A New Approach for Estimating Soil Salinity Using A Low-Cost Soil Sensor In Situ: A Case Study in Saline Regions of China’s East Coast
Notice bibliographique
Résumé
Accurate and timely information on soil salinity is crucial for vegetation growth and agricultural productivity in coastal regions. This study investigates the potential of using Wifi POGO, an in situ electromagnetic sensor, for soil salinity assessment over saline coastal regions in eastern China. The sensor readings, soil moisture, and temperature-corrected apparent electrical conductivity (ECa) were used to generate models for EC1:5 (a surrogate for soil salinity) estimation. Two salty areas with distinct soil textures, sandy loam (Shuntai) and clay (Dongxin), were selected. This study revealed that the difference between soil salinity and the in situ measured soil ECa (i.e., EC1:5-ECa) had a strong curvilinear relationship with soil moisture. Such a relationship allows for the direct estimation of soil salinity from soil ECa with the aid of soil moisture information. Both ECa and soil moisture can be measured in situ using a Wifi POGO, a low-cost ground-based soil sensor. By using the leave-one-out cross-validation (LOOCV), the achieved root mean square error (RMSE) and relative RMSE (RRMSE) in EC1:5 estimation were 0.0109 S/m and 19.24% respectively in Shuntai, and 0.0157 S/m and 16.05%, in Dongxin. This new method offers a simple, cost-effective and reliable tool for assessing soil salinity in dynamic coastal regions.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».