Prediction of soil nutrient regime based on a model of DEM-generated clay content for the province of Nova Scotia, Canada
Notice bibliographique
Résumé
Zhao, Z., Ashraf, M. I., Keys, K. S. and Meng, F-R. 2013. Prediction of soil nutrient regime based on a model of DEM-generated clay content for the province of Nova Scotia, Canada. Can. J. Soil Sci. 93: 193–203. Soil nutrient regime (SNR) maps are widely required by ecological studies as well as forest growth and yield assessment. Traditionally, SNR is assessed in the field using vegetation indicators, topography and soil properties. However, field assessments are expensive, time consuming and not suitable for producing high-resolution SNR maps over a large area. The objective of this research was to develop a new model for producing high-resolution SNR maps over a large area (in this case, the province of Nova Scotia). The model used 10-m resolution clay content maps generated from digital elevation model data to capture local SNR variability (associated with topography) along with coarse-resolution soil maps to capture regional SNR variability (associated with differences in landform/parent material types). Field data from 1385 forest plots were used to calibrate the model and another 125 independent plots were used for model validation. Results showed field-identified SNRs were positively correlated with predicted clay content, with some variability associated with different landform/parent material types. Accuracy assessment showed that 63.7% of model-predicted SNRs were the same as field assessment, with 96.5% within ±1 class compared with field-identified SNRs. The predicted high-resolution SNR map was also able to capture the influence of topography on SNR which was not possible when predicting SNR from coarse-resolution soil maps alone.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».