoorl, and A. Veldkamp. 2005. DEM resolution effects on 
shallow landslide hazard and soil redistribution modelling. Earth Surface Processes and 
Landforms. 30(4):461‐477. doi: 10.1002/esp.1115. 
Dehn, M. H. Gärtner, and R. Dikau. 2001. Principles of semantic modeling of landform 
structures. Computers & Geosciences. 27:1005‐1010. 
Donald, R.G., D.W. Anderson, and J.W.B. Stewart. 1993. The distribution of selected soil 
properties in relation to landscape morphology in forested Gray Luvisol soils. Canadian 
Journal of Soil Science. 73:165‐172. 
Drăgut, L., T. Schauppenlehner, A. Muhar, J. Strobl, and T. Blaschke. 2009. Optimization of scale 
and parameterization for terrain segmentation: an application to soil‐landscape modeling. 
Computers & Geosciences. 35:1875‐1883. 
ESRI. 2012. Environmental Systems Research Institute ArcGIS Software, Version 10.1. 
http://www.esri.com  

136 
 

 

Evans, I.S. 1979. An integrated system of terrain analysis and slope mapping. Final report on 
grant DA‐ERO‐591‐73‐G0040. University of Durham. England. 
Florinsky, I.V., R.G. Eilers, G.R. Manning, and L.G. Fuller. 2002. Prediction of soil properties by 
digital terrain modelling. Environmental Modelling & Software. 17:295‐311. 
Gallant, J.G. and J.P. Wilson. 1996. Tapes‐G: a grid‐based terrain analysis program for the 
environmental sciences. Computers & Geosciences. 22(7):713‐722. 
GRASS Development Team, 2012. Geographic Resources Analysis Support System (GRASS) 
Software, Version 6.4.2. Open Source Geospatial Foundation. http://grass.osgeo.org 
Hupy, C.M., R.J. Schaetzl, J.P. Messina, J.P. Hupy, P. Delamater, H. Enander, B.D. Hughey, R. 
Boehm, M.J. Mitrok, and M.T. Fashoway. 2004. Modeling the complexity of different, 
recently glaciated soil landscapes as a function of map scale. Geoderma. 123:115‐130. 
Jelinski, D.E. and J. Wu. 1996. The modifiable areal unit problem and implications for landscape 
ecology. Landscape Ecology. 11(3):129‐140. 
Joel, M., D.S. Schimel, M.A. Friedl, F.W. Davis, and R.C. Dubayah. 1994. Regression tree analysis 
of satellite and terrain data to guide vegetation sampling and surveys. Journal of 
Vegetation Science. 5:673‐686. 
Kienzle, S. 2004. The effect of DEM raster resolution on first order, second order and compound 
terrain derivatives. Transactions in GIS. 8:83–111. 
Lapen, D.R. and L.W. Martz. 1996. An investigation of the spatial association between snow 
depth and topography in a Prairie agricultural landscape using digital terrain analysis. 
Journal of Hydrology. 184:277‐298. 
MacMillan, R.A., W.W. Pettapiece, S.C. Nolan, T.W. Goddard. 2000. A generic procedure for 
automatically segmenting landforms into landform elements using DEMs, heuristic rules 
and fuzzy logic. Fuzzy Sets and Systems. 113:81‐109. 
Milne, G. 1935. Some suggested units of classification and mapping particularly for East African 
soils. Soil Research. 4(3). 
Mitášova, H. and J. Hofierka. 1993. Interpolation by regularized spline with tension: II. 
Application to terrain modeling and surface geometry analysis. Mathematical Geology. 
25(6):657‐669. 
Montello, D.R. 2001. Scale in geography. In N.J. Smelser & P.B. Baltes (eds.). International 
Encyclopedia of the Social & Behavioral Sciences. Pergamon Press. Oxford. 
Moore, I.D., P.E. Gessler, G.A. Nielsen, and G.A. Peterson. 1993. Soil attribute prediction using 
terrain analysis. Soil Science Society of America Journal. 57:443‐452. 
137 
 

 

Roecker, S.M. and J.A. Thompson. 2010. Scale effects on terrain attribute calculation and their 
use as environmental covariates for digital soil mapping. In J.L. Boettinger, D.W. Howell, 
A.C. Moore, A.E. Hartemink, and S. Kienast‐Brown (eds). Digital Soil Mapping: Bridging 
Research, Environmental Application, and Operation. pp. 55‐66. 
th

Ruhe, R.V. 1960. Elements of the soil landscape. Trans. 7  Intl. Cong. Soil Sci., Madison, WI. 
4:165‐170. 
Schoeneberger, P.J., D.A. Wysocki, E.C. Benham, and Soil Survey Staff. 2012. Field Book for 
Describing and Sampling Soils, Version 3.0. U.S. Department of Agriculture, Natural 
Resource Conservation Service. Lincoln, Nebraska. 
Schoorl, J.M., Sonneveld, M.P.W., Veldkamp, A., 2000. Three‐dimensional landscape process 
modeling: the effect of DEM resolution. Earth Surface Processes and Landforms 25, 1025‐
1034. 
Sharma, A., K.N. Tiwari, and P.B.S. Bhadoria. 2011. Determining the optimum cell size of digital 
elevation model for hydrologic application. Journal of Earth System Science. 120(4): 573‐
582. 
Shi, X., R. Long, R. Dekett, J. Philippe. 2009. Integrating different types of knowledge for digital 
soil mapping. Soil Sci. Soc. Am. J. 73:1682‐1692. doi:10.2136/sssaj2007.0158. 
Shi, X., A. Zhu, J. Burt, W. Choi, R. Wang, T. Pei, B. Li, and C. Qin. 2007. An experiment using 
circular neighborhood to calculate slope gradient from a DEM. Photogrammetric 
Engineering & Remote Sensing. 73(2):143‐154. 
Smith, M.P., A. Zhu, J.E. Burt, and C. Stiles. 2006. The effects of DEM resolution and 
neighborhood size on digital soil survey. Geoderma. 137:58‐69. 
doi:10.1016/j.geoderma.2006.07.002 
Stolt, M.H., J.C. Baker, and T.W. Simpson. 1993. Soil‐landscape relationships in Virginia: II. 
reconstruction analysis and soil genesis. Soil Science Society of America Journal. 57:422‐
428. 
Thompson, J.A., J.C. Bell, and C.A. Butler. 2001. Digital elevation model resolution: effects on 
terrain attribute calculation and quantitative soil‐landscape modeling. Geoderma. 100:67‐
89. 
Wood, J.D. 1996a. Scale‐based characterisation of digital elevation models. In: D. Parker, editor, 
Innovations in GIS 3: Selected Papers from the Third National Conference on GIS Research. 
Taylor & Francis, London, UK. 
Wood, J. 1996b. The Geomorphological characterisation of Digital Elevation Models. Diss., 
Department of Geography, University of Leicester, U.K. 
http://www.soi.city.ac.uk/~jwo/phd/. Accessed [4/15/2013]. 

138 
 

 

Wu, W., Y. Fan, Z. Wang, H. Liu. 2008. Assessing effects of digital elevation model resolutions on 
soil‐landscape correlations in a hilly area. Agriculture, Ecosystems & Environment. 126(3‐
4):209‐216. 
Wysocki, D.A., P.J. Schoeneberger, and H.E. Garry. 2000. Geomorphology of Soil Landscapes. In 
M.E. Sumner (ed.). Handbook of Soil Science. CRC Press LLC. Boca Raton, Florida. 
Yoo, K., R. Amundson, A.M. Heimsath, and W.E. Dietrich. 2005. Erosion of upland hillslope soil 
organic carbon: coupling field measurements with a sediment transport model. Global 
Biogeochemical Cycles. 19(3):GB3003. doi: 10.1029/2004GB002271. 
Zevenbergen, L.W. and C.R. Thorne. 1987. Quantitative analysis of land surface topography. 
Earth Surface Processes and Landforms. 12:47‐56. 
 

 

139 
 

 

CHAPTER 4. DIGITAL CLASSIFICATION OF HILLSLOPE POSITION:  
DEVELOPING A BETTER BASE MAP FOR IMPROVING AND DISAGGREGATING EXISTING SOIL 
MAPS 
 
Abstract 
Classification of hillslope position has long been used in soil geomorphology. Many soil 
landscapes are readily predictable and mappable by using this landscape attribute alone. 
However, insufficiently detailed base maps ‐ due to lack of detailed data or the proper 
technology to develop them ‐ have restricted the use of hillslope elements as landscape guides 
in traditional soil mapping endeavors. In this research, I develop and present a landscape 
classification model that provides quantitatively defined hillslope positions that are repeatable 
across landscapes. These types of maps are excellent base maps, which can be used to facilitate 
the disaggregation of soils currently mapped as complexes, and the identification of inclusions 
that are mainly due to subtle topographic variation. I test a series of approaches for calibrating 
the classification of LiDAR elevation data for hillslope position. The classification models use 
parameters that have already been calibrated to the respective analysis scales used by the soil 
scientists in the field. Evaluated classification methods include a variety of decision tree 
structures, with breaks based on calibration groups’ mean mid‐points, median mid‐points, and 
fuzzy membership, as well as classification by linear discriminant analysis. Model prediction of 
field scientists’ classification of hillslope position ranged from 11% to 59% agreement. The 
successful prediction rate of 59% is acceptable, given that the model parameters only had 

140 
 

 

agreement rates with field assessments of 69‐79%. The best performing model was a decision 
tree differentiating the landscape first by slope gradient, then by profile curvature and relative 
elevation. The best performing classification breaks were those determined by the midpoints of 
calibration groups’ medians. Soil maps, generated from these base maps, resulted in a 
definitionally consistent characterization of the landscape that reflects the experience of field 
soil scientists and can be efficiently applied to large extents. Areas of potential mismapping are 
easily identified by comparing hillslope position classifications with current Soil Survey 
delineations. 
Keywords: hillslope position, digital soil mapping, disaggregation, LiDAR 
1. Introduction 
1.1 Utility of Hillslope Position 
Ruhe and Walker (1968) defined and identified five hillslope profile positions for 
geomorphically describing landscapes. The transferability (uniformitarianism) of this model for 
fully developed slopes, regardless of climate or material, has been clearly demonstrated (Wood, 
1942; King, 1957; Frye, 1959; Ruhe, 1975). Since that time, the five hillslope positions have 
become the standard for studying soil toposequences, under the pedogenic model proposed by 
Jenny (1941), as well as for landscape description and segmentation in general (Conacher and 
Dalrymple, 1977; Pennock et al., 1987; Giles, 1998; Park and van de Giesen, 2004). Numerous 
studies ‐ some of them being landmark papers ‐ have leaned on or otherwise built upon this 
framework to examine the variability of soil properties across hillslopes (Kleiss, 1970; Furley, 
1971; Malo et al., 1974; Butler, 1982; Burras and Scholtes, 1987; West et al., 1988; Donald et 
141 
 

 

al., 1993; Stolt et al., 1993; Korobova and Romanov, 2011; Kagabo et al., 2013; Tsatskin et al., 
2013). Also, because of the interrelationship between soil and vegetation, hillslope position has 
been a useful framework in ecological studies (Arnold et al., 2009; Jien et al., 2010; Khalili‐Rad 
et al., 2011; Koné et al., 2013).  
The information gained from intensive studies has since been extended across 
landscapes using a soil‐landscape model (Hudson, 1990; Hudson, 1992). Through spatial 
association, observations can be related to similar map units, thereby extending the utility of 
intensive, small extent studies (Milne, 1935; Bushnell, 1943; Hole and Campbell, 1985). For 
these reasons, this principle has been a successful paradigm for the U.S. Soil Survey in regions 
where hillslope processes are a major factor in explaining the spatial variability of soils (e.g. 
Pregitzer, 1972; Dermody, 2009; Pulido, 2011). However, soil map units would be improved by 
better definition and integration of landscape components, such as hillslope position (Hall and 
Olson, 1991). 
In addition to being a research tool, classification facilitates communication and 
understanding by providing an orderly arrangement to a complex world (Grealish et al., 2013). 
It provides unique geographic tools for analyzing spatial patterns (Bunge, 1962). For example, 
classified soil bodies can be analyzed for density, orientation, and shape complexity (Hole and 
Campbell, 1985). Indeed, soil bodies reflect geomorphic processes more directly than do 
individual pedons (Wysocki et al., 2000). For example, soil classification is more amenable to 
expressing unique combinations of soil properties than are continuous fields (Arnold, 2006). 

142 
 

 

Classification also provides a means for comparing different soils on a common attribute scale, 
such as drainage or productivity indexes (Schaetzl et al., 2009; Schaetzl et al., 2012). 
As demonstrated in Chapter 2, soil mapping efforts throughout history have been able 
to delineate smaller map units, with more accuracy, as better base maps have become 
available. Despite these advances, current U.S. Soil Survey maps contain many soil complexes, 
rather than consociations, due to limitations in available base maps and resources to delineate 
that level of detail. Currently, the U.S. Soil Survey primarily relies on stereo aerial photographs, 
which are limited in resolution and topographic information. Even map units delineated as 
consociations contain inclusions that were too small to identify in the available base map, or at 
the scale of the soil map. Many of these areas could have been delineated, had better base 
maps and more resources (i.e. manpower) been available. Disaggregation of these soil 
delineations would be a major step for improving soil maps. Better base maps have the ability 
to facilitate the delineation of soil map units to the resolution of topographic relationships. 
However, to do so, the five hillslope positions in a mature landscape need to be defined and 
identified in a manner that is accurate and repeatable across the landscape. 
High resolution, digital elevation grids, made optimally from LiDAR data, are necessary 
to quantitatively define hillslope position. Digital terrain analyses apply characterization 
algorithms and classification rules to the detailed elevation data, as a means to consistently 
describe and classify terrain. Hillslope position is a classic terrain characterization that has not 
been translated to digital methods. Hillslope position is a composite of terrain characteristics 
that are mentally synthesized by soil scientists in the field, namely profile curvature, slope 

143 
 

 

gradient, and relative elevation (Figure 4.1). Chapter 3 of this dissertation calibrated the digital 
analysis scale for each of these terrain parameters to the analysis scale used by soil scientists 
assessing hillslope position. Optimizing the analysis scale of the parameters provides the setup 
for testing which model structure best predicts the field classification of hillslope position. 

 
Figure 4.1. Illustration of the mental construct that soil scientists use to assess hillslope position 
in the field. 
 
As a first step to establishing a quantitative definition of hillslope positions, this study 
evaluates a series of digital classification approaches for their ability to predict hillslope 
positions, as initially identified by soil scientists in the field, for a study area in Michigan. The 
transferability of the hillslope position models is then tested by applying and validating the 
respective models in two additional study areas in Iowa. Although this study uses the 
classification of hillslope position to calibrate and validate terrain analysis to the soil scientists’ 
assessments, the result is not limited to discrete classification. One of the hillslope position 
models utilizes a fuzzy classification approach, which could be used as a parameter in soil 

144 
 

 

models without hardening the membership classification. Whether discrete or fuzzy 
membership is desired, the quantitative, repeatable, and transferable classification of hillslope 
position has the potential to improve soil maps by providing the differentiating criteria for 
disaggregating map units in a consistent and documented manner. 
1.2 Application to Digital Soil Mapping 
A popular approach to digital soil mapping has been expert knowledge models that 
require the user to determine parameter breaks in a digital format (Zhu et al., 2001; Shi et al., 
2004; Shi et al., 2009). This method stands in contrast to traditional soil mapping methods 
where soil scientists relate observations in the field to locations identified on an aerial 
photograph, viewed stereoscopically. Unlike histograms of digital data, aerial photographs 
include more of the field context in which soil scientists’ have calibrated their mental model of 
the soil landscape. The special ability of humans to synthesize multiple parameters, 
contextually, is one of the reasons that human assessment in the field and of aerial 
photography is a powerful method for soil mapping (Hudson, 1992; Hengl and MacMillan, 2007; 
MacMillan et al., 2007), and one that is usually lacking in digital soil mapping. Therefore, 
calibrating soil classification parameters to soil scientists’ field interpretations will be more 
intimately connected to the soil scientists’ mental model, and thus potentially result in better 
landscape classifications. The conceptual model built by individual soil scientists in the field 
utilizes both implicit and explicit parameters to discern geographic soil patterns. In order to 
fully utilize the experience of field soil scientists, their expert knowledge needs to be captured 
in the context that is what calibrated. 

145 
 

 

Expert knowledge models have also required unique calibrations per mapping area. The 
unique calibration of digital terrain parameter breaks per mapping area implies that 
geomorphic processes respond to terrain shape differently by location. Although the balance 
between surface runoff and infiltration is affected by a number of soil and meteorological 
conditions (Schaetzl, 2013), if all other variables are held constant, similar slope shapes should 
have similar soil properties (Milne, 1935; Ellis, 1938; Bushnell, 1943; Hole and Campbell, 1985). 
The lack of transferability of soil mapping models may be more a product of mapper 
subjectivity in the complex interpretation of which soil boundaries are important in a soil map. 
For example, cultivated fields are often mapped in greater detail than adjacent forests (Figure 
4.2). 

Figure 4.2. Example of subjective shift in soil map detail between cultivated fields (left) and 
adjacent forest land (right) in the 1:15,840 Soil Survey map of Boone County, Iowa (Andrews 
and Dideriksen, 1981). 
 
Soil mapping efforts can use the hillslope position base map to combine the strengths of 
field knowledge with the precision and efficiency of digital terrain analysis. Utilizing the 
philosophy of expert knowledge models, by translating tacit knowledge to quantified 
definitions, soil landscapes can be classified in a consistent and documented manner. However, 
146 
 

 

the expert knowledge models can be better calibrated to the actual expert knowledge by 
allowing experts to interpret the landscape in the context in which they were trained (i.e. the 
field) and by examining the individual components of the soil mapper’s decision process.  
The hillslope position classification model validated in this study provides digital base 
maps of hillslope position, for the purpose of delineating soil map units by the soil‐landscape 
approach, but at a level of detail unattainable by previous manual methods. Additionally, the 
delineation of hillslope position boundaries is done in a repeatable manner. The result is a 
higher resolution criteria for differentiating soil map units, which can be used to identify 
smaller, more homogenous soil areas and improve line placement.  
2. Methods 
2.1. General Setup 
Using the analysis scales calibrated for each of the terrain parameters (i.e. profile 
curvature at 63 m, relative elevation at 135 m, and slope at 9 m)(Chapter 3), four approaches to 
classifying hillslope position were tested. These approaches included a series of decision tree 
arrangements with breaks based on mid‐points between central concept values (assumption of 
similar variability within groups), a series of decision tree arrangements based on fuzzy 
membership (allowance for different within group variability), and linear discriminant analysis 
(LDA). Terrain analysis of slope gradient and profile curvature was conducted on LiDAR‐derived, 
3 m resolution, elevation grids using the r.param.scale function in GRASS 6.4.2 (GRASS 
Development Team, 2012). Relative elevation was calculated in ArcGIS 10.1 (ESRI, 2012), using 
the analysis scale dependent method presented in Chapter 3. 
147 
 

 

Ottawa County, Michigan was used as the base study area for calibration and validation 
of the hillslope position models. The elevation grid was obtained from the Ottawa County 
2

government based on LiDAR data, flown in 2004. Ottawa County covers 1,488 km  and includes 
a wide variety of terrain, mostly derived from Late Wisconsin glaciation (Pregitzer, 1972). The 
majority of the county’s topography ranges from flat, lake and outwash plains to hummocky, till 
plains of Wisconsin age. However, there are also large areas of high relief due to more recent 
sand dune development. Elevation ranges from 173 to 292 meters above sea level with slope 
gradients ranging from 0° to 46°. The mean slope gradient is 3°. 

All field observations of hillslope position in Ottawa County were collected by NRCS soil 
scientists working out of the Grand Rapids, Michigan Soil Survey (MLRA) Office. The 
observations were collected as part of regular office operations to better understand 
boundaries between map units that were difficult to delineate. A pool of 1,039 GPS‐located, 
field observations, taken as 8‐10 point transects with 40‐80 m spacing, were used for 
calibration (Figure 4.3). At each point, the mapper made notes as to their interpretation of 
hillslope position along with additional soil properties. These points were intersected with the 
digital terrain analysis grids of the model parameters and grouped by the field observers’ 
assessment of hillslope position. Due to field observers’ uncertainty in classifying some 
locations, not all observation points included a description applicable to all components of 
hillslope position determination. For example, 411 points were described as “flat”. Although 
these points could not be used to calibrate breaks for relative elevation, they could still be used 
to populate definitional groups for slope gradient and profile curvature. For the decision tree 
148 
 

 

classifications, 966, 970, and 546 points were used to calibrate breaks for slope gradient, profile 
curvature, and relative elevation, respectively. The multivariate process of LDA limited the use 
of points to only those in which the hillslope position was clearly identified by the field 
observer. This requirement for fully categorized points limited the quantity of calibration points 
available to 546 for that particular classification method. For validation, 262 field observations 
taken by the staff of the same Soil Survey office, but not in transects, were used. Of those 
points, the field observer was unable to decide between two hillslope positions for only 73 of 
the observation locations. In these cases, model prediction of either hillslope position identified 
by the field scientists was accepted as valid.  

149 
 

 

 
Figure 4.3. Distribution of calibration points in Ottawa County, Michigan. Each set of calibration points represent mapping transects, 
walked by NRCS field soil scientists, and each contains 8‐10 observations.
150 
 

 

2.2 Decision Tree Models 
Three possible decision trees were identified by the logic of hillslope position definitions 
after the use of each of the three parameters, respectively, at the top level of the hierarchy. 
The initial decision tree hierarchy differentiates hillslope positions first by profile curvature, 
then by slope gradient, and finally by relative elevation. Because this decision tree hierarchy 
emphasizes profile curvature at the top level, it will be referred to as the profile curvature 
priority decision tree (PrcP) (Figure 4.4a).  The second decision tree hierarchy differentiates 
hillslope positions first by slope gradient, then by profile curvature and relative elevation 
(Figure 4.4b), and is referred to as the slope gradient priority decision tree (SlgP). The third 
decision tree hierarchy differentiates hillslope positions first by relative elevation, then slope 
gradient, and is referred to as the relative elevation priority decision tree (ReeP) (Figure 4.4c). In 
this last decision tree hierarchy, the five hillslope positions are differentiated without the use of 
profile curvature. In all decision trees, the first level of criteria was calibrated for two 
classification breaks to create three categories. The remaining levels of the decision trees then 
only required a single break to make two categories within the respective branches of the tree. 
 

 

151 
 

 

  a) 

Profile Curvature Priority (PrcP)

 
 
 
 
 
 
 
 
 
b) 

 
Slope Gradient Priority (SlgP)
 
 
 
 
 
 
Relative Elevation Priority (ReeP)
 

c) 

 
 
 
 
 
Figure 4.4. Diagrams for the three classification tree hierarchies. Each tree will be referred to by 
the parameter emphasized in the top level of the hierarchy, specifically: a) the profile curvature 
priority decision tree (PrcP), b) the slope gradient priority decision tree (SlgP), and c) the 
relative elevation priority decision tree (ReeP). 
152 
 

 

2.2.1. Calibration of Classification Breaks 
Three methods of classification break calibration were tested on each of the three 
decision tree structures, leading to nine experimental iterations. The respective calibration 
methods were used consistently for all levels of a decision tree. For each model parameter, the 
calibration points were sorted into assessment groups, as per the definitional category of the 
observed hillslope position (Table 4.1). Statistics for the digital terrain values within the 
assessment groups were calculated and used as a basis for quantitative calibration of breaks 
between assessment groups. 
Table 4.1. Definitional categories of terrain parameters by hillslope position. 
Hillslope Position 
Summit  
Shoulder  
Backslope  
Footslope  
Toeslope  

Slope 
Low 
Medium 
High 
Medium 
Low 

Profile Curvature  
Linear  
Convex  
Linear  
Concave  
Linear  

Relative Elevation  
High  
High  
Middle  
Low  
Low  

 
The first classification break calibration used the mean as the central concept for the 
respective assessment groups. Assuming similar, normal distributions around that central 
concept, the mean of two adjacent central concept values (mid‐point), was then used as the 
break between the two groups. A few extreme values in parameter assessment groups, 
particularly slope gradient, created the possibility of the mean not being the optimal central 
concept criterion for the group. To address this potential issue, the second break calibration 
method used the median instead of the mean to represent the central concept. The 
classification breaks for this calibration method were determined in the same manner as the 

153 
 

 

group‐mean calibration approach. For example, when profile curvature needed to be classified 
as convex, linear, or concave, calibration points were categorized into the three assessment 
groups. The median of each assessment group was used as the respective groups’ central 
concept. The mean between the medians of the convex and linear groups and the mean 
between the medians of linear and concave groups were used as classification rules to separate 
the groups respectively in the model.  
To allow for the possibility that the value distributions between assessment groups were 
not similar, a fuzzy membership method was also tested. The statistical characteristics of the 
grouped calibration points were used to construct a confidence index (CI) of membership. The 
CI was calculated using a normal probability density function (PDF) based on the group’s mean 
and standard deviation, which was then standardized to set the group mean with a CI value of 
one. CI values, therefore, grade decreasingly towards and can overlap with an adjacent 
category. Parameter values on the opposite side of the mean from all other assessment groups 
were assigned a CI of one plus the inverse result of the PDF. The resulting theoretical CI 
distribution is illustrated in Figure 4.5. For classification, locations were categorized into the 
group for which the location had the highest CI of membership. 
 

 

154 
 

 

 

 
Figure 4.5. Conceptual illustration of the confidence index (CI) used for determining fuzzy 
membership. The shape of the CI curve for the middle class is calculated by a normal probability 
density function (PDF) based on the calibration group’s mean and standard deviation. CI values 
for the low and high classes are calculated in the same manner, except that values on the 
opposite side of the mean from other classes are calculated as one plus the inverse of the PDF 
result. 
 
2.3. Linear Discriminant Analysis 
For the LDA approach, all three terrain parameters were standardized to a mean of zero 
and a standard deviation of one to remove the possibility of large differences in magnitude 
affecting results. The standardized grids of the three terrain parameters were then intersected 
with the calibration points. The values from those intersected points were processed for LDA 
using the MASS library in the R software package (Venables and Ripley, 2002). The resulting 
linear combination function and classification rules were then applied to the standardized, 
terrain parameter grids for determining hillslope position. 
2.4. Validation and Transferability 
Validation points were intersected with each of the classified hillslope position grids 
produced by the ten different classification approaches in Ottawa County. Each classification 
155 
 

 

approach was evaluated by overall percent agreement between soil scientists’ field 
observations and model prediction, as well as with confusion matrixes. The validation results of 
the hillslope position models in the calibration area of Ottawa County were used to determine 
if the decision tree or LDA classification approach would be tested for transferability to other 
landscapes. 
Two counties in Iowa with different terrain types were selected to test the 
transferability of hillslope position models validated in Ottawa County, Michigan. Like the 
Michigan study site, Dickinson County, Iowa is a landscape dominated by Late Wisconsin‐age 
glacial landforms, but with a much larger proportion of closed basins (Pulido, 2011). The area 
consists primarily of till, glaciolacustrine, and outwash plains. Elevations range from 387 to 485 
m above sea level. The steepest slope gradient in the area is 61°, but the mean is 2°. The 
second study area for testing transferability was Cedar County, Iowa. This county’s 
physiography has been classified as Southern Iowa Drift plain except for some Iowan Erosion 
Surface in the northern quarter (Ruhe, 1969; Dermody, 2009). Across the county, Pre‐Illinoian 
glacial deposits have been dissected through several episodes of landscape development 
(Bettis, 1989). Elevations in Cedar County range from 191 to 295 m above sea level. Slope 
gradients in the area reach 77°, with a mean of 3°. 

156 
 

 

 
Figure 4.6. Dickinson County, Iowa (a) and Cedar County, Iowa (b) were used to test the 
transferability of the models calibrated and validated in Ottawa County, Michigan (c). 
 
The same hillslope position models, including classification breaks calibrated in Ottawa 
County, were used to classify hillslope position in the two Iowa study areas. The models were 
applied to 3 m resolution elevation grids obtained from the Iowa Department of Natural 
Resources, which were based on LiDAR data collected between 2007 and 2009 (IDNR, 2009). 
Hillslope position validation points for Dickinson and Cedar Counties were field observations 
with locations recorded by GPS, obtained from the Waverly, Iowa Soil Survey Office. Dickinson 
County had 75 and Cedar County had 35 field observations available, respectively. Agreement 
between the hillslope position classification model and the NRCS field observations was 
assessed in the same manner as in the validation procedure for Ottawa County. 
The hillslope position model determined to have the most consistently high rate of 
agreement with validation points in all three study areas was subsequently compared with the 
157 
 

 

current Soil Survey map delineations. The zonal statistics of the hillslope position classifications 
based on map units in the Soil Survey Geographic dataset (SSURGO) (Soil Survey Staff, 2013a) 
were used to quantitatively compare and contrast the two maps. 
3. Results and Discussion 
3.1. Calibration 
The statistics of the assessment groups based on the calibration points are presented in 
Table 4.2. These statistics were used to calculate the classification breaks tested in this study. 
For comparison, the determined classification breaks for the mean mid‐point, median mid‐
point, and the equivalent break values (after hardening the fuzzy classification) are presented in 
Table 4.3. All parameters are calculated at the optimal analysis scale, as determined in Chapter 
3. The occurrence of extreme values in the assessment groups caused all the group medians to 
be different from the group mean. The impact of these differences can be observed in the 
resulting classification breaks. The smaller influence of extreme values on group medians 
resulted in classification breaks closer to definitionally expected values for the median mid‐
point calibration method. The calibrated breaks for concave‐convex profile curvature and low‐
high relative elevation should definitionally be zero. Compared to the other two calibration 
methods, the median mid‐point based breaks are the closest to meeting that definition. The 
hardened CI breaks are generally similar to the mean mid‐point calibration method, but are 
tempered by the larger standard deviations for steeper slope groups and the middle relative 
elevation group.  

158 
 

 

Table 4.2. Statistics of calibration points categorized into the assessment groups of each model 
parameter.  
Slope (9 m) 

Mean 

Median 

s.d. 

Count 

Low 

1.26°

0.92°

1.49°

577 

Medium 

3.67°

1.81°

4.74°

218 

8.12°
Mean 

4.02°
Median 

High 
Profile Curvature (63 m) 
Concave 
Linear 

‐0.00538 m
‐0.00021 m

‐1
‐1
‐1

0.00388 m
Convex 
Relative Elevation (135 m) 
Mean 
Low 
‐2.16 m
Middle 
‐1.18 m
High 
1.35 m

‐0.00120 m
‐0.00004 m

‐1
‐1

9.04°
171 
s.d. 
Count 
0.02193 m
0.01938 m

‐1

‐1
‐1

105 
751 

‐1

0.00136 m
0.01500 m
111 
Median 
s.d. 
Count 
‐0.74 m
4.41 m
206 
‐0.03 m
8.53 m
166 
0.55 m
6.33 m
200 

 
Table 4.3. Classification breaks calibrated from the assessment group statistics of each model 
parameter.  
Slope (9 m) 

Mean Mid‐point Median Mid‐point

Hardened CI 

low‐medium 

2.46°

1.36°

1.83° 

medium‐high 

5.89°

2.91°

5.20° 

4.69°
2.47°
Mean Mid‐point Median Mid‐point

2.23° 
Hardened CI 

low‐high 
Profile Curvature (63 m) 
Concave‐Linear 

‐0.00279 m

Linear‐Convex 

0.00184 m

‐1

‐0.00062 m

‐1

0.00066 m

‐1

‐1
‐1
‐1

‐0.00075 m
0.00008 m
Concave‐Convex 
Relative Elevation (135 m)  Mean Mid‐point Median Mid‐point
Low‐Middle 
‐1.67 m
‐0.38 m
Middle‐High 
0.09 m
0.26 m
Low‐High 
‐0.40 m
‐0.10 m
 
 

 

159 
 

‐1

‐0.00263 m  
‐1

0.00210 m  
‐1

0.00012 m  
Hardened CI 
‐1.83 m 
0.28 m 
‐0.71 m 

 

3.2. Ottawa County Validation 
3.2.1. Decision Tree Models 
For Ottawa County, the decision tree models correctly predicted 36% to 59% of field 
scientists’ assessment of hillslope position (Table 4.4). Disagreement between digital and field 
assessment occurs because of errors in the elevation values of the grid, positional uncertainty, 
and the subjectivity associated with human judgment. Given these potential sources of 
prediction error, with as much as 30% disagreement for the field assessment of the model 
parameters, a successful prediction rate of 59% is considered very acceptable. 
Table 4.4. Percent agreement between soil scientists’ field assessments and each hillslope 
position models’ prediction by classification break method for Ottawa County, Michigan. 
Model 
PrcP 
SlgP 
ReeP 

Mean 
58% 
59% 
38% 

Median  Confidence Index
46% 
57% 
53% 
58% 
42% 
36% 

 
The SlgP decision tree, using the classification breaks based on mean mid‐points, had 
the highest level of agreement with field assessments. However, the agreement rates for the CI 
based SlgP were nearly as high. The agreement rates were also nearly as high for the mean mid‐
points and CI calibration methods for PrcP. Although the influence of different standard 
deviations between assessment groups shifted the CI based breaks, the shift did not have a 
large impact on general agreement results for any of the decision tree structures. Greater 
differences in model results are observed in the confusion matrixes (Tables 4.5‐4.7). For 
simplicity in comparing models, the classification break calibration method will be abbreviated 
in conjunction with the decision tree structure abbreviation (e.g. PrcP based on mean mid‐

160 
 

 

points (PrcP‐mean), PrcP based on median mid‐points (PrcP‐med), PrcP based on confidence 
index (PrcP‐ci)). 
Table 4.5. Confusion matrixes for classification breaks based on the mid‐point between 
assessment groups’ means for a) PrcP decision tree (Kappa = 0.44), b) SlgP decision tree (Kappa 
= 0.49), and c) ReeP decision tree (Kappa = 0.27).  
a)  
PrcP‐mean  summit  shoulder backslope footslope toeslope  User* 
summit 
74 
16
20
8
6  59.7% 
shoulder 
4 
4
7
0
0  26.7% 
backslope 
1 
4
25
1
1  78.1% 
footslope 
0 
0
4
0
4  0.0% 
toeslope 
1 
3
11
16
48  60.8% 
Producer* 
92.5% 
14.8%
37.3%
0.0%
81.4% 
 
b)  
SlgP‐mean  summit  shoulder backslope footslope toeslope  User* 
summit 
71 
5
1
0
0  92.2% 
shoulder 
12 
9
3
1
2  33.3% 
backslope 
16 
14
28
0
9  41.8% 
footslope 
6 
6
0
2
11  8.0% 
toeslope 
4 
3
1
2
44  81.5% 
Producer* 
65.1% 
24.3%
84.8%
40.0%
66.7% 
 
c)  
ReeP‐mean  summit  shoulder backslope footslope toeslope  User* 
summit 
52 
14
18
5
1  57.8% 
shoulder 
1 
4
21
0
1  14.8% 
backslope 
8 
7
19
16
15  29.2% 
footslope 
0 
0
6
0
1  0.0% 
toeslope 
0 
1
2
4
24  77.4% 
Producer* 
85.2% 
15.4%
28.8%
0.0%
57.1% 
*User’s and Producer’s accuracy calculated by correct classification divided by all 
classifications in category. 

161 
 

 

Table 4.6. Confusion matrixes for classification breaks based on the mid‐point between 
assessment groups’ medians for a) PrcP decision tree (Kappa = 0.35), b) SlgP decision tree 
(Kappa = 0.46), and c) ReeP decision tree (Kappa = 0.36).  
a)  
PrcP‐med  summit  shoulder backslope footslope toeslope  User* 
summit 
49 
7
13
4
1  66.2% 
shoulder 
10 
14
20
1
1  30.4% 
backslope 
3 
2
12
4
3  50.0% 
footslope 
0 
3
14
7
17  17.1% 
toeslope 
4 
2
8
9
38  62.3% 
Producer*  74.2% 
50.0%
17.9%
28.0%
63.3% 
 
b)  
SlgP‐med  summit  shoulder backslope footslope toeslope  User* 
summit 
43 
7
6
4
0  71.7% 
shoulder 
8 
8
8
3
1  28.6% 
backslope 
6 
8
41
7
4  62.1% 
footslope 
0 
1
6
6
12  24.0% 
toeslope 
2 
3
7
5
40  70.2% 
Producer*  72.9% 
29.6%
60.3%
24.0%
70.2% 
 
c)  
ReeP‐med  summit  shoulder backslope footslope toeslope  User* 
summit 
37 
7
10
2
1  64.9% 
shoulder 
3 
10
26
1
1  24.4% 
backslope 
8 
6
11
5
5  31.4% 
footslope 
1 
2
10
7
3  30.4% 
toeslope 
0 
2
9
11
44  66.7% 
Producer*  75.5% 
37.0%
16.7%
26.9%
81.5% 
*User’s and Producer’s accuracy calculated by correct classification divided by all 
classifications in category. 
 
 

 

162 
 

 

Table 4.7. Confusion matrixes for classification breaks based on the confidence index to 
differentiate parameters for a) PrcP decision tree (Kappa = 0.45), b) SlgP decision tree (Kappa = 
0.49), and c) ReeP decision tree (Kappa = 0.28). 
a)  
PrcP‐ci 
summit  shoulder backslope footslope toeslope  User* 
summit 
74 
12
13
7
4  67.3% 
shoulder 
3 
3
6
0
0  25.0% 
backslope 
5 
10
40
8
6  58.0% 
footslope 
0 
0
4
0
4  0.0% 
toeslope 
0 
1
7
10
33  64.7% 
Producer*  90.2% 
11.5%
57.1%
0.0%
70.2% 
 
b)  
SlgP‐ci 
summit  shoulder backslope footslope toeslope  User* 
summit 
73 
13
12
6
4  67.6% 
shoulder 
4 
9
14
2
1  30.0% 
backslope 
2 
4
30
1
2  76.9% 
footslope 
1 
1
6
6
7  28.6% 
toeslope 
0 
1
5
10
33  67.3% 
Producer*  91.3% 
32.1%
44.8%
24.0%
70.2% 
 
c)  
ReeP‐ci 
summit  shoulder backslope footslope toeslope  User* 
summit 
37 
7
6
2
1  69.8% 
shoulder 
3 
11
30
1
1  23.9% 
backslope 
9 
9
23
18
15  31.1% 
footslope 
0 
1
5
3
4  23.1% 
toeslope 
0 
0
2
2
20  83.3% 
Producer*  75.5% 
39.3%
34.8%
11.5%
48.8% 
*User’s and Producer’s accuracy calculated by correct classification divided by all 
classifications in category. 
 
The PrcP‐mean and PrcP‐ci models tended to over classify points as summits and 
toeslopes, particularly those points identified as backslopes by the soil scientists. This issue 
suggests that the break between low and high slope gradients was set too high in those models. 
A similar pattern can be seen in the confusion matrixes for the SlgP‐mean and SlgP‐ci models, 
163 
 

 

but these models had more misclassifications for shoulder and backslope positions. This issue 
for the SlgP‐mean and SlgP‐ci models suggests a similar problem: the break between low and 
medium slope gradients was set too high. 
The overall performance levels of the PrcP‐med and SlgP‐med models were lower than 
the PrcP‐mean, SlgP‐mean, PrcP‐ci, and SlgP‐ci models. However, the PrcP‐med and SlgP‐med 
confusion matrixes show closer agreement between field observations and model predictions 
when they do not agree exactly. In all cases, for both of these models, the highest number of 
misclassifications is in a neighboring category (adjacent to the correct classification category). 
The SlgP‐med performed better than the PrcP‐med model due to a higher rate of correctly 
classifying backslope positions. The SlgP‐med model separates all areas classified as having high 
slope gradients as backslopes, suggesting that slope gradient is the most important parameter 
for identifying backslopes. 
The ReeP models all suffered from difficulty in classifying backslope positions. Although 
the CI calibration method improved model performance, the ReeP‐ci model still had successful 
prediction rates substantially lower than the PrcP and SlgP models. The classification errors for 
the ReeP models suggest that the range for middle relative elevation was too wide and the 
break between middle and high relative elevations was too low. The ReeP‐ci model’s 
performance was slightly improved by a higher middle‐high classification break, but not enough 
to improve its correct prediction rate. The ReeP‐med model had the highest performance of the 
ReeP calibration methods, because it was unaffected by a few extremely low relative elevation 
values in the calibration data set. 

164 
 

 

3.2.2. Linear Discriminant Analysis Model 
Classification by LDA had the lowest rate of correct predictions (33%). The LDA method 
had difficulty classifying locations as summits (Table 4.8). However, in contrast to most of the 
decision tree approaches, LDA was much more successful in classifying backslopes. Potential 
issues with LDA of this data set were the correlation between profile curvature and relative 
2

elevation (R  = 0.42) and low separation values. The calculated separation values for calibration 
groups of slope gradient, relative elevation, and profile curvature were 25.2, 7.8, and 5.8 
respectively. Although LDA has proven to be a powerful tool when little is known about the 
relationship of variables, a weakness may be its inability to consider the contextual 
relationships between variables to make classifications more distinguishable. However, the LDA 
function did agree with the SlgP decision tree model’s emphasis on slope gradient. The 
computed LDA function was:  
1

	 0.600S	

	 0.014E	

	0.002C 

where S is standardized slope gradient, E is standardized relative elevation, and C is 
standardized profile curvature. 
 

 

165 
 

 

Table 4.8. Confusion matrix for the LDA classification (Kappa = 0.26).  
 
LDA 
summit  shoulder backslope footslope toeslope  User* 
summit 
0 
0
0
0
0  0.0% 
shoulder 
5 
8
16
8
8  17.8% 
backslope 
2 
5
35
1
2  77.8% 
footslope 
19 
10
13
14
16  19.4% 
toeslope 
10 
4
4
3
31  59.6% 
Producer* 
0.0% 
29.6%
51.5%
53.8%
54.4% 
*User’s and Producer’s accuracy calculated by correct classification divided by all 
classifications in category. 
 
3.3 Validation in Different Landscapes (Transferability) 
Using the same classification breaks calibrated in Ottawa County, the decision tree 
models were applied to two different counties in Iowa. Because of the relatively low 
performance of LDA in Ottawa County, I discontinued its use in additional testing. 
The performance of most of the models was reduced when applied outside of the 
calibration area (Table 4.9). Although very different landscapes, both Cedar County, Iowa and 
Ottawa County, Michigan have a mean slope gradient of 3°. This similarity in relief between 
Cedar and Ottawa Counties may account for the better performance of several transferred 
models in Cedar County compared to Dickinson County, Iowa. However, unlike the other 
models, the SlgP‐med model performed consistently well in all three landscapes. Despite not 
being calibrated for the respective counties, the SlgP‐med model was still able to predict field 
assessment of hillslope position at a rate comparable to the best performing models in the 
calibration area (Table 4.10).  

166 
 

 

Table 4.9. Percent agreement between soil scientists’ field assessments and each hillslope 
position models’ prediction by classification break method for a) Dickinson County and b) Cedar 
County, Iowa. 
a) 
Model 
PrcP 
SlgP 
ReeP 
b) 

Mean 
19% 
29% 
12% 

Median  Confidence Index
21% 
25% 
52% 
36% 
12% 
11% 

Model 

Mean 

Median  Confidence Index

PrcP 
SlgP 
ReeP 

49% 
46% 
34% 

34% 
54% 
37% 

51% 
49% 
31% 

 
 
Table 4.10. Confusion matrix for SlgP‐med model prediction of field assessments of hillslope 
position in a) Dickinson County (Kappa = 0.35) and b) Cedar County, Iowa (Kappa = 0.37). 
a)  
SlgP‐med  summit  shoulder backslope footslope toeslope  User* 
summit 
5 
1
1
1
2  50.0% 
shoulder 
3 
0
1
3
1  0.0% 
backslope 
1 
1
23
2
6  69.7% 
footslope 
0 
0
1
11
3  73.3% 
toeslope 
1 
0
0
8
0  0.0% 
Producer*  50.0% 
0.0%
88.5%
44.0%
0.0% 
 
b)  
SlgP‐med  summit  shoulder backslope footslope toeslope  User* 
summit 
6 
1
1
2
1  54.5% 
shoulder 
2 
2
1
0
1  33.3% 
backslope 
0 
1
6
0
0  85.7% 
footslope 
1 
0
1
0
0  0.0% 
toeslope 
2 
0
1
1
4  50.0% 
Producer*  54.5% 
50.0%
60.0%
0.0%
66.7% 
*User’s and Producer’s accuracy calculated by correct classification divided by all 
classifications in category. 
 
167 
 

 

Interestingly, in Dickinson County, model performance was adversely affected by a series 
of validation points along a drainage ditch (Figure 4.7). All twelve points in this series were 
identified in the field as being located on a toeslope. The hillslope position models recognized 
the area of these validation points as flat, but the low elevation values inside the adjacent ditch 
caused the zone surrounding the ditch to be classified by the models as a high relative 
elevation. If the validation points adjacent to the drainage ditch are excluded, the successful 
prediction rate of the SlgP‐med model is increased to 62%. Other than the set of points 
adjacent to a drainage ditch, the variation of field to model agreement did not exhibit a spatial 
pattern in any of the three counties (Figures 4.8 ‐ 4.10).

168 
 

 

a) 

b)

 
Figure 4.7. Example of disagreement between field observations and a digital hillslope position classification. Clearly, the soil 
scientist would have ignored the drainage ditch in deciding if the flat area containing the observation points was a toeslope or 
summit (a). However, the digital model considered the low elevation values within the drainage ditch for the adjacent area 
equivalent to the relative elevation analysis scale (b). Satellite image courtesy of USGS.
169 
 

 

  
Figure 4.8. Digital hillslope position map of Ottawa County, Michigan with validation points showing agreement or disagreement 
with the predicted classification. 
170 
 

 

  
Figure 4.9. Digital hillslope position map of Dickinson County, Iowa with validation points showing agreement or disagreement with 
the predicted classification. 
171 
 

 

  
Figure 4.10. Digital hillslope position map of Cedar County, Iowa with validation points showing agreement or disagreement with the 
predicted classification. 
172 
 

 

The SlgP decision tree consistently had the highest prediction success rates, indicating 
that its logic best matches field scientists’ mental model. This decision tree model first 
determines if a location has a low, medium, or high slope gradient. Medium slope gradients are 
then differentiated by slope shape as either convex or concave. Finally, flat areas are 
determined to have a high or low relative elevation. This is not necessarily every field scientists’ 
thought process; many may determine hillslope position more by intuition than a stepwise 
decision process. Nonetheless, the SlgP decision tree, using classification breaks determined by 
the median mid‐point method, was able to predict the field scientists’ classification 52‐54% of 
the time in three different landscapes, based on model parameters that only agreed with the 
field scientists’ assessment of the landscape 69‐79% of the time. This suggests that the largest 
issue in digitally replicating expert knowledge is not in the classification process, rather in the 
characterization of terrain properties. 
3.4. Map Comparisons 
Using the digital hillslope position classification with the most consistently high 
agreement with field assessment (SlgP‐med) as values, zonal statistics were performed on the 
SSURGO polygons (Soil Survey Staff, 2013a) for each of the three study areas. Zones were 
defined by map unit symbol and the digitally classified hillslope positions were summarized by 
the percent of the Soil Survey map unit classified as the respective hillslope positions. Complete 
tables of the zonal statistics for all three counties are presented in Appendix B. 
Before analyzing the quantitative, zonal statistics of soil map units, I visually compared 
the current Soil Survey map and the digital hillslope position map, for insight into the 
173 
 

 

relationships between them. Landscapes often do not match the idealized illustrations of 
hillslope position presented in textbooks and guidebooks. For this reason, the consistent 
application of quantitative hillslope classification rules results in a map that does not always 
have sequence patterns of hillslope position in their theoretical order. This pattern of non‐
sequential hillslope positions is observed in both the digital hillslope position classification and 
the Soil Survey map (Figure 4.11). Landscape mapping of hillslope positions focuses on 
classifying areas that meet functional definitions, in contrast to dividing hillslopes into all five 
components. For example, there may be no true summit positions on hilltops that do not 
include areas that are low enough in slope gradient or linear enough in profile curvature to 
function like a summit. Similarly, a slope that does not include an area that is sufficiently steep 
or linear in curvature to be a backslope will have shoulders directly adjacent to footslopes. 
Nonetheless, the SlgP‐med hillslope position does produce a map with many similarities to 
current Soil Survey delineations (Figure 4.11). These two maps would not have been expected 
to agree exactly, because of the generalization and lower resolution elevation data used to 
create the 1:15,840 Soil Survey maps. The digital hillslope position model should produce a 
more accurate classification of the landscape by applying the soil scientists’ logic consistently 
(without the need to generalize inclusions) and by utilizing higher resolution elevation data. 
Also, LiDAR‐based, bare earth, digital elevation data includes subtleties in the landscape often 
obscured on aerial photographs by vegetative cover (i.e. forests) or undetectable by basic field 
observation. The LiDAR‐based hillslope classification model includes all detected landscape 
subtleties that meet classification definitions for shifts in terrain character.

174 
 

 

 
Figure 4.11. Example of SlgP‐med hillslope position classification compared with current SSURGO delineations in Dickinson County, 
Iowa (overlain on a hillshade of the LiDAR elevation grid). Note the many areas that transition directly from summit to toeslope. 
These areas are also sensitive to sharp rises in elevation. For example, the raised road running north‐south in the center of the map 
causes the adjacent flat areas to be digitally classified as toeslopes.
175 
 

 

For the majority of Soil Survey map units, areas within delineations were classified with 
a hillslope position consistent with the slope shape described in the official soil series 
description (OSSD) (Soil Survey Staff, 2013b). For example, on the loess parent material in Cedar 
County, the summit‐flat Muscatine soil series (Fine‐silty, mixed, superactive, mesic Aquic 
Hapludolls) is predominantly mapped on digitally classified summit positions (Figure 4.12). The 
pattern of agreement continues through the summit‐shoulder Downs (Fine‐silty, mixed, 
superactive, mesic Mollic Hapludalfs) and Tama (Fine‐silty, mixed, superactive, mesic Typic 
Argiudolls) soils.  The Soil Survey’s block diagram suggests that both Downs and Tama soils are 
mapped across summit, shoulder, and backslope positions. As the slope class increases for the 
respective soil map unit of these two soil series, the percentage of their area mapped as 
backslopes increases. The upland, depressional, Garwin soil series (Fine‐silty, mixed, 
superactive, mesic Typic Endoaquolls) has the majority of its area mapped on toeslopes. The 
floodplain complex of Colo‐Ely soil series (Fine‐silty, mixed, superactive, mesic Cumulic 
Endoaquolls and Aquic Cumulic Hapludolls, respectively) is predominantly mapped on 
footslopes and toeslopes. 
On the hummocky till plain of Dickinson County (Figure 4.13), where hillslope position 
units tend to be small in areal extent, a transition in hillslope position can be observed through 
a sequence of slope classes. The upland convex Clarion soil series (Fine‐loamy, mixed, 
superactive, mesic Typic Hapludolls) progresses from being mostly mapped on summits to more 
so on shoulders to predominately on backslopes on the sequence of B, C, and D slope classes. In 
this landscape of numerous closed basins, the swales between convex hills have been filled in 
with local alluvium, resulting in only small areas meeting the digital definition of footslopes. 
176 
 

 

Concave and depressional soil series, such as Canisteo (Fine‐loamy, mixed, superactive, 
calcareous, mesic Typic Endoaquolls), Harps (Fine‐loamy, mixed, superactive, mesic Typic 
Calciaquolls) and Okoboji (Fine, smectitic, mesic Cumulic Vertic Endoaquolls), have some areas 
mapped on footslopes, but are predominately delineated on toeslope areas. 
Where the soil description did not specify slope shape, such as for many of the soils in 
Ottawa County (Figure 4.14), a correspondence between hillslope position and drainage class 
(DC) can be used. The majority of the B slope class map unit for the somewhat poorly drained 
Kawkawlin soil (Fine, mixed, semiactive, frigid Aquic Glossudalfs) is mapped on footslopes, 
while the A slope class of the same soil is mostly mapped on toeslopes. The poorly drained Sims 
soil series (Fine, mixed, semiactive, nonacid, frigid Mollic Epiaquepts) is also predominately 
mapped on toeslopes. The Nester soil series (Fine, mixed, semiactive, frigid Oxyaquic 
Glossudalfs) is illustrated in the Soil Survey’s block diagram as topographically diverse, which is 
also reflected in the distribution of hillslope positions within Nester map units. Nester soils are 
an example of a consociation that could benefit from disaggregation, based on hillslope 
position. Soils within the Nester delineations could be differentiated by three or more hillslope 
positions. A similar situation exists on the sandy parent materials of Ottawa County, where the 
Au Gres (Sandy, mixed, frigid Typic Endoaquods) and Deer Park (Mixed, frigid Spodic 
Udipsamments) soil series are also topographically diverse (Figure 4.15). The Au Gres soil series 
is differentiated by lower slope gradients and lower elevations. This distinction is also 
recognized in the hillslope position classification, with Au Gres soil map units primarily on 
toeslopes and Deer Park soil map units primarily on backslopes. 

177 
 

 

 a) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Figure 4.12. a) Block diagram of the Tama‐Downs‐Muscatine soil association from the NRCS Soil 
Survey Staff (2009). b) Zonal statistics of the SlgP‐med hillslope position model by the SSURGO 
map units in Cedar County, Iowa. 
178 
 

 

Figure 4.12. (cont'd)  
b) 
SSURGO 
Parent 
Geographic 
Name 
Material  Setting 
Colo‐Ely 
Alluvium  Floodplain 
Colo‐Ely {B}  Alluvium  Floodplain 
Downs {B} 
Loess 
Summit‐
Shoulder 
Downs {C} 
Loess 
Summit‐
Shoulder 
Downs {D} 
Loess 
Summit‐
Shoulder 
Ely 
Loess 
Transitional 
Swale 
Fayette {B} 
Loess 
Interfluves‐ 
Sideslopes 
Fayette {C} 
Loess 
Interfluves‐
Sideslopes 
Fayette {D‐G}  Loess 
Interfluves‐ 
Sideslopes 
Garwin 
Loess 
Summit‐Flat 
Muscatine 
Loess 
Summit‐Flat 
Muscatine {B}  Loess 
Summit‐Flat 
Tama 
Loess 
Summit‐
Shoulder 
Tama {B} 
Loess 
Summit‐
Shoulder 
Tama {C} 
Loess 
Summit‐
Shoulder 
Tama {D} 
Loess 
Summit‐
Shoulder 
Judson {B} 
Colluvium  Transitional 
Swale 
*DC = drainage class 
 

Hillslope Position Model 
DC* 
Max su  sh  bs 
fs 
ts 
PD‐SPD
fs 4% 3%  9%  44% 39%
PD 
ts 26% 3%  13%  19% 39%
WD 
sh 36% 41%  7%  14% 3%
WD 

sh

6% 36%  21%  33%

4%

WD 

bs

1% 14%  45%  36%

3%

SPD 

fs

6%

WD 

sh 35% 42%  12%  10%

2%

WD 

bs

7% 41%  39%  12%

1%

WD 

bs

1% 10%  71%  16%

2%

PD 
SPD 
SPD 
WD 

ts
su
su
su

WD 

su 42% 30% 

WD 

35% 2% 
72% 6% 
37% 10% 
67% 13% 

4%  53% 33%

2%  10% 51%
2%  7% 14%
2%  30% 21%
1%  10% 10%
3%  20%

5%

fs

5% 30%  10%  48%

6%

WD 

fs

1% 15%  34%  46%

4%

WD 

fs

6%

 

179 
 

4% 

5% 

9%  57% 23%

 

a) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b) 
SSURGO 
Name 
Parent Material  Geographic Setting
Canisteo  Dows Till Alluvium  Upland Concave 
Clarion {B}  Dows Till 
Upland Convex 
Clarion {C}  Dows Till 
Upland Convex 
Clarion {D}  Dows Till 
Upland Convex 
Harps 
Dows Till Alluvium  Upland Depression
Nicollet 
Dows Till 
Upland Flat 
Okoboji 
Dows Till Alluvium  Upland Depression
*DC = drainage class 

Hillslope Position Model 
DC* 
Max su  sh  bs  fs  ts 
PD‐VPD
ts 13% 3%  7%  16% 60%
MWD 
su 27% 25%  19%  21% 9%
MWD 
bs 8% 19%  55%  15% 3%
MWD 
bs 3% 8%  82%  6% 1%
PD 
ts 22% 6%  3%  13% 56%
SPD 
ts 25% 10%  10%  24% 30%
VPD 
ts 5% 2%  5%  13% 76%

Figure 4.13. a) Block diagram of the Canisteo‐Clarion‐Nicollet soil association from the NRCS Soil 
Survey Staff (2000). b) Zonal statistics of the SlgP‐med hillslope position model by SSURGO map 
units of this soil association in Dickinson County, Iowa. 
180 
 

 

a) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
b) 
SSURGO 
Parent 
Geographic 
Name 
Material  Setting 
Iosco {A} 
Outwash  Plain 
Kawkawlin {A}  Till 
Plain 
Kawkawlin {B}  Till 
Plain 
Nester {B} 
Till 
Plain 
Nester {C} 
Till 
Plain 
Nester {D‐F} 
Till 
Plain 
Sims 
Till 
Plain 
*DC = drainage class 

Hillslope Position Model 
DC* 
Max  su  sh  bs 
fs 
ts 
SPD 
su 29% 15% 15%  18%  24%
SPD 
ts 24% 12% 13%  20%  30%
SPD 
fs 22% 15% 17%  23%  23%
WD‐MWD
bs 18% 23% 31%  20%  8%
WD‐MWD
bs 6% 14% 61%  15%  4%
WD‐MWD
bs 3% 7% 81%  6%  3%
PD 
ts 13% 8% 18%  24%  36%

Figure 4.14. a) Block diagram of the Nester‐Kawkawlin‐Manistee soil association from the NRCS 
Soil Survey Staff (1985). b) Zonal statistics of the SlgP‐med hillslope position model by SSURGO 
map units of this soil association in Ottawa County, Michigan. The sandy Manistee soil series is 
not currently mapped in Ottawa County. For a soil association on sand parent materials, see 
Figure 4.15.  

181 
 

 

a) 
 
 
 
 
 
 
 
 
 
 
 
b) 
SSURGO 
Parent 
Name 
Material 
Adrian muck 
Organic 
Adrian‐Houghton mucks  Organic 
Au Gres {B} 
Outwash 
Au Gres‐Saugatuck {B} 
Outwash 
Deer Park {B} 
Sand 
Deer Park {D} 
Sand 
Edwards 
Organic 
Linwood 
Organic 
*DC = drainage class 

Hillslope Position Model 
Geographic 
Setting 
Depression 
Depression 
Complexes 
Complexes 
Dunes 
Dunes 
Depression 
Depression 

DC* Max su  sh  bs 
fs 
ts 
PD 
ts 8% 8%  23%  24% 36%
VPD
ts 11% 9%  23%  24% 34%
SPD
ts 26% 12%  14%  17% 31%
SPD
ts 15% 10%  16%  21% 38%
WD 
bs 11% 15%  44%  17% 13%
WD 
bs 7% 12%  54%  15% 12%
VPD
ts 13% 9%  22%  20% 36%
VPD
ts 6% 7%  22%  24% 41%

Figure 4.15. a) Block diagram of the Deer Park‐Dawson‐Au Gres soil association from the Soil 
Survey Staff (1992). b) Zonal statistics of the SlgP‐med hillslope position model by SSURGO map 
units of this soil association in Ottawa County, Michigan. The organic Dawson and Kinross soils 
are not currently mapped in Ottawa County. Instead, organic soils are classified as Adrian, 
Houghton, Edwards, or Linwood soil series (Sandy or sandy‐skeletal, mixed, euic, mesic Terric 
Haplosaprists; Euic, mesic Typic Haplosaprists; Marly, euic, mesic Limnic Haplosaprist; Loamy, 
mixed, euic, mesic Terric Haplosaprists; respectively).  
182 
 

 

Map units with large proportions of their area split between digital hillslope positions 
are likely to contain many inclusions of other soil series. The model can determine that these 
areas are different, but if they are not mapped differently on the soil map it is because the 
geographer (1) was unable to observe the differences in the field or on the aerial photograph, 
(2) was unable to map these areas out because of minimum mapping area issues, or (3) thought 
that the differences were so small as to not affect classification, use or management.  
The most common situation for soil map units to be split between areas of hillslope 
position occurs on flat landscapes such as glaciolacustrine plains and floodplains. As described 
above, the digital hillslope position classification recognizes most flat areas as either summits or 
toeslopes. A slight rise in elevation in an area like a floodplain will be classified by the model as 
a summit. If the digitally generated hillslope position classification is being used as a base map, 
the soil geographer can decide if the differences in soil properties for these slight changes in 
relative elevation are significant in the context of the soil map’s purpose (3 above). Areas of 
slightly higher elevation on a floodplain may have slightly deeper water tables. Also, those small 
rises will be slightly less likely to flood and be the first to dry out after a flood. In the context of 
agricultural production, the differences between these areas may not be important. However, 
for estimating the amount of carbon stored in the soil landscape or determining the spatial 
distribution of wetland types (Miller et al., 2009), these slight changes in elevation could add 
useful detail. Use of the hillslope position classification model to identify such topographically 
small areas has great potential to improve existing soil maps, especially as regards 
disaggregation. Specific examples for where hillslope position provides differentiating criteria 
for disaggregating soil delineations are provided below. 
183 
 

 

3.4.1. Opportunity for Disaggregation of Existing Soil Map Units 
Soil series mapped in consociations, but described as occurring on a mixture of hillslope 
positions, are excellent examples of map units that could be easily disaggregated by digital 
hillslope position classification. For example, the Fayette (Fine‐silty, mixed, superactive, mesic 
Typic Hapludalfs), Basset (Fine‐loamy, mixed, superactive, mesic Mollic Hapludalfs), and Kenyon 
(Fine‐loamy, mixed, superactive, mesic Typic Hapludolls) soil series in Cedar County are all 
described by the OSSD (Soil Survey Staff, 2013b) as occurring on interfluves and side‐slopes. 
Figure 4.16 demonstrates how the digital hillslope position classification is able to identify 
summits and shoulders within Fayette delineations. These summits and shoulders meet the 
geographic setting definition for the Downs soil series. In fact, for part of an interfluve shown in 
Figure 4.16 an area of Downs soil is delineated on the summit‐shoulder within a Fayette 
delineation, while similar locations in the vicinity are not. 
In Dickinson County, probably because of map scale limitations, obvious map unit 
inclusions have been identified by the Soil Survey as point locations. The identified inclusions 
for depressional areas often exist in close proximity to areas classified as isolated toeslopes 
(Figure 4.17). The offset between the inclusion points and the digitally identified areas of 
isolated toeslopes is likely due to the resolution limitation of the base map on which the 
original inclusion points were drawn and the orthorectification process required to digitize the 
paper soil map. This positional difference illustrates the advantage of utilizing the more 
spatially accurate LiDAR data. 

184 
 

 

Soil series like Nester, which is illustrated in Figure 4.14 as varying in relief, are likely to 
contain variations in soil properties due to the effect of topography on soil formation. Areas like 
these are often not mapped in great detail due to the combination of mapping difficulty and 
low value of the extra mapping effort. Modern interests in environmental and ecological 
services of soils increase the importance of mapping these areas, but do not make them easier 
to map. Figure 4.18 demonstrates the classification model’s ability to disaggregate a delineation 
of the Nester soil series by hillslope position. 

185 
 

 

a)

2

1 

Figure 4.16. Examples of disaggregation opportunities in Cedar County, shown in a) plan view, and b) perspective view (relief 
exaggerated 3x). Numbers indicate matching points of reference. 1) Depressions identified by the model, potentially Garwin soil 
series, within Muscatine soil series delineations. 2) The Fayette soil series is described as occurring on interfluves and side‐slopes. 
However, summits on the interfluves match the geographic setting for the Downs soil series. 
 

 
186 

 

 

Figure 4.16. (cont'd) 
b)

2

1 

  

187 
 

 

a)

Figure 4.17. Two depression inclusions identified by Soil Survey Staff located within delineations of the convex Clarion map unit in 
Dickinson County. Note the proximity of the inclusion points to isolated areas of toeslopes. In a) plan view, and b) perspective view 
(relief exaggerated 3x). 
 

 

188 
 

 

Figure 4.17. (cont'd) 
b) 

  
 

189 
 

 

a)

Figure 4.18. Nester soil series in Ottawa County, which is illustrated in the Soil Survey block diagram as varying in topography (Figure 
4.14). Digital classification of hillslope position efficiently differentiates slope elements within this Nester soil delineation. In a) plan 
view, and b) perspective view (relief exaggerated 3x). Star indicates a matching point of reference. 
 

 

190 
 

 

Figure 4.18. (cont'd) 
b)

 

191 
 

 

3.5. A Quantified Definition for Hillslope Position 
Based on the consistent performance of the SlgP‐med model for predicting field assessment 
of hillslope position, an expert‐based definition for digital classification was next established. 
‐1

The median mid‐point calibrated breaks for profile curvature (convex‐concave = 0.00008 m ) 
and relative elevation (low‐high = 0.1 m) were practically zero. Simply setting these breaks as 
zero would be both consistent with model tests and more definitionally satisfactory. Therefore, 
I recommend the following classification structure for digitally determining hillslope position: 
1) Slope gradient: < 1.4° is low, 1.4° to 2.9° is medium, > 2.9° is high 
a. If slope gradient is high, then position is backslope 
b. If slope gradient is medium, then: 
‐1

i. Profile curvature: > 0 m  is convex (as defined by Wood, 1996) 
1. If profile curvature is convex, then position is shoulder 
2. If profile curvature is not convex, then position is footslope 
c. If slope gradient  is low, then: 
i. Relative elevation: > 0 m is high (as defined in Chapter 3) 
1. If relative elevation is high, then position is summit 
2. If relative elevation is not high, then position is toeslope 
The calibrated breaks for slope gradient are low, as compared to slope gradients 
typically observed in the field. In Chapter 3, I identified the smallest possible digital analysis 
scale as the closest match to field observations of slope gradient. Therefore, the optimal digital 
192 
 

 

analysis scale for slope gradient may be smaller than 9 m. Because slope gradient values 
become smaller with greater generalization, these calibration breaks may be a compensation 
for that effect. If finer resolution elevation grids become practical for digital terrain analysis, the 
slope gradient breaks may need to be adjusted accordingly. However, the classification break at 
3° corresponds with a well established threshold for slope processes (Pennock et al., 1987). For 
example, Govers (1985) observed slope gradients below 3° did not have sufficient erosive 
energy to form rills. 
3.5.1. Applicability beyond Discrete Boundaries 
Even though this study has focused on the discrete classification of hillslope position, 
the calibrated characterization of hillslope position could also be easily applied as a fuzzy 
membership classification. The consistent ability of the SlgP‐med model to correctly classify 
hillslope position suggests that the group median for terrain parameters is a better choice to 
represent the central concept (particularly for fuzzy classification applications) than the mean. 
The comparable results of mean mid‐point (assumed identical distribution spread) and CI 
(distribution spread based on standard deviation) calibration methods suggest that assuming 
similar variability for terrain parameter groups is an acceptable assumption. Utilizing a fuzzy 
classification of hillslope position or its component variables can be used as parameters in other 
digital soil models. The parameterization of hillslope position presented in this dissertation has 
the potential to better integrate expert knowledge into digital soil models, including 
representations of a continuous soil landscape. 

193 
 

 

4. Conclusions 
The purpose of this study was to calibrate a landscape classification model that could 
predict hillslope positions identified by soil scientists in the field. Parameters to the hillslope 
position classification model agreed with field assessment 69% and 79% of the time for profile 
curvature and relative elevation, respectively. Therefore, model predictions of hillslope position 
are likely to agree with field assessment at lower rates. Despite the limitation of field to digital 
assessment agreement for parameters, model prediction of hillslope position ranged from 11% 
to 59% agreement. The hillslope position model, utilizing a slope gradient, then profile 
curvature and relative elevation decision tree hierarchy, consistently provided the best 
agreement with soil scientists’ field assessment. Given the subjectivity of human assessment, 
the level of agreement between the best performing model and field assessment suggests that 
digital classification of hillslope position can be similar to field determination of hillslope 
position.  
The classification breaks calibrated by the median mid‐points of the assessment groups 
in Ottawa County, Michigan continued to perform equally well in two different Iowa landscapes 
suggesting that the SlgP‐med hillslope position model can be used in a variety of landscapes, 
without recalibration. The consistently strong performance of the calibration group median also 
suggests that it is the more representative value for defining the central concept for fuzzy 
membership approaches.  
Many current digital soil mapping models attempt to capture the complex, contextual 
nature of expert knowledge summarily by zonal statistics or require field experts to interpret 
194 
 

 

digital parameters. In contrast, the hillslope position classification model focuses on a single 
delineation criteria and is calibrated to the field experts’ interpretations. The resulting 
classification model provides a consistent delineation of common soil map unit boundaries that 
is not limited to small study areas.  
The digital classification of hillslope position improves upon human assessment by 
applying rules of classification consistently across the landscape. This trait reduces the 
variability of classification due to human error and judgment. Consistent application of 
classification rules also identifies areas that meet the criteria for different hillslope elements, 
but were previously unmapped due to cartographic, base map or resource limitations. 
Consistent classification of all landscape locations, regardless of map unit extent, presents the 
opportunity to disaggregate map units. This type of disaggregation would be best applied to 
topographically complex landscapes where two or three soil series vary predictably as a 
function of hillslope position and/or drainage class; the model would be much more able to 
delineate small map units amidst what may have been originally mapped as a complex or a 
consociation with inclusions.  The map produced by the hillslope position classification model 
provides the appropriate base data for increasing the resolution of soil maps in a documented, 
repeatable and cost‐effective manner. 
 

 

195 
 

 

 
 
 
 
 
 
 
 
 
 
 
APPENDIX 
 

 

196 
 

 

FULL ANALYSIS TABLES OF HILLSLOPE POSITION CLASSIFICATION BY SOIL MAP UNITS 
Table 4.11. Zonal statistics of the SlgP‐med hillslope position model by SSURGO map units in 
Ottawa County, Michigan. 
SSURGO 
Hillslope Position Model 
Geographic 
Map Unit 
Setting 
DC 
Max  su 
sh 
bs 
fs 
ts 
Washtenaw 
Depression  PD 
bs
4%
7% 35%  30% 25%
Algansee 
Floodplain 
SPD 
bs
8% 13% 47%  18% 15%
Ceresco 
Floodplain 
SPD 
bs
9%
7% 41%  23% 21%
Cohoctah 
Floodplain 
VPD 
bs
5%
7% 43%  24% 21%
Glendora 
Floodplain 
PD‐VPD 
bs
7%
8% 32%  25% 27%
Shoals 
Floodplain 
SPD 
bs 10%
9% 38%  21% 23%
Sloan 
Floodplain 
PD 
bs
7%
8% 37%  22% 25%
Wallkill 
Floodplain 
PD 
ts 19%
6% 18%  18% 40%
Warners 
Floodplain 
VPD 
ts 12% 10% 26%  19% 32%
Allendale {A} 
Plain 
SPD 
su 27% 15% 16%  19% 23%
Bowers {A} 
Plain 
SPD 
ts 27% 10% 15%  16% 31%
Bowers {B} 
Plain 
SPD 
su 40% 17% 16%  13% 14%
Hettinger 
Plain 
PD 
ts 15%
9% 20%  22% 34%
Pinconning 
Plain 
PD 
ts 18% 10% 17%  21% 34%
Pinconning‐
Plain 
PD 
ts 28%
7%
8%  14% 43%
Breckenridge 
Toledo 
Plain 
PD 
ts 21% 10% 18%  19% 32%
Tuscola {B} 
Plain 
MWD 
bs 17% 20% 32%  19% 12%
Adrian muck 
Depression  PD 
ts
8%
8% 23%  24% 36%
Adrian‐Houghton 
Depression  VPD 
ts 11%
9% 23%  24% 34%
mucks 
Edwards 
Depression  VPD 
ts 13%
9% 22%  20% 36%
Linwood 
Depression  VPD 
ts
6%
7% 22%  24% 41%
Au Gres {B} 
Complexes  SPD 
ts 26% 12% 14%  17% 31%
Au Gres‐Saugatuck {B}  Complexes  SPD 
ts 15% 10% 16%  21% 38%
Croswell {B} 
Complexes  MWD 
ts 22% 16% 19%  19% 23%
Croswell‐Au Gres {B} 
Complexes  SPD 
ts 18% 13% 20%  20% 28%
Gilford 
Depression  PD‐VPD 
ts 18% 11% 24%  19% 28%
Boyer {B} 
Plain 
WD 
bs 16% 17% 37%  19% 11%
Boyer {C} 
Plain 
WD 
bs
6% 12% 63%  14%
5%
Breckenridge 
Plain 
PD 
ts 17%
8% 18%  21% 36%
Brevort 
Plain 
PD 
ts 16%
9% 20%  21% 34%
Bruce 
Plain 
PD 
ts 17% 10% 16%  24% 33%
Fox {B} 
Plain 
WD 
bs 21% 16% 27%  18% 19%
Gladwin {A} 
Plain 
SPD 
ts 25% 13% 17%  18% 27%
Gladwin {B} 
Plain 
SPD 
su 25% 15% 23%  19% 18%
 
197 
 

 

Table 4.11. (cont’d) 
SSURGO 
Geographic 
Map Unit 
Setting 
Granby 
Plain 
Iosco {A} 
Plain 
Iosco‐Belding {B} 
Plain 
Kalkaska {C} 
Plain 
Kibbie {A} 
Plain 
Kibbie {B} 
Plain 
Lacota 
Plain 
Mancelona {A} 
Plain 
Mancelona {B} 
Plain 
Mancelona {C} 
Plain 
Matherton {A} 
Plain 
Menominee {B} 
Plain 
Menominee {C} 
Plain 
Metamora {A} 
Plain 
Metamora {B} 
Plain 
Newaygo {B} 
Plain 
Oshtemo {A} 
Plain 
Oshtemo {B} 
Plain 
Oshtemo {C} 
Plain 
Oshtemo {D} 
Plain 
Owosso {B} 
Plain 
Plainfield {B} 
Plain 
Plainfield {D‐F} 
Plain 
Richter {A} 
Plain 
Richter {B} 
Plain 
Spinks {A} 
Plain 
Spinks {B} 
Plain 
Spinks {C} 
Plain 
Tonkey 
Plain 
Wasepi {A} 
Plain 
Braceville {A} 
Terrace 
Spinks‐Montcalm {D‐ Plain 
F} 
Chelsea {B} 
Dunes 
Chelsea {C} 
Dunes 
Deer Park {B} 
Dunes 
Deer Park {D} 
Dunes 
Dune land 
Dunes 
 
