Mapping soil salinity in irrigated land using optical remote sensing data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Soil salinity caused by natural or human-induced processes is certainly a severe environmental problem that already affects 400 million hectares and seriously threatens an equivalent surface. Salinization causes negative effects on the ground; it affects agricultural production, infrastructure, water resources and biodiversity. In semi-arid and arid areas, 21% of irrigated lands suffer from waterlogging, salinity and/or sodicity that reduce their yields. 77 million hectares are saline soils induced by human activity, including 58% in the irrigated areas. In the irrigated perimeter of Tadla plain (central Morocco), the increased use of saline groundwater and surface water, coupled with agricultural intensification leads to the deterioration of soil quality. Experimental methods for monitoring soil salinity by direct measurements in situ are very demanding of time and resources, and also very limited in terms of spatial coverage. Several studies have described the usefulness of remote sensing for mapping salinity by its synoptic coverage and the sensitivity of the electromagnetic signal to surface soil parameters. In this study, we used an image of the TM Landsat sensor and field measurements of electrical conductivity (EC), the correlation between the image data and field measurements allowed us to develop a semi-empirical model allowing the mapping of soil salinity in the irrigated perimeter of Tadla plain. The validation of this model by the ground truth provides a correlation coefficient r² = 0.90. Map obtained from this model allows the identification of different salinization classes in the study area.
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.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle