Regional spatial variability of root-zone soil moisture in arid regions and the driving factors — a case study of Xinjiang, China
Notice bibliographique
Résumé
Soil moisture is a key element of the hydrological cycle, and it significantly impacts the surface water and energy fluxes. However, a knowledge gap exists on the spatial variability of root-zone soil moisture at the regional scale in arid and hyperarid regions. Thus, soil moisture measurements at 142 sites were taken in Xinjiang (northwest China), and the relationships between soil moisture and 19 environmental factors were analyzed. The results showed that both absolute gravitational soil water content (SWC) and relative extractable water (REW) increased with increasing soil depth in the 0–100 cm soil profile. It generally decreased in the order of cropland > forestland > grassland > shrubland > bare land. Semivariograms suggested that SWC had moderate spatial dependence over a large range of 473–558 km, and REW was more randomly distributed at the regional scale in Xinjiang. Redundancy analysis suggested that environmental factors could explain 47.5%–50.9% of the variability of soil moisture, which was more strongly driven by land surface factors (p < 0.01) than by climatic factors (p > 0.05). Soil properties and other local variables explained, respectively, 40.7% and 32.3% of the variability of soil moisture in the 0–100 cm soil profile. Soil properties independently accounted for 12.8% and 28.1% of the variability in soil moisture in the 0–50 and 50–100 cm soil layers, respectively. Soil texture, field capacity, wilting point, organic carbon, bulk density, land use, and normalized difference vegetation index were the dominant factors influencing soil moisture variations.
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 | 0,002 | 0,000 |
| 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 | 0,002 |
| 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 ».