 

Hillslope Position Model 
DC 
Max 
PD‐VPD 
ts
SPD 
su
SPD 
su
WD 
bs
SPD 
ts
SPD 
fs
PD 
ts
WD‐MWD 
su
WD‐MWD 
bs
WD‐MWD 
bs
SPD 
ts
WD‐MWD 
su
WD‐MWD 
bs
SPD 
ts
SPD 
ts
WD 
su
WD 
su
WD 
bs
WD 
bs
WD 
bs
WD‐MWD 
bs
ED 
bs
ED 
bs
SPD 
ts
SPD 
fs
WD 
bs
WD 
bs
WD 
bs
PD 
ts
SPD 
bs
MWD 
bs
WD 
bs

su 
23%
29%
29%
18%
25%
18%
20%
27%
23%
9%
27%
26%
10%
23%
20%
25%
30%
17%
6%
4%
19%
21%
4%
27%
20%
17%
12%
8%
20%
17%
22%
4%

sh 
8%
15%
18%
19%
9%
13%
9%
16%
19%
16%
11%
20%
15%
12%
14%
16%
16%
20%
14%
10%
19%
17%
9%
11%
15%
16%
17%
13%
10%
15%
18%
8%

bs 
13% 
15% 
13% 
36% 
15% 
22% 
19% 
20% 
27% 
57% 
18% 
22% 
50% 
20% 
22% 
22% 
17% 
33% 
61% 
70% 
35% 
24% 
68% 
15% 
19% 
27% 
41% 
60% 
15% 
29% 
24% 
77% 

fs 
18%
18%
21%
14%
18%
25%
18%
17%
18%
12%
16%
19%
18%
19%
21%
16%
17%
20%
14%
12%
17%
20%
11%
18%
23%
21%
20%
13%
20%
19%
19%
8%

ts 
38%
24%
20%
14%
34%
22%
33%
21%
13%
6%
29%
13%
7%
26%
22%
20%
20%
10%
5%
4%
9%
19%
8%
29%
23%
18%
10%
7%
35%
21%
17%
3%

WD 
WD 
WD 
WD 
 

26%
10%
11%
7%
2%

18%
15%
15%
12%
5%

20% 
46% 
44% 
54% 
79% 
 

17%
17%
17%
15%
9%

18%
11%
13%
12%
6%

su
bs
bs
bs
bs

198 
 

 

Table 4.11. (cont’d) 

Map Unit 
Hillsdale {B} 
Hillsdale {C} 
Belding {A} 
Belding {B} 
Blount {A} 
Blount {B} 
Conover {B} 
Kawkawlin {A} 
Kawkawlin {B} 
Miami {B} 
Miami {C} 
Miami {D‐F} 
Montcalm {A} 
Montcalm {B} 
Montcalm {C} 
Morley {B} 
Morley {C} 
Morley {D‐F} 
Nester {B} 
Nester {C} 
Nester {D‐F} 
Selkirk {A} 
Selkirk {B} 
Sims 
Ubly {A} 
Ubly {B} 
Ubly {C} 
 
 
 

SSURGO 
Geographic 
Setting 
Moraines 
Moraines 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 
Plain 

 
Hillslope Position Model 
DC 
Max 
WD 
bs
WD 
bs
SPD 
ts
SPD 
su
SPD 
su
SPD 
su
SPD 
fs
SPD 
ts
SPD 
fs
WD 
bs
WD 
bs
WD 
bs
WD‐MWD 
su
WD‐MWD 
bs
WD‐MWD 
bs
WD‐MWD 
bs
WD‐MWD 
bs
WD‐MWD 
bs
WD‐MWD 
bs
WD‐MWD 
bs
WD‐MWD 
bs
SPD 
ts
SPD 
ts
PD 
ts
WD 
su
WD 
bs
WD 
bs

 

199 
 

su 
14%
7%
23%
25%
30%
24%
13%
24%
22%
14%
7%
2%
32%
22%
6%
18%
6%
3%
18%
6%
3%
17%
19%
13%
31%
19%
6%

sh 
22%
16%
11%
14%
14%
17%
15%
12%
15%
21%
15%
8%
16%
20%
14%
23%
14%
7%
23%
14%
7%
9%
13%
8%
18%
23%
15%

bs 
32% 
57% 
14% 
15% 
14% 
19% 
27% 
13% 
17% 
40% 
58% 
81% 
17% 
28% 
58% 
36% 
61% 
82% 
31% 
61% 
81% 
11% 
18% 
18% 
18% 
27% 
57% 

fs 
24%
17%
21%
23%
17%
22%
28%
20%
23%
20%
16%
7%
16%
19%
16%
16%
14%
6%
20%
15%
6%
23%
23%
24%
17%
22%
17%

ts 
8%
3%
31%
22%
25%
18%
17%
30%
23%
5%
4%
2%
20%
11%
6%
6%
4%
3%
8%
4%
3%
40%
27%
36%
16%
9%
5%

 

Table 4.12. Zonal statistics of the SlgP‐med hillslope position model by SSURGO map units in 
Dickinson County, Iowa. 
SSURGO 
Hillslope Position Model 
Geographic 
Map Unit 
Setting 
DC 
Max su 
sh 
bs 
fs 
ts 
Calco 
Floodplain 
VPD‐PD 
ts 23%
5% 18%  12% 42%
Millington 
Floodplain 
PD 
bs
5%
7% 38%  17% 33%
Spillville 
Floodplain 
SPD‐MWD 
ts 19%
7% 20%  13% 41%
Spillville {B} 
Floodplain 
SPD‐MWD 
bs
2%
5% 41%  32% 20%
Coland 
Side Slope 
PD 
ts 12%
4% 21%  19% 45%
Coland‐Spillville  Side Slope 
PD‐MWD 
bs
1%
3% 36%  32% 28%
Orthents 
Not Defined 
  
bs 19% 13% 35%  14% 19%
Bolan {B} 
Not Defined 
WD 
su 32% 19% 12%  22% 16%
Bolan {C} 
Not Defined 
WD 
bs
9% 19% 50%  17%
5%
Blue Earth Muck  Depression 
VPD 
ts
8%
2%
7% 
9% 74%
Collinwood 
Flat 
SPD 
su 33% 13%
9%  20% 25%
Collinwood {B} 
Flat 
SPD 
su 33% 25% 14%  20%
8%
Collinwood {C} 
Flat 
SPD 
bs
7% 19% 53%  17%
3%
Kingston 
Flat 
SPD 
su 48%
5%
3% 
7% 37%
Madelia 
Flat 
PD 
ts 20%
2%
4% 
9% 65%
Spicer 
Flat 
VPD‐PD 
ts 23%
2%
3% 
7% 64%
Waldorf 
Flat 
PD 
ts 22%
4%
6%  15% 53%
Everly 
Convex 
MWD 
su 78%
6%
3% 
3% 10%
Everly {B} 
Convex 
MWD 
su 44% 19% 11%  16% 10%
Everly {C} 
Convex 
MWD 
bs
3% 15% 67%  13%
2%
Letri 
Undefined 
PD 
ts 20%
3%
5% 
9% 64%
Pits 
Disturbed 
  
bs
6%
9% 56%  12% 16%
Cylinder 
Flat 
SPD 
ts 39%
4%
4% 
8% 44%
Biscay 
Plain 
VPD‐PD 
ts 22%
3%
8% 
9% 58%
Dickman 
Plain 
SED 
su 34% 22% 16%  18% 10%
Estherville 
Plain 
SED 
su 47% 10% 11% 
8% 25%
Estherville {B} 
Plain 
SED 
su 29% 22% 20%  18% 12%
Estherville {C} 
Plain 
SED 
bs
7% 15% 61%  13%
4%
Salida {D‐G} 
Plain 
ED 
bs
4%
7% 83% 
4%
2%
Talcot 
Plain 
VPD‐PD 
ts 35%
2%
6% 
6% 51%
Wadena 
Plain 
WD 
su 48%
6%
5% 
7% 34%
Wadena {B} 
Plain 
WD 
su 28% 16% 20%  18% 18%
Wadena {C} 
Plain 
WD 
bs
6% 16% 58%  15%
5%
Sac 
Convex 
MWD 
su 56% 12%
5%  14% 13%
Ransom 
Flat 
SPD 
su 54%
3%
3% 
6% 35%
Wilmonton 
Flat 
SPD 
su 41%
4%
3%  10% 41%
Clarion {B} 
Convex 
MWD 
su 27% 25% 19%  21%
9%
Clarion {C} 
Convex 
MWD 
bs 8% 19% 55%  15%
3%
200 
 

 

Table 4.12. (cont’d) 

Map Unit 
Clarion {D} 
Storden {C} 
Storden {D‐G} 
Harps 
Crippin 
Fostoria 
Nicollet 
Ocheyedan 
Ocheyedan {B} 
Canisteo 
Webster 
Okoboji 
Rolfe 
Terril  {C} 
Terril {B} 
 
 
 

SSURGO 
Geographic 
Setting 
Convex 
Convex 
Convex 
Depression 
Flat 
Flat 
Flat 
Flat 
Flat 
Concave 
Concave 
Depression 
Depression 
Swale 
Swale 

Hillslope Position Model 
DC 
MWD 
WD 
WD 
PD 
SPD 
SPD 
SPD 
MWD 
MWD 
VPD‐PD 
PD 
VPD 
VPD 
MWD 
MWD 

 

201 
 

Max
bs
bs
bs
ts
ts
ts
ts
su
su
ts
ts
ts
ts
bs
bs

su 
3%
7%
2%
22%
32%
35%
25%
63%
41%
13%
10%
5%
18%
1%
3%

sh 
8%
16%
5%
6%
9%
3%
10%
8%
18%
3%
4%
2%
3%
2%
6%

bs 
82% 
62% 
88% 
3% 
5% 
3% 
10% 
4% 
12% 
7% 
10% 
5% 
6% 
75% 
44% 

fs 
6%
12%
4%
13%
13%
12%
24%
8%
18%
16%
23%
13%
10%
16%
31%

ts 
1%
3%
1%
56%
41%
47%
30%
17%
10%
60%
53%
76%
63%
6%
15%

 

Table 4.13. Zonal statistics of the SlgP‐med hillslope position model by SSURGO map units in 
Cedar County, Iowa. 
SSURGO 
Hillslope Position Model 
Geographic 
Map Unit 
Setting 
DC 
Max su  sh  bs 
fs 
ts 
Alluvial‐Spillville 
Floodplain 
SPD‐MWD 
ts 27% 10% 14%  17%
33%
Arenzville 
Floodplain 
MWD 
ts 18% 3% 13%  25%
41%
Colo‐Ely 
Floodplain 
PD‐SPD 
fs 4% 3% 9%  44%
39%
Colo‐Ely {B} 
Floodplain 
PD 
ts 26% 3% 13%  19%
39%
Hanlon 
Floodplain 
MWD 
su 60% 5% 4% 
6%
25%
Kennebec 
Floodplain 
MWD 
su 40% 4% 16%  12%
27%
Nodaway 
Floodplain 
MWD 
ts 11% 4% 30%  22%
33%
Nodaway‐Arenzville  Floodplain 
MWD 
fs 2% 3% 35%  37%
23%
Radford 
Floodplain 
SPD 
ts 19% 3% 12%  23%
43%
Sawmill 
Floodplain 
PD 
ts 39% 2% 6%  12%
41%
Spillville 
Floodplain 
SPD‐MWD 
ts 22% 5% 21%  17%
35%
Nevin 
Lowland Flat 
SPD 
su 50% 2% 3% 
9%
36%
Rockton {D} 
Lowland Flat 
WD 
fs 6% 27% 26%  36%
5%
Lamont {C} 
Not Defined 
WD 
fs 12% 28% 18%  35%
8%
Lamont {E} 
Not Defined 
WD 
bs 3% 17% 51%  25%
4%
Bassett  {B} 
Interfluves‐ 
MWD 
sh 16% 51% 6%  25%
2%
Sideslopes 
Bassett {C} 
Interfluves‐ 
MWD 
fs 4% 33% 12%  48%
3%
Sideslopes 
Bassett {D} 
Interfluves‐ 
MWD 
bs 1% 15% 44%  39%
2%
Sideslopes 
Kenyon   {B} 
Interfluves‐ 
MWD 
sh 25% 38% 2%  30%
5%
Sideslopes 
Kenyon {C} 
Interfluves‐ 
MWD 
fs 5% 31% 5%  56%
3%
Sideslopes 
Fayette {B} 
Interfluves‐ 
WD 
sh 35% 42% 12%  10%
2%
Sideslopes 
Fayette {C} 
Interfluves‐ 
WD 
bs 7% 41% 39%  12%
1%
Sideslopes 
Fayette {D‐G} 
Interfluves‐ 
WD 
bs 1% 10% 71%  16%
2%
Sideslopes 
Waukegan  {B} 
Outwash Plain  WD 
su 36% 23% 3%  25%
12%
Waukegan {C} 
Outwash Plain  WD 
fs 7% 29% 12%  46%
6%
Atterberry 
Summit‐Flat 
SPD 
su 64% 5% 2% 
7%
22%
Atterberry  {B} 
Summit‐Flat 
SPD 
su 35% 11% 2%  28%
23%
Franklin 
Summit‐Flat 
SPD 
su 42% 5% 2%  23%
29%
Garwin 
Summit‐Flat 
PD 
ts 35% 2% 2%  10%
51%
Maxfield 
Summit‐Flat 
PD 
ts 30% 2% 2%  13%
53%
202 
 

 

Table 4.13. (cont’d) 
Map Unit 
Muscatine 
Muscatine {B} 
Dinsdale  {B} 
Dinsdale {C} 
Downs {B} 
Downs {C} 
Downs {D} 
Klinger 
Tama 
Tama {B} 
Tama {C} 
Tama {D} 
Walford 
Waubeek {B} 
Whittier {B} 
Whittier {C} 
Ansgar 
Ely 
Sperry 
Judson {B} 
Palms 
Marsh 
Brady 
Richwood 
Saude 
Sparta  {B} 
Sparta {C} 
Sparta {E} 
Rock {G} 
Sogn {E} 
Chelsea  {B} 
Chelsea {C} 
Chelsea {E} 
Chelsea‐Lamont‐
Fayette {C} 
Chelsea‐Lamont‐
Fayette {E‐F} 
Dickinson {B} 
Dickinson {C} 
Dickinson‐Tama {C} 
Lindley {D‐F} 

SSURGO 
Geographic Setting
Summit‐Flat 
Summit‐Flat 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Summit‐Shoulder 
Terrace 
Terrace 
Transitional Swale 
Transitional Swale 
Upland Depression 
Transitional Swale 
Upland Depression 
Wetland 
Outwash Plain 
Outwash Plain 
Outwash Plain 
Outwash Plain 
Outwash Plain 
Outwash Plain 
Not Defined 
Not Defined 
Sideslopes 
Sideslopes 
Sideslopes 
Sideslopes 

DC 
SPD 
SPD 
MWD 
MWD 
WD 
WD 
WD 
SPD 
WD 
WD 
WD 
WD 
VPD‐PD 
MWD 
WD 
WD 
PD 
SPD 
VPD‐PD 
WD 
VPD 
  
SPD 
WD 
WD 
ED 
ED 
ED 
  
SED 
ED 
ED 
ED 
ED 

Sideslopes 

ED 

bs

2%

10%  70%  16%

2%

Not Defined 
Not Defined 
Not Defined 
Side Slope 

WD 
WD 
WD 
WD 

su
fs
fs
bs

37%
6%
12%
1%

25%  3%  22%
29%  10%  51%
32%  18%  37%
6%  72%  18%

13%
5%
2%
3%

203 
 

Max 
su
su
su
fs
sh
sh
bs
su
su
su
fs
fs
ts
sh
fs
fs
ts
fs
ts
fs
ts
ts
ts
su
su
su
fs
bs
bs
bs
su
bs
bs
bs

Hillslope Position Model 
su  sh  bs 
fs 
72% 6%  2% 
7%
37% 10%  2%  30%
39% 25%  2%  26%
5% 26%  5%  59%
36% 41%  7%  14%
6% 36%  21%  33%
1% 14%  45%  36%
34% 6%  2%  28%
67% 13%  1%  10%
42% 30%  3%  20%
5% 30%  10%  48%
1% 15%  34%  46%
37% 3%  2%  12%
17% 37%  9%  33%
26% 23%  12%  27%
8% 29%  17%  38%
42% 3%  1%  12%
6% 4%  4%  53%
28% 2%  1% 
7%
6% 5%  9%  57%
28% 2%  6%  19%
14% 4%  12%  17%
21%
6%  6%  25%
50%
4%  5%  15%
46%
9%  7%  14%
38% 17%  8%  19%
9% 31%  17%  38%
4% 22%  40%  31%
0%
3%  88%  5%
1% 11%  69%  15%
39% 19%  11%  17%
9% 28%  34%  23%
2% 12%  61%  19%
8% 29%  32%  26%

ts 
14%
21%
8%
5%
3%
4%
3%
30%
10%
5%
6%
4%
46%
4%
12%
8%
42%
33%
61%
23%
44%
54%
41%
26%
24%
18%
6%
3%
3%
4%
13%
5%
5%
4%

 

 
 
 
 
 
 
 
 
 
 
 
REFERENCES 
 

 

204 
 

 

