Spatial variation of soil quality indicators as a function of land use and topography
Notice bibliographique
Résumé
Soil quality (SQ) indicators such as plant available water (PAW), soil organic carbon (SOC), and microbial biomass carbon (MBC) can reveal agroecological functions; however, their spatial variabilities across contrasting land uses need to be better understood. This study examined the spatial variation of these key SQ indicators as a function of two land-use systems and using topography covariates. We sampled a total of 116 point locations in a native grassland (NG) site and an irrigated cultivated (IC) site located near Brooks, Alberta. Compared with NG, cultivation altered soil pore-size distribution by sharply reducing macroporosity by 25%. However, conditions in the IC soil supported greater accrual of microbial growth (MBC of 601 vs. 812 nmol phospholipid fatty acids g−1 soil) probably due to more availability of water and nutrients. Focusing on the effects of topography on SQ indicators, terrain elevation (by light detection and ranging) and estimated depth-to-water were found to be key controllers of SQ at the two land-use systems. Also, there were gradual increases in both SOC and MBC where estimated water table was deeper, and higher SOC also associated with lower elevation. A comparison of ordinary kriging and cokriging (coK) geostatistical mapping indicated that the coK method performed better as demonstrated by improvements in the accuracies of spatial estