Factors Affecting the Spatial and Temporal Variations in Soil Erodibility of China
Notice bibliographique
Résumé
Abstract Soil erosion occurs extensively across China, leading to severe degradation of the land and ecosystem services. However, the spatial and temporal variations in soil erodibility (k) and the distribution of soil erosion across land use types and slopes remain unclear. We synthesized the results from 325 sites published in 152 literatures to analyze the factors affecting the k, such as land use type, climate, topography, soil, and vegetation restoration age. The results showed that areas with slopes >25° had a larger k factor (k = 0.1047) than did those with slope <6° (k = 0.0637) or 6–25° (k = 0.0832). The k from 2006 to 2011 (k = 0.0725) was higher than that from 1999 to 2005 (k = 0.058) and that from 2012 to 2016 (k = 0.0631). The k value initially increased with vegetation restoration age and then gradually decreased. Land use also had an impact on the k factor, with the k factor of cropland (k = 0.0697) being higher than that of grassland (k = 0.0663) but lower than that of forest (k = 0.0967). Across China, North Shaanxi, Heilongjiang, and South Guizhou, which are located in the Loess Plateau in Northwest China, the Black Soil region of Northeast China, and the Karst areas in Southwest China, respectively, were the three most severely eroded regions due to hydraulic erosion, frost‐thaw erosion, and high‐intensity erosion, respectively. Overall, the most important factors affecting the k were soil characteristics, followed by topography and climate. Among them, soil nitrogen and precipitation were the two most critical factors influencing the k.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».