REFERENCES 
 
Andrews, W.F. and R.O. Dideriksen. 1981. Soil Survey of Boone County, Iowa. Soil Conservation 
Service, U.S. Department of Agriculture. Washington, D.C. 
Arnold, J., M.D. Corre, and E. Veldkamp. 2009. Soil N cycling in old‐growth forests across an 
Andosol toposequence in Ecuador. Forest Ecology and Management. 257(10):2079‐2987. 
doi:10.1016/j.foreco.2009.02.014 
Arnold, R.W. 2006. Soil survey and soil classification. In S. Grunwald (ed.). Environmental Soil‐
Landscape Modeling: Geographic Information Technologies and Pedometrics. Taylor & 
Francis Group. Boca Raton. 
Bettis, E.A. 1989. Late Quaternary history of the Iowa River valley in the Coralville Lake area. In 
O.W. Plocher (ed.). Geologic Reconnaissance of the Coralville Lake Area. Geological Society 
of Iowa Guidebook 51. 
Bunge, W. 1962. Theoretical Geography. Gleerup. Lund, Sweden. 
Burras, C.L. and W.H. Scholtes. 1987. Basin properties and postglacial erosion rates of minor 
moraines in Iowa. Soil Science Society of America Journal. 51(6):1541‐1547. 
Bushnell, T.M. 1943. Some aspects of the soil catena concept. Soil Science Society Proceedings. 
7(C):466‐476. 
Butler, B.E. 1982. A new system for soil studies. Journal of Soil Science. 33(4):581‐595. 
Conacher, A.J. and J.B. Dalrymple. 1977. Landsurface mapping. Geoderma. 18(1‐2):111‐115. 
Dermody, R.P. 2009. Soil Survey of Cedar County, Iowa. Natural Resource Conservation Service, 
U.S. Department of Agriculture. Washington, D.C. 
Donald, R.G., D.W. Anderson, J.W.B. Stewart. 1993. The distribution of selected soil properties 
in relation to landscape morphology in forested Gray Luvisol soils. Canadian Journal of Soil 
Science. 73:165‐172. 
Ellis, J.H. 1938. The soils of Manitoba. Manitoba Economic Survey Board. Winnipeg, Manitoba. 
ESRI. 2012. Environmental Systems Research Institute ArcGIS Software, Version 10.1. 
http://www.esri.com  
Frye, J.C. 1959. Climate and Lester King’s “Uniformitarian nature of hillslopes.” Journal of 
Geology. 67:111‐113. 
Furley, P.A. 1971. Relationships between slope form and soil properties developed over chalk 
parent materials. Institute of British Geographers Special Publication. 3:141‐163. 
205 
 

 

Giles, P.T. 1998. Geomorphological signatures: classification of aggregated slope unit objects 
from digital elevation and remote sensing data. Earth Surface Processes and Landforms. 
23(7):581‐594. 
Govers, G. 1985. Selectivity and transport capacity of thin flows in relation to rill erosion. 
Catena. 12:35‐49. 
GRASS Development Team, 2012. Geographic Resources Analysis Support System (GRASS) 
Software, Version 6.4.2. Open Source Geospatial Foundation. Available online at: 
http://grass.osgeo.org. Accessed [11/12/2012]. 
Grealish, G., R.W. Fitzpatrick, P. King, S.A. Shahid. 2013. Conceptual soil‐regolith toposequences 
models to support soil survey and land evaluation. In S.A. Shahid, F.K. Taha, and M.A. 
Abdelfattah (eds.). Developments in Soil Classification, Land Use Planning and Policy 
Implications: Innovative Thinking of Soil Inventory for Land Use Planning and Management 
of Land Resources. Springer. Dordrecht. 
Hall, G.F. and C.G. Olson. 1991. Predicting variability of soils from landscape models. In M.J. 
Mausbach and L.P. Wilding (eds.). Spatial Variabilities of Soils and Landforms. SSSA Special 
Publication Number 28. Soil Science Society of America. Madison, Wisconsin. 
Hengl, T. and R.A. MacMillan. 2007. Geomorphology as a key tool to map and model natural 
landscapes. In T. Hengl and H.I. Reuter (eds.). Geomorphometry: Concepts, Software, 
Applications. Office for Official Publications of the European Communities. Luxembourg. 
Hole, F.D. and J.B. Campbell. 1985. Soil Landscape Analysis. Rowman & Allanheld. Totowa, New 
Jersey. 
Hudson, B.D. 1990. Concepts of soil mapping and interpretation. Soil Survey Horizons. 31(3):63‐
72. 
Hudson, B.D. 1992. The soil survey as a paradigm‐based science. Soil Science Society of 
America. 56:836‐841. 
IDNR. 2009. The Iowa LiDAR Project. Iowa Department of Natural Resources. Available online 
at: http://geotree2.geog.uni.edu/lidar. Accessed [3/23/2013]. 
Jenny, H. 1941. Factors of Soil Formation: A System of Quantitative Pedology. Dover 
Publications. New York. 
Jien, S., S. Wu, Z. Chen, T. Chen, and C. Chiu. 2010. Characteristics and pedogenesis of podzolic 
forest soils along a toposequence near a subalpine lake in northern Taiwan. Botanical 
Studies. 51:223‐236. 

206 
 

 

Kagabo, D.M., L. Stroosnijder, S.M. Visser, and D. Moore. 2013. Soil erosion, soil fertility and 
crop yield on slow‐forming terraces in the highlands of Buberuka, Rwanda. Soil and Tillage 
Research. 128:23‐29. 
Khalili‐Rad, M. F. Nourbakhsh, A. Jalalian, and M.K. Eghbal. 2011. The effects of slope position 
on soil biological properties in an eroded toposequence. Arid Land Research and 
Management. 25(3):308‐312.  
King, L.C. 1957. The uniformitarian nature of hillslopes. Transactions of the Edinburgh 
Geological Society. 17:81‐102. 
Kleiss, H.J. 1970. Hillslope sedimentation and soil formation in northeastern Iowa. Soil Science 
Society of America Proceedings. 34:287‐290. 
Koné, B., A. Touré, G.L. Amadji, A. Yao‐Kouamé, P.T. Angui, and J. Huat. 2013. Soil 
characteristics and Cyperus spp. Occurrence along a toposequence. African Journal of 
Ecology. doi: 10.1111/aje.12050 
Korobova, E. and S. Romanov. 2011. Experience of mapping spatial structure of Cs‐137 in 
natural landscape and patterns of its distribution in soil toposequence. Journal of 
Geochemical Exploration. 109(1‐3):139‐145. 
MacMillan, R.A., D.E. Moon, and R.A. Coupé. 2007. Automated predictive ecological mapping in 
a forest region of B.C. Canada: 2001‐2005. Geoderma. 140(4):353‐373. 
Malo, D.D., B.K. Worchester, D.K. Cassel, and K.D. Matzdorf. 1974. Soil‐landscape relationships 
in a closed drainage system. Soil Science Society of America Proceedings. 38:813‐818. 
Miller, B.A., W.G. Crumpton, A.G. van der Valk. 2009. Spatial distribution of historical wetland 
classes on the Des Moines Lobe, Iowa. Wetlands. 29(4):1146‐1152. 
Milne, G. 1935. Some suggested units of classification and mapping particularly for East African 
soils. Soil Research. 4(3). 
Park, S.J. and N. van de Giesen. 2004. Soil‐landscape delineation to define spatial sampling 
domains for hillslope hydrology. Journal of Hydrology. 295(1‐4):28‐46. 
Pennock, D.J., B.J. Zebarth, and E. De Jong. 1987. Landform classification and soil distribution in 
hummocky terrain, Saskatchewan, Canada. Geoderma. 40:297‐315. 
Pregitzer, K.E. 1972. Soil Survey of Ottawa County, Michigan. Soil Conservation Service, U.S. 
Department of Agriculture. Washington, D.C. 
Pulido, D. 2011. Soil Survey of Dickinson County, Iowa. Natural Resource Conservation Service, 
U.S. Department of Agriculture. Washington, D.C. 
Ruhe, R.V. 1969. Quaternary Landscapes in Iowa. Iowa State University Press. Ames, Iowa. 
207 
 

 

Ruhe, R.V. 1975. Climatic geomorphology and fully developed slopes. Catena. 2:309‐320. 
Ruhe, R.V. and P.H. Walker. 1968. Hillslope models and soil formation: I. Open systems. 
Transactions of the 9th International Congress of Soil Science. 4:551‐560. Adelaide, 
Australia. 
Schaetzl, R.J., F.J. Krist Jr., K.E. Stanley, and C.M. Hupy. 2009. The natural soil drainage index: an 
ordinal estimate of long‐term, soil wetness. Physical Geography. 30:383‐409. 
Schaetzl, R.J., F.J. Krist Jr., and B.A. Miller. 2012. A taxonomically based, ordinal estimate of soil 
productivity for landscape‐scale analyses. Soil Science. 177(4): 288‐299. 
doi:10.1097/SS.0b013e3182446c88. 
Schaetzl, R.J.  2013. Catenas and Soils. In J.F. Shroder (ed.). Treatise on Geomorphology, Vol. 4. 
Academic Press. San Diego, California. pp. 145‐158.  
Shi, X., R. Long, R. Dekett, J. Philippe. 2009. Integrating different types of knowledge for digital 
soil mapping. Soil Science Society of America. 73(5):1682‐1692. 
Shi, X., A.X. Zhu, J.E. Burt, F. Qi, and D. Simonson. 2004. A case‐based reasoning approach to 
fuzzy soil mapping. Soil Science Society of America Journal. 68:885‐894. 
Soil Survey Staff. 1985. Pattern of soils and underlying material in the Nester‐Kawkawlin‐
Manistee association. Natural Resource Conservation Service, U.S. Department of 
Agriculture. Available online at: http://soils.usda.gov/education/training/job_aids.html. 
Accessed [4/4/2013]. 
Soil Survey Staff. 1992. Typical pattern of soils and parent material in the Deer Park‐Dawson‐Au 
Gres association. Natural Resource Conservation Service, U.S. Department of Agriculture. 
Available online at: http://soils.usda.gov/education/training/job_aids.html. Accessed 
[4/4/2013]. 
Soil Survey Staff. 2000. Typical pattern of soils and parent material in the Canisteo‐Clarion‐
Nicollet association. Natural Resource Conservation Service, U.S. Department of 
Agriculture. Available online at: http://soils.usda.gov/education/training/job_aids.html. 
Accessed [4/4/2013]. 
Soil Survey Staff. 2009. Typical pattern of soils and parent material in the Tama‐Downs‐
Muscatine association. Natural Resource Conservation Service, U.S. Department of 
Agriculture. Available online at: http://soils.usda.gov/education/training/job_aids.html. 
Accessed [4/4/2013]. 
Soil Survey Staff. 2013a. Soil Survey Geographic (SSURGO) Database. Natural Resource 
Conservation Service, U.S. Department of Agriculture. Available online at: 
http://soildatamart.nrcs.usda.gov. Accessed [3/23/2013]. 

208 
 

 

Soil Survey Staff. 2013b. Official Soil Series Descriptions (OSSD). Natural Resource Conservation 
Service, U.S. Department of Agriculture. Available online at: 
http://soils.usda.gov/technical/classification/osd/. Accessed [3/23/2013]. 
Stolt, M.H., J.C. Baker, and T.W. Simpson. 1993. Soil‐landscape relationships in Virginia: II. 
reconstruction analysis and soil genesis. Soil Science Society of America Journal. 57:422‐
428. 
Tsatskin, A., A. Sandler, and N. Porat. 2013. Toposequence of sandy soils in the northern coastal 
plain of Israel: Polygenesis and complexity of pedogeomorphic development. Geoderma. 
197‐198:87‐97. 
Venables, W.N. and B.D. Ripley. 2002. Modern Applied Statistics with S. Fourth Edition. 
Springer. New York. 
West, L.T., L.P. Wilding, and C.T. Hallmark. 1988. Calciustolls in central Texas: I. Parent material 
uniformity and hillslope effects on carbonate‐enriched horizons. Soil Science Society of 
America Journal. 52:1722‐1731. 
Wood, A. 1942. The development of hillside slopes. Proceedings of the Geologists’ Association. 
53:128‐138. 
Wood, J. 1996. The Geomorphological characterisation of Digital Elevation Models. Diss., 
Department of Geography, University of Leicester, U.K. 
http://www.soi.city.ac.uk/~jwo/phd/. Accessed [10/1/2012]. 
Wysocki, D.A., P.J. Schoeneberger, H.E. LaGarry. 2000. Geomorphology of Soil Landscapes. In 
M.E. Sumner (ed.). Handbook of Soil Science. CRC Press. Boca Raton, Florida. 
Zhu, A.X., B. Hudson, J. Burt, K. Lubich, and D. Simonson. 2001. Soil mapping using GIS, expert 
knowledge, and fuzzy logic. Soil Science Society of America Journal. 65:1463‐1472. 
 

 

209 
 

 

CHAPTER 5. THE IMPACT OF PARAMETER ACCURACY VERSUS RESOLUTION ON A SIMPLE 
HILLSLOPE POSITION CLASSIFICATION MODEL 
 
Abstract 
Many soil geomorphology models are dependent upon both the accuracy and resolution 
of terrain parameters. Therefore, to understand the uncertainty of model outcomes, it is 
important to know the sensitivity of the model to differences in the quality of input data. This 
study examines the sensitivity of a landscape classification model to differences in elevation 
data resolution and accuracy. The landscape classification model is a two‐tier decision tree for 
classifying hillslope position as calibrated to the analysis scales and classification breaks used by 
soil scientists in the field. LiDAR‐derived, 3 m resolution, elevation grids were used as the 
reference landscape surfaces for three different study areas. The results of the hillslope 
classification model using these grids were compared to the results of using NED (9 m) and 
SRTM (27 m) elevation grids as inputs. In order to identify which part of the changes in model 
outcomes are due to inaccurate elevation data and grid resolution, respectively, the LiDAR‐
derived elevation grid was aggregated to 9 m and 27 m resolutions. In general, reducing grid 
resolution changed approximately 20% of classifications between 3 m and 9 m resolutions, 
while changing approximately 35% of classifications between 3 m and 27 m resolutions. 
Inaccuracy in the SRTM elevation data added approximately 30% more changes to the modeled 
hillslope classifications. Generalizations cannot be made about the impact of inaccuracies in the 
NED, because they vary greatly depending on the production method of the area. However, in 

210 
 

 

the areas analyzed in this study, inaccuracies in the NED contributed to between 5% and 35% 
change in hillslope position classification. 
Keywords: hillslope position, LiDAR, NED, SRTM, classification error, grid resolution 
1. Introduction 
Topographic parameters are among the most valuable landscapes metrics for 
geomorphology and soil geography applications (Ruhe, 1975; Hudson, 1990; McBratney et al., 
2003). For this reason, digital terrain analysis has become a popular type of research approach 
for the study of physical landscapes. The widespread availability of digital elevation data has 
facilitated the development and application of digital terrain metrics and models (Moore et al., 
1991; Wilson and Gallant, 2000). However, questions exist about the repeatable nature of the 
analysis results because each analysis has a unique sensitivity to errors in the elevation data 
(Lee et al., 1992; Holmes et al., 2000; Fisher and Tate, 2006; Lindsay, 2006). Classification is a 
strategy for dealing with uncertainty by setting category ranges that balance the resolution of 
information needed with the sensitivity of the categories to errors (Pilkey and Pilkey‐Jarvis, 
2007). 
Soil classification is a classic example of an application that utilizes landscape 
classification categories to account for attribute variability and uncertainty. Soil mapping and 
classification balances the need to express variation of important soil characteristics, with the 
practical ability to spatially represent the heterogeneous soil landscape (Soil Survey Staff, 
1993). Through geographic association, observations of soil properties in a few locations are 
extended across a landscape by predicting locations with similar conditions; i.e., similar 
211 
 

 

topographic characteristics, will have similar soils (Milne, 1935; Bushnell, 1943). This form of 
environmental correlation has been undergoing refinement since the introduction of the soil 
forming factors in 1883 (Dokuchaev, 1967). More recent developments have focused on 
environmental conditions controlled by topography to predict soil variability for increasingly 
detailed maps (Pennock et al., 1987; Lark, 1999; Young and Hammer, 2000). At fine analysis 
scales, soil scientists have traditionally used topographic classifications of hillslope position ‐ 
formal or otherwise ‐ to differentiate areas of contrasting geomorphic processes and to map 
the resulting spatial variability in soil properties (Chapter 2). However, despite the ability of 
hillslope position (HP) classification to represent the spatial structure of soil variability at the 
resolution of current understanding of pedogeomorphic processes, the classification of 
landscapes into hillslope positions is still susceptible to uncertainty in the elevation data on 
which the classification is based. 
Chapters 3 and 4 introduced a digital method for classifying hillslope position (HP) that 
was calibrated to soil scientists’ field experience and validated in three different landscapes. In 
order to maximize accuracy and utility, the calibration and validation of the digital HP 
classification was conducted on high resolution, LiDAR‐derived elevation data. However, this 
type of high quality elevation data is not available in all landscapes. Before applying digital HP 
classification to elevation data from different sources, the sensitivity of the model to 
parameters of differing quality (i.e. spatial resolution and attribute certainty), needs to be 
tested. 

212 
 

 

The purpose of this study is to test the sensitivity of the HP classification model to the 
quality of the elevation data. I define the quality of elevation data as a function of resolution 
and accuracy. Differences between the HP classification of LiDAR and other elevation data 
sources are considered to be the result of a combination of both aspects of elevation data 
quality. In order to differentiate the effects of these two aspects of elevation data quality, I 
modelled the effect of resolution alone. To accomplish this, I aggregated LiDAR‐based elevation 
data to the same resolution of alternative elevation data sources, in a manner similar to the 
methods used by Barber and Shortridge (2005). The difference in HP classifications, caused by 
an alternative elevation data source and the modelled changes due to coarser resolutions, is 
used as a surrogate for the sensitivity of the HP classification model to uncertainty in elevation 
values. 
2. Methods 
2.1. Comparison of Different Elevation Data Sources 
Using the HP classification model validated in Chapter 4, the sensitivity of that 
classification to elevation data of differing quality was tested on three counties of differing 
terrain (Figure 5.1). Ottawa County, Michigan and Dickinson County, Iowa were both glaciated 
during the late Wisconsin. However, the Dickinson County landscape consists of predominantly 
closed basins, while Ottawa County has major areas of glaciolacustrine plains and sand dunes. 
Cedar County, Iowa is a landscape glaciated during the Pre‐Illinoisan, with a cover of loess. 
 

213 
 

 

 
Figure 5.1. Areas used for this study were a) Dickinson County, Iowa, b) Cedar County, Iowa, 
and c) Ottawa County, Michigan. 
 
For the purpose of this study, I define the quality of an elevation data set as the 
combination of its resolution and uncertainty in elevation attributes. The estimated uncertainty 
is often expressed as a spatial root mean square error (RMSE) associated with the data 
collection method (Li, 1988; Desmet, 1997; Hunter and Goodchild, 1997). LiDAR is considered to 
be the highest quality elevation data because of its fine spatial resolution and typically having a 
RMSEZ of 0.15‐0.43 m (Krabill et al., 1995; Krabill et al., 2000; Bowen and Waltermire, 2002; 
Schumann et al., 2008). However, the error in digital elevation datasets is not only dependent 
upon the production method, but also characteristics of the landscape. The RMSEZ for digital 
elevation data tends to increase with terrain relief and ruggedness (Aguilar et al., 2005; USGS, 
2006). In addition to increasing with relief, RMSEZ for LiDAR has also been observed to vary as a 

214 
 

 

function of the vegetation cover. Hodgson et al. (2003) reported the RMSEZ of LiDAR elevation 
data on the North Carolina Piedmont to be 0.33‐0.37 m for grasslands, 0.46 m for pine forests, 
1.22 m for deciduous forests, and 1.53 m for shrubland. 
The first test of sensitivity applied the HP classification model to the United States 
Geological Survey (USGS) 1/3 arc second national elevation dataset (NED). The NED is a mixture 
of the best available elevation data sources, merged together to create a continuous grid 
(USGS, 2013a; USGS, 2013b). The 1/3 arc second resolution, generally equivalent to a 9 m cell 
size in the study areas, is the finest resolution available that covers the entire United States in 
2013. As a composite of multiple data collection methods, the uncertainty in elevation 
attributes of this data set varies. In Ottawa County, Michigan and Cedar County, Iowa, the NED 
was compiled using the LT4X method. This method interpolates contour lines to grids (Gesch et 
al., 2002). The metadata for the NED in these two areas reports a RMSEZ of 1 m for Ottawa 
County and 2 m for Cedar County (USGS, 2013a). In Dickinson County, Iowa, the NED has 
incorporated LiDAR data. Therefore, the Dickinson County area is a test of the lower resolution 
in the 1/3 arc second NED, but has a RMSEZ comparable to the LiDAR (actual RMSEZ not yet 
reported). 
The second test of sensitivity used elevation data from the Shuttle Radar Topography 
Mission (SRTM) (USGS, 2002). This dataset covers 80% of the Earth’s land surface from 60° N to 
60° S (Farr et al., 2007) at a spatial resolution of one arc second, which in the study region is a 
cell size of approximately 27 m. The RMSEZ of this elevation dataset has been reported to be 
215 
 

 

between 1.5 and 6 m (Rodriguez et al, 2005; Schumann et al., 2008). SRTM data tends to have a 
positive bias with increasing slope gradient and percent forest cover (Shortridge and Messina, 
2011). 
The HP classification model was calibrated to both the analysis scale (Chapter 3) and 
classification breaks (Chapter 4) of soil scientists in the field. The classification of the LiDAR‐
derived, 3 m resolution, elevation grids for each of the three study areas were treated as the 
reference classification. The HP classification model was then applied to the two lower quality, 
but more widely available digital elevation data sets. Although the classification breaks were 
held constant, the coarser grid resolutions of the alternative elevation data sources limited the 
ability to match analysis scales. The most severely affected was slope gradient, which had been 
calibrated to an analysis scale of 9 m. The closest analysis scale possible was instead used for 
the respective elevation grids. The 9 m NED was analyzed at a scale of 27 m and the 27 m SRTM 
was analyzed at a scale of 81 m for slope gradient. The calibrated scale of profile curvature at 
63 m was able to be matched for the NED, but the smallest possible analysis scale for the SRTM 
(81 m) had to again be used for profile curvature. The larger calibrated analysis scale for 
relative elevation was able to be matched for all elevation datasets.  
After generating grids classified for HP from each of the elevation data sources for each 
of the three counties, the areas were divided by township, resulting in 45 test zones. Areas 
identified as water by the U.S. Soil Survey (Soil Survey Staff, 2013) were excluded from the test 
zones. Exactly 1,000 random points were generated in ArcGIS 10.1 (ESRI, 2012), for each of the 
test zones and intersected with the HP grids. Agreement of HP classification was then evaluated 

216 
 

 

at those points and compared between test zones. Because the HP classification model is 
dependent upon three parameters (i.e. slope gradient, profile curvature, and relative 
elevation), summary statistics of these digital terrain analyses were compared with rates of 
classification agreement per test zone. Slope gradient was summarized by the mean statistic. 
Because profile curvature and relative elevation are centered on zero, they were summarized 
using range instead of mean. 
2.2. Isolating Effect of Grid Resolution 
In order to distinguish the change in model results due to differences in elevation values 
versus the decrease in spatial resolution, the same evaluation was carried out on aggregated 
versions of the reference 3 m elevation grid. The LiDAR‐based, 3 m resolution grid was 
aggregated by calculating the unweighted mean elevation at resolutions of 9 m and 27 m for 
simulating the spatial resolutions of the NED and SRTM‐based elevation grids, respectively. 
These aggregations were accomplished with the Spatial Analyst Block Mean function in ArcGIS 
10.1 using 3x3 and 9x9 neighborhoods, respectively. The aggregated grids were then 
intersected with the same test points used for the NED and SRTM evaluations for comparison. 
3. Results and Discussion 
3.1 Sensitivity to LiDAR, NED, and SRTM as Data Sources 
Overall, agreement in HP classification between the LiDAR and alternative data sources 
declined with lower quality elevation data. In Ottawa County, Michigan, 33% of the sample 
locations agreed in classification between the 3 m LiDAR and 9 m NED, which declined to an 

217 
 

 

agreement rate of 26% between the 3 m LiDAR and 27 m SRTM‐derived elevation grids. 
Agreement was higher in the Iowa counties, but had the same pattern. The 9 m NED in Cedar 
County agreed with the LiDAR classification 49% of the time and declined to 38% for the 27 m 
SRTM. The NED agreement with the 3 m LiDAR was much higher in Dickinson County due to the 
NED being based on the same LiDAR data as the reference grid, but the decrease in resolution 
from 3 m to 9 m resulted in an agreement rate of only 74%. The agreement rate between the 3 
m LiDAR and 27 m SRTM declined to 30% in Dickinson County. 
Examination of the confusion matrix of NED versus LiDAR HP classification for the 
combined areas indicates a tendency for the NED classification to over classify summits and 
toeslopes (Table 5.1b). In other words, errors of commission are most common for summit and 
toeslope classifications of the NED. This pattern implies that the NED contains areas of lower 
slope gradient, which is expected with the required coarser analysis scale for slope gradient. 
However, the same pattern was not observed in the SRTM classification, despite the coarser 
resolution of the SRTM requiring an even coarser analysis scale than the NED. Instead, the 
SRTM classification had a greater tendency to misclassify points to categories adjacent to the 
correct category (Table 5.1c).  
 

 

218 
 

 

Table 5.1. a) LiDAR‐based, 3 m resolution, HP classification of all test points for context in 
evaluating confusion matrices comparing LiDAR‐based classification of hillslope position with b) 
NED‐based classification of hillslope position (Kappa = 0.36) and b) SRTM‐based classification of 
hillslope position (Kappa = 0.14).  
a) 
summit  shoulder backslope footslope toeslope
17.7% 
12.8%
30.7%
18.2%
20.6%
 
b)  
 
summit  shoulder backslope footslope toeslope User* 
summit 
10.4% 
4.0%
3.4%
3.7%
4.3% 40.5% 
shoulder 
1.6% 
3.8%
3.4%
2.1%
0.7% 32.9% 
backslope 
0.5% 
1.8%
17.1%
2.4%
0.7% 75.9% 
footslope 
0.9% 
1.0%
3.1%
4.9%
1.7% 42.5% 
toeslope 
4.2% 
2.1%
3.8%
5.2%
13.1% 46.2% 
Producer*  58.9% 
30.0%
55.8%
26.8%
63.9%
 
 c)  
summit  shoulder backslope footslope toeslope User* 
summit 
4.9% 
2.6%
2.9%
2.8%
4.2% 28.1% 
shoulder 
4.3% 
3.3%
5.6%
3.9%
4.0% 15.7% 
backslope 
2.4% 
3.0%
14.6%
4.3%
3.3% 52.9% 
footslope 
3.7% 
2.6%
5.6%
4.7%
5.1% 21.6% 
toeslope 
2.4% 
1.2%
2.1%
2.5%
4.0% 32.6% 
Producer*  27.5% 
26.0%
47.4%
25.6%
19.5%
*User’s and Producer’s accuracy calculated by correct classification divided by all 
classifications in category. 
 
3.1.1. Analysis of LiDAR, NED, and SRTM Agreement by Test Zones 
Comparisons of classification agreement with terrain characteristics in the test zones 
demonstrated an increase in classification agreement with increased relief (Figure 5.2). Mean 
slope gradient and relative elevation range showed the strongest correlation with classification 
agreement. Profile curvature range showed similar trends with a weaker correlation. All three 
219 
 

 

HP classification model parameters are closely correlated to relief. However, slope gradient and 
relative elevation are more closely correlated, because larger ranges in relative elevation 
necessitate larger slope gradients. Therefore, it is expected that relative elevation and slope 
gradient would exhibit similar patterns. Profile curvature, on the other hand, is less dependent 
on elevation change, because both flat and steep slopes can have equal amounts and types of 
linear profile curvature. 
Mean gradient compared to the NED classification agreement had a positive correlation 
2

2

in both Ottawa County (R  = 0.39) and Cedar County (R  = 0.86). This trend was not true for the 
NED classifications in Dickinson County. Because the NED in Dickinson County had been derived 
from more accurate LiDAR data, actually the same LiDAR data as the reference elevation grid, 
HP classification of the LiDAR and NED resulted in high agreement rates. The coarser resolution 
NED of Dickinson County showed only a small trend of decreasing agreement with an increase 
2

of mean slope (R  = 0.51). The contradictory trends in Dickinson County suggest that the 
relationship between classification agreement and terrain characteristics is connected more to 
production method than resolution of the elevation grids. 
 

 

220 
 

 

 

Percent Agreement

a)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

 

 

2

4

6

                 SRTM 

b) 90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Cedar
Dickinson
Ottawa
0

 
Percent Agreement

           NED 

8

Cedar
Dickinson
Ottawa
0

Mean Slope Gradient (degrees)

0.00

0.02

0.04

Dickinson
0.06

Profile Curvature Range (m‐1)

Percent Agreement

e)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
50

100

150

Relative Elevation Range (m)

6

8

0.02

0.04

0.06

0.08

Profile Curvature Range (m‐1)
f)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

200

 

Cedar
Dickinson
Ottawa

0.00

0.08

Cedar
Dickinson
Ottawa
0

d)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Percent Agreement

Cedar
Ottawa

4

 

Cedar
Dickinson
Ottawa

Percent Agreement

Percent Agreement

c)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

2

Mean Slope Gradient (degrees)

0

50

100

150

Relative Elevation Range (m)

200

 

Figure 5.2. Terrain characteristics of test zones compared to HP classification agreement: LiDAR‐
based classification agreement with a) NED‐based classification versus mean slope gradient, b) 
SRTM‐based classification versus mean slope gradient, c) NED‐based classification versus profile 
curvature range, d) SRTM‐based classification versus profile curvature range, e) NED‐based 
classification versus relative elevation range, f) SRTM‐based classification versus relative 
elevation range.
221 
 

 

Comparisons of relative elevation range versus NED classification agreement generally 
exhibited similar trends as did the analysis of mean slope gradient versus NED classification 
2

agreement. The correlation in Cedar County remained strong (R  = 0.70), but the correlation 
declined in the other two counties. In Dickinson County, where differences in classification 
were primarily a product of the generalization to a coarser grid resolution, there was no 
2

correlation between classification agreement and relative elevation (R  = 0.00). In Ottawa 
County, the correlation with relative elevation was much less than the correlation with mean 
2

slope gradient (R  = 0.12). Although relative elevation and slope gradient are intimately linked, 
the higher correlations of percent agreement with slope gradient than with relative elevation 
reflect the classification tree structure. The HP classification model applied in this study divides 
the landscape first by three categories of slope gradient. Then, high slope gradients are 
classified as backslopes, medium slope gradients are differentiated by profile curvature as 
shoulders or footslopes, and low slope gradients are differentiated by relative elevation as 
summits or toeslopes (Figure 5.3). Therefore, agreement in slope gradient classification 
between elevation datasets has the largest impact on HP classification agreement. 
 

222 
 

 

 
Figure 5.3. Diagram for the classification tree tested in this study, which was validated in 
Chapter 4. 
 
Similar trends were also observed in the comparison of the SRTM classification 
agreements, but the maximum percent agreement was less (Figure 5.2). Agreement in HP 
classification between the LiDAR and SRTM data sources increased with increases in mean 
slope gradient and relative elevation range. Being based on exactly the same data source, 
Dickinson County was no longer an exception to the trends of the other two counties. 
Correlations for these trends of increasing agreement with greater relief were even stronger for 
SRTM classification than those observed for the NED classification. The positive correlation for 
2

2

mean slope gradient was strongest for Cedar County (R  = 0.92), followed by Ottawa County (R  
2

= 0.56) and Dickinson County (R  = 0.35). The relative strengths of these correlations are most 
likely due to the greater diversity of slope gradients for the test zones within Cedar County. 
Although the correlation strengths for relative elevation range versus percent agreement of the 
SRTM classification were stronger, they were more comparable with the correlation strengths 
of the NED classification with relative elevation range. The positive correlation for relative 
223 
 

 
2

2

elevation range remained strongest for Cedar County (R  = 0.70), but Dickinson County (R  = 
2

0.30) had a slightly stronger correlation than Ottawa County (R  = 0.27). 

3.2. Sensitivity to Grid Resolution Alone 
In order to test the sensitivity of the HP classification model to only changes in 
resolution, the LiDAR‐based 3 m elevation grid was aggregated to resolutions of 9 m and 27 m 
and evaluated in the same manner as the NED and SRTM grid classifications. In Ottawa County, 
61% of the classifications were consistent between the aggregated 9 m elevation grid and the 
original 3 m elevation grid classification. That agreement rate declined to 45% with the 
aggregated 27 m elevation grid. The amount of disagreement between grids of different 
resolutions was not as large in the Iowa counties. In Cedar County, 83% of the classifications 
were in agreement for the 9 m elevation grid and 67% of classifications were in agreement for 
the 27 m grid. Dickinson County was similar with 81% and 63% agreement for the 9 m and 27 m 
grids, respectively. 
The rates of agreement for the resolution tests were all higher than the corresponding 
rates of agreement for tests of alternative grid sources, regardless of study area or data source. 
With the exception of the LiDAR‐based NED in Dickinson County, the agreement rates for the 
alternative data sources were 48‐59% of the agreements rates for the change in grid resolution 
alone. This relatively consistent relationship between the impact of the overall elevation grid 
quality and the spatial resolution alone suggests differences in HP classification are equally due 
to spatial resolution and accuracy. 

224 
 

 

The impact of increasing the minimum possible analysis scale was primarily observed in 
the decrease of locations classified as backslopes, as well as shoulders and footslopes (Table 
5.2). The HP classification model classifies all areas with a slope gradient greater than 3° as 
backslopes. Therefore, the decline in agreement for classifying backslopes is purely due to 
fewer locations with those slope gradients. Similarly, the decrease in slope gradient values 
shifted many shoulder and footslope classifications to summit and toeslope classifications. 
However, these dominant trends were not universal. A few test points did shift to steeper slope 
gradient classifications. 

225 
 

 

Table 5.2. a) LiDAR‐based, 3 m resolution, HP classification of all test points for context in 
evaluating confusion matrices comparing 3 m resolution classification with b) 9 m resolution 
classification (Kappa = 0.67) and c) 27 m resolution classification (Kappa = 0.47).  
a) 
summit  shoulder backslope footslope toeslope
17.7% 
12.8%
30.7%
18.2%
20.6%
 
b)  
summit  shoulder backslope footslope toeslope User* 
summit 
14.5% 
2.9%
1.0%
1.4%
0.4% 71.8% 
shoulder 
1.0% 
7.8%
2.8%
1.3%
0.3% 59.3% 
backslope 
0.2% 
0.9%
23.0%
1.1%
0.2% 90.7% 
footslope 
0.3% 
0.2%
2.6%
9.9%
1.2% 69.5% 
toeslope 
1.7% 
1.0%
1.3%
4.6%
18.4% 68.1% 
Producer*  81.8% 
61.2%
75.0%
54.3%
89.4%
 
c)  
summit  shoulder backslope footslope toeslope User* 
summit 
13.2% 
4.8%
3.0%
2.5%
1.7% 52.4% 
shoulder 
1.2% 
5.1%
4.4%
1.4%
0.2% 41.2% 
backslope 
0.2% 
0.9%
15.9%
1.0%
0.3% 87.2% 
footslope 
0.2% 
0.6%
4.2%
6.8%
1.7% 50.5% 
toeslope 
2.8% 
1.4%
3.3%
6.5%
16.7% 54.3% 
Producer*  74.6% 
39.7%
51.8%
37.6%
81.1%
*User’s and Producer’s accuracy calculated by correct classification divided by all 
classifications in category. 
 
Although the decrease in resolution did not impact classifications based on profile 
curvature or relative elevation as much as slope gradient, there were some shifts due to 
changes in these parameters as well. Approximately 2% of the test points changed their 
classification between summit and toeslope due to a shift from low to high relative elevation 
and vice versa for the 9 m aggregation. The proportion of locations making the same type of 
classification shift increased to 4.5% for the 27 m aggregation. Although not as severe, a similar 
226 
 

 

trend was observed for shifts between convex and concave profile curvatures (shoulder versus 
footslope). Due to differences between convex and concave profile curvature, 1.5% of test 
points changed classification for the 9 m aggregation, which increased to 2.0% for the 27 m 
aggregation. 
3.2.1. Analysis of Sensitivity to Grid Resolution by Test Zones 
The sensitivity of HP classification to grid resolution did not show the same relationship 
to terrain characteristics as did the sensitivity tests based on different elevation grid production 
methods (Figure 5.4). Rates of agreement remained relatively constant between test zones 
within each of the counties. Cedar County was somewhat of an exception, with a slight trend of 
increasing agreement with increasing mean slope gradient, profile curvature range, and relative 
elevation range. However, Dickinson County had an inverse relationship between classification 
agreement and mean slope gradient for the 27 m resolution elevation grid. 
Agreement rates were consistently higher in Cedar and Dickinson County, regardless of 
grid resolution or terrain characteristics. Within these two counties, agreement rates were 
above 80% for most test zones for the 9 m grid. Similarly, the mean of agreement rates for test 
zones excluding Ottawa County was 66% for the 27 m grid. Interestingly, the combined trends 
for Cedar and Dickinson Counties have a dip in test zone agreement rates near a mean slope 
gradient of 3°, which may reflect calculated slope gradients crossing the threshold for 
backslope classification. 

 

227 
 

 

 

        9m‐LiDAR  

Percent Agreement

a)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

 

 

2

4

6

 

Cedar
Dickinson
Ottawa
0

8

Mean Slope Gradient (degrees)

Cedar
Dickinson
Ottawa
0.00

0.02

0.04

0.06

d) 90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

0.08

100

150

8

0.00

0.02

0.04

f)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

200

 

Cedar
Dickinson
Ottawa

Percent Agreement

Percent Agreement

50

Relative Elevation Range (m)

6

0.06

0.08

Profile Curvature Range (m‐1)

Cedar
Dickinson
Ottawa
0

4

Mean Slope Gradient (degrees)

Profile Curvature Range (m‐1)
e)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

2

Percent Agreement

Percent Agreement

c)  90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

  27m‐LiDAR 

b) 90%
80%
70%
60%
50%
40%
30%
20%
10%
0%

Cedar
Dickinson
Ottawa
0

 
Percent Agreement

  

 

Cedar
Dickinson
Ottawa
0

50

100

150

Relative Elevation Range (m)

200

 
Figure 5.4. Terrain characteristics of test zones compared to HP classification agreement: original 
3 m resolution grid and the same grid aggregated to a) 9 m resolution versus mean slope 
gradient, b) 27 m resolution classification versus mean slope gradient, c) 9 m resolution versus 
profile curvature range, d) 27 m resolution versus profile curvature range, e) 9 m resolution 
classification versus relative elevation range, f) 27 m resolution classification versus relative 
elevation range. 
228 
 

 

 
The contrast of HP classification sensitivity to grid resolution between Ottawa County 
and the Iowa counties is substantial. This difference could be due to the unique arrangement of 
terrain in Ottawa County that was not reflected by comparing test zones. For example, Ottawa 
County has very flat areas on glaciolacustrine plains, where slight changes in elevation could 
change classification between summits and toeslopes. The flatness of these areas could have 
been masked in the test zone statistics by a few interspersed dunes and steep drainage ditches. 
Another potential cause for the difference is the quality of the original LiDAR data. Although the 
LiDAR data for the Iowa counties were collected and processed as part of the same statewide 
project, the Ottawa County LiDAR was collected and processed by a different company, 
approximately seven years prior to the data collection in Iowa. 
3.3. Comparison of Classification Agreements between Differing Data Sources and Grid Resolution 
Disagreement in HP classification between elevation data sources is caused by 
differences in elevation values and generalization to coarser grid resolutions. Modelling the rate 
of disagreement due to grid resolution allows for the estimation of the rate of disagreement 
due to differences in elevation values by subtracting the amount of disagreement due to 
resolution from the overall disagreement. 
For the Iowa counties, the cause of the SRTM classification’s disagreement with the 
LiDAR classification was equally split between the effect of coarser resolution and the SRTM’s 
lack of vertical accuracy (Table 5.3). Although the impact of grid resolution was consistent 
between Cedar and Dickinson Counties, the different production methods of the NED in the 

229 
 

 

two areas greatly affected the rate of disagreement due to NED accuracy. In Dickinson County, 
where the NED is derived from LiDAR data, the rate of disagreement due to elevation 
inaccuracy was only 6.6%. The method the USGS used to incorporate the LiDAR data into the 
NED is unknown. Therefore, it cannot be determined if the 6.6% disagreement was due to 
inaccuracies in the elevation data, grid processing methods, or my method of estimation. In 
contrast to the LiDAR‐based, Dickinson County NED, the LT4X‐derived, Cedar County NED has a 
much higher proportion of its disagreement in HP classification due to differences in elevation 
values than due to the coarser resolution. 
Table 5.3. Rates of disagreement and estimated causes of disagreement for a) Ottawa County, 
Michigan, b) Cedar County, Iowa, and c) Dickinson County, Iowa. 
a) 
Ottawa 
County 
NED 
SRTM 
b) 
Cedar 
County 
NED 
SRTM 
c) 
Dickinson 
County 
NED 
SRTM 
 
 
 

Total 
Disagreement 
67.1% 
73.4% 

Due to 
Resolution 
39.5% 
55.1% 

Due to Lack of 
Accuracy 
27.5% 
18.4% 

Total 
Disagreement 
51.4% 
62.0% 

Due to 
Resolution 
17.6% 
32.7% 

Due to Lack of 
Accuracy 
33.8% 
29.4% 

Total 
Disagreement 
26.0% 
70.4% 

Due to 
Resolution 
19.5% 
37.0% 

Due to Lack of 
Accuracy 
6.6% 
33.4% 

 

230 
 

 

In general, Ottawa County had higher rates of classification disagreement. It is unclear if 
the larger impact of aggregating the Ottawa County elevation data on HP classification was due 
to peculiarities of the area’s topography or in the original LiDAR data collection. The larger 
impact of aggregating the original LiDAR grid on HP classification somewhat diminished the 
impact of differences in elevation values for the NED and especially the SRTM elevation grids. 
The similar rates of disagreement due to coarsening of grid resolution in Cedar and 
Dickinson Counties suggest that some generalizations about the impact of grid resolution on 
the HP classification model can be made. Regardless of topography, the HP classification model 
outcomes can generally be expected to change approximately 20% between 3 m and 9 m 
resolutions, and approximately 35% between 3 m and 27 m resolutions. The lower accuracy of 
the SRTM data appears to be responsible for a change in approximately 30% of the LiDAR‐based 
HP classifications. The classification errors attributed to the accuracy of the SRTM grid could 
also be connected to measurement resolution. The effective resolution of the one arc second 
SRTM has been observed to be more comparable to the two arc second NED grid (Guth, 2006). 
Similar generalizations regarding the impact of NED accuracy on HP classification cannot be 
made as the NED accuracy varies by the production method of particular areas. 
4. Conclusions 
The HP classification model is sensitive to differences in the calculation of slope 
gradient, which is highly dependent upon analysis scale. Coarser elevation grid resolutions 
increase the minimum analysis scale possible. For example, a 3 m resolution grid can be 
analyzed for slope gradient by areas of 9x9 m, compared to a 27 m resolution grid that cannot 
231 
 

 

be analyzed for slope gradient of areas smaller than 81x81 m. The HP classification model was 
calibrated to soil scientists’ field training for assessing slope gradient, which was the smallest 
analysis scale possible for a 3 m grid (Chapter 3). Therefore, coarsening the grid resolution will 
increase differences from soil scientists’ field assessment of slope gradient, resulting in more 
misclassifications by the HP classification model. 
The HP classification model is less sensitive to elevation data uncertainty with increasing 
relief. However, the classification model is consistent in sensitivity to grid resolution, 
independent of terrain characteristics. This suggests that the HP classification model is more 
robust in high relief terrain, but it should be recognized that the hillslope position framework 
was designed for describing mature slopes. 
The quality of elevation data has a large impact on the outcomes of landscape models, 
even simple models such as the HP classification model tested in this study. For analysis scale 
dependent parameters, the grid resolution can have as high of an impact as elevation 
uncertainty. Given the predictably high impact of not calculating parameters at their optimal 
analysis scale, upsampling ‐ increasing resolution by interpolation ‐ may be a justified approach 
to mitigating limitations in grid resolution. 
 

 

232 
 

 

 
 
 
 
 
 
 
 
 
 
 
REFERENCES 
 

 

233 
 

 

REFERENCES 
 
Aguilar, F.J., F. Agüera, M.A. Aguilar, and F. Carvajal. 2005. Effects of terrain morphology, 
sampling density, and interpolation methods on grid DEM accuracy. Photogrammetric 
Engineering & Remote Sensing. 71(7):805‐816. 
Barber, C.P. and A. Shortridge. 2005. Lidar elevation data for surface hydrologic modeling: 
resolution and representation issues. Cartography and Geographic Information Science. 
32(4):401‐410. 
Bowen, Z.H. and R.G. Waltermire. 2002. Evaluation of light detection and ranging (LIDAR) for 
measuring river corridor topography. Journal of American Water Resources Association. 
38(1):33‐41. 
Bushnell, T.M. 1943. Some aspects of the soil catena concept. Soil Science Society Proceedings. 
7(C):466‐476. 
Desmet, P.J.J. 1997. Effects of interpolation errors on the analysis of DEMs. Earth Surface 
Processes and Landforms. 22:563‐580. 
Dokuchaev, V.V. 1967. The Russian Chernozem (N. Kaner, Trans.).Israel Program for Scientific 
Translations. Jerusalem. 
ESRI. 2012. Environmental Systems Research Institute ArcGIS Software, Version 10.1. 
http://www.esri.com  
Farr, T.G., P.A. Rosen, E. Caro, R. Crippen, R. Duren, S. Hensley, M. Kobrick, M. Paller, E. 
Rodriguez, L. Roth, D. Seal, S. Shaffer, J. Shimada, J. Umland, M. Werner, M. Oskin, D. 
Burbank, and D. Alsdorf. 2007. The shuttle radar topography mission. Reviews of 
Geophysics. 45:RG2004. doi: 10.1029/2005RG000183. 
Fisher, P.F. and N.J. Tate. 2006. Causes and consequences of error in digital elevation models. 
Progress in Physical Geography. 30(4):467‐489. doi:10.1191/0309133306pp492ra 
Gesch, D.B., M. Oimoen, S. Greenlee, C. Nelson, M. Steuck, and D. Tyler. 2002. The national 
elevation dataset. Photogrammetric Engineering & Remote Sensing. 68(1):5‐11. 
Guth, P.L. 2006. Geomorphometry from SRTM: comparison to NED. Photogrammetric 
Engineering & Remote Sensing. 72(3):269‐277.  
Hodgson, M.E., J.R. Jensen, L. Schmidt, S. Schill, B. Davis. 2003. An evaluation of lidar‐ and 
IFSAR‐ derived digital elevation models in leaf‐on conditions with USGS Level 1 and Level 2 
DEMs. Remote Sensing of Environment. 84:295‐308. 
Holmes, K.W., O.A. Chadwick, and P.C. Kyriakidis. 2000. Error in a USGS 30‐meter digital 
elevation model and its impact on terrain modeling. Journal of Hydrology. 233(1):154‐173. 
234 
 

 

Hudson, B.D. 1990. Concepts of soil mapping and interpretation. Soil Survey Horizons. 31(3):63‐
72. 
Hunter, G.J. and M.F. Goodchild. 1997. Modeling the uncertainty of slope and aspect estimates 
derived from spatial databases. Geographical Analysis. 29(1):35‐49. 
Krabill, W.B., R.H. Thomas, C.F. Martin, R.N. Swift, and E.B. Frederick. 1995. Accuracy of 
airborne laser altimetry over the Greenland Ice Sheet. International Journal of Remote 
Sensing. 16: 1211‐1222. 
Krabill, W.B., C.W. Wright, R.N. Swift, E.B. Frederick, S.S. Manizade, J.K. Yungel, C.F. Martin, J.G. 
Sonntag, M. Duffy, W. Hulslander, J.C. Brock. 2000. Airborne laser mapping of Assateague 
National Seashore beach. Photogrammetric Engineering and Remote Sensing. 66:6571. 
Lark, R.M. 1999. Soil‐landform relationships at within‐field scales: an investigation using 
continuous classification. Geoderma. 92(3‐4):141‐165. 
Lee, J., P.K. Snyder, and P.F. Fisher. 1992. Modeling the effect of data errors on feature 
extraction from digital elevation models. Photogrammetric Engineering & Remote Sensing. 
58(10):1461‐1467. 
Li, Z. 1988. On the measure of digital terrain model accuracy. Photogrammetric Record. 12:873‐
877. 
Lindsay, J.B. 2006. Sensitivity of channel mapping techniques to uncertainty in digital elevation 
data. International Journal of Geographical Information Science. 20(6):669‐692. 
McBratney, A.B., M.L. Mendonça Santos, and B. Minasny. 2003. On digital soil mapping. 
Geoderma. 117:3‐52. 
Milne, G. 1935. Some suggested units of classification and mapping particularly for East African 
soils. Soil Research. 4(3). 
Moore, I.D., R.B. Grayson, and A.R. Ladson. 1991. Digital terrain modelling: a review of 
hydrological, geomorphological, and biological applications. Hydrological Processes. 5(1):3‐
30. 
Pennock, D.J., B.J. Zebarth, E. De Jong. 1987. Landform classification and soil distribution in 
hummocky terrain, Saskatchewan, Canada. Geoderma. 40(3‐4):297‐315. 
Pilkey, O.H. and L. Pilkey‐Jarvis. 2007. Useless Arithmetic: Why Environmental Scientists Can’t 
Predict the Future. Columbia University Press. New York. 
Rodriguez, E., C.S. Morris, J.E. Belz, E.C. Chapin, J.M. Martin, W. Daffer, S. Hensley. 2005. An 
assessment of the SRTM topographic products. Technical Report JPL D‐31639, Jet 
Propulsion Laboratory. Pasadena, California. Available online at: 
http://www2.jpl.nasa.gov/srtm/srtmBibliography.html. Accessed [3/31/2013]. 
235 
 

 

Ruhe, R.V. 1975. Geomorphology. Houghton Mifflin. Boston. 
Schumann, G. P. Matgen, M.E.J. Cutler, A. Black, L. Hoffmann, and L. Pfister. 2008. Comparison 
of remotely sensed water stages from LiDAR, topographic contours and SRTM. ISPRS 
Journal of Photogrammetry and Remote Sensing. 63(3):283‐296. 
Shortridge, A. and J. Messina. 2011. Spatial structure and landscape associations of SRTM error. 
Remote Sensing of Environment. 115(6):1576‐1587. 
Soil Survey Staff. 1993. Soil Survey Manual. U.S. Department of Agriculture Handbook No. 18. 
Washington, D.C. 
Soil Survey Staff. 2013. Soil Survey Geographic (SSURGO) Database. Natural Resource 
Conservation Service, U.S. Department of Agriculture. Available online at: 
http://soildatamart.nrcs.usda.gov. Accessed [3/23/2013]. 
USGS. 2002. Shuttle Radar Topography Mission, 1 Arc Second. United States Geological Survey. 
Available online at: http://earthexplorer.usgs.gov/. Accessed [3/31/2013]. 
USGS. 2006. Accuracy of the National Elevation Dataset. United States Geological Survey. 
Available online at: http://ned.usgs.gov/Ned/accuracy.asp. Accessed [5/9/2013]. 
USGS. 2013a. National Elevation Dataset. United States Geological Survey. Available online at: 
http://ned.usgs.gov. Accessed [3/31/2013]. 
USGS. 2013b. National Elevation Dataset Viewer. United States Geological Survey. Available 
online at: http://ned.usgs.gov/usgs_gn_ned_dsi/viewer.htm. Accessed [4/18/2013]. 
Wilson, J.P. and J.C. Gallant. 2000. Digital Terrain Analysis. In J.P. Wilson and J.C. Gallant (eds.). 
Terrain Analysis: Principles and Applications. John Wiley & Sons, Inc. New York. 
Young, F.J. and R.D. Hammer. 2000. Soil‐landform relationships on a loess‐mantled upland 
landscape in Missouri. Soil Science Society of America Journal. 64(4):1443‐1454. 
 

 

236 
 

 

CHAPTER 6. CONCLUSIONS 
 

The digital classification model developed, applied and evaluated in this dissertation was 

successful in contextually classifying hillslope position in three different Midwestern 
landscapes. The model was able to replicate the majority of hillslope position determinations of 
field soil scientists. The analysis scales and classification breaks used in the model, individually, 
are also supported by the results of studies by other researchers. Therefore, the model has 
shown that it can build on expert knowledge and make use of increasingly accurate digital 
topographic data to potentially advance digital soil mapping opportunities. 
 

Through a review of the historical literature of soil geography, a hierarchy of 

phenomenon scales for soil formation factors was observed. That hierarchy consists of climate‐
vegetation at coarse analysis scales, parent material at moderate analysis scales, and 
topography at fine analysis scales. This pattern suggests that the resolution of the current 
‘detailed’ (county‐wide) soil maps can best be increased by improving topographic base maps, 
which are, of course, a reflection of the relief factor of soil formation. Although LiDAR provides 
high resolution elevation data, it alone does not provide the contextual assessment of 
topography used explicitly by soil scientists in the field. In field studies, soil scientists commonly 
characterize topographic context with the metric of hillslope position in mind. 
 

This dissertation addressed the issue of applying the proven field metric of hillslope 

position to digital terrain analysis, for the likely end application of improving existing soil maps. 
A quantitative model was developed, which was calibrated to the analysis scales, classification 
breaks, and logic structure of soil scientists’ field assessments of hillslope position. To 
237 
 

 

accomplish this, a new technique for calculating relative elevation with a user controlled 
analysis scale was introduced. Also, methods for calibrating digital analysis scale and 
classification breaks to field observations were tested. 
 

The optimal analysis scales for predicting soil cover patterns, as observed by field 

scientists, vary by terrain metric. The digital analysis scales that best matched soil scientists’ 
assessment in the field were 9 m, 63 m, and 135 m for slope gradient, profile curvature, and 
relative elevation, respectively. Supported by this tacit knowledge, correlations between these 
terrain metrics and soil properties are likely to be stronger at these respective analysis scales. 
However, the maximum agreements between field and digital assessments for the most basic 
definitions of profile curvature (concave vs. convex) and relative elevation (high vs. low 
elevation) were only 70% and 80%, respectively. This finding is informative for more complex 
models (i.e. expert knowledge based digital soil mapping) that seek to replicate assessments of 
soil scientists in the field. Potential sources of error include uncertainty in location, uncertainty 
in the elevation attribute, and the always‐present variability of human assessment.  
The fully calibrated classification model differentiated areas on the landscape using a 
decision tree hierarchy that divided the landscape first by slope gradient, then by profile 
curvature and relative elevation. Areas > 2.9° in slope gradient were classified as backslopes. 
Areas between 1.4° and 2.9° in slope gradient were differentiated by profile curvature as 
shoulders (convex curvature) or footslopes (concave curvature). Areas < 1.4° in slope gradient 
were differentiated by relative elevation as summits (high elevation) or toeslopes (low 
elevation).  
238 
 

 

The hillslope position classification model was then validated in three different counties 
with unique terrain. In all three study areas, the model was able to successfully predict the field 
assessment of hillslope position 52‐54% of the time, despite only being calibrated in the first 
study area. The digital classifications showed an appropriate level of agreement with current 
Soil Survey delineations while demonstrating clear areas for improvement of soil map unit 
boundary placement and map unit disaggregation. The model provides a more detailed and 
reliable base map, which will assist soil mappers in their initial mapping efforts, as well as for 
post‐mapping upgrades, e.g., disaggregation of existing map units, or remapping/relocation of 
existing soil boundaries.  
Finally, the sensitivity of the model to the quality of elevation data source was tested. In 
the three terrain types analyzed, classification of hillslope position was sensitive to both grid 
resolution and uncertainty in the elevation attribute. Reducing the resolution from a 3 m grid 
increased the minimum analysis scale, which changed approximately 20% and 35% of 
classifications at the 9 m and 27 m resolutions, respectively. The increase in uncertainty by 
shifting from LiDAR (RMSEZ = 0.15‐0.43 m) to a NED elevation grid (RMSEZ = 1‐2 m) or a SRTM 
elevation grid (RMSEZ = 1.5‐6 m), changed approximately 35% of classifications. Although 
uncertainty in the elevation attribute is important, calculating all of the digital terrain metrics at 
the proper analysis scale had a predictable, increasing impact with decreasing spatial 
resolution. 

239