Impact of soil surface characteristics on soil water content variability in agricultural fields
Notice bibliographique
Résumé
Abstract The accuracy of soil water content (WC) interpretation from satellites and its application in hydrological modelling is dependent on our understanding of the effects of field‐scale surface soil properties on soil WC variability. Soil texture, surface roughness and surface residue were evaluated for their influence on soil WC variability with data obtained from satellite ground verification sampling near Carman, Manitoba, within a 28 km 2 area. Over the course of five selected dates from 23 April to 18 May 2008, soil WC and other physical variables were obtained in 38 agricultural fields covering three distinct soil textural classifications. Within each field, at each of 16 sampling locations, four individual soil WC measurements were taken, including sampling points with and without the influence of crop residue left on the soil surface. A principal component analysis and multiple linear regression both identified soil texture as the primary physical process controlling variability in soil WC and coefficient of variation (CV) among fields during the campaign. Residue cover was also a significant factor representing a second principal component that explained 37% of variability in average soil WC and contributed to 31% of variability in CV. Whereas soil texture predominated in soil WC and CV on most sampling dates, residue cover was of equal significance as texture in dry soils. This study identified specific effects of tillage and residue management contributing to field‐scale soil WC variability that could contribute significant improvements to interpretation of remotely sensed soil WC and subsequent scaling efforts over agricultural regions. Copyright © 2014 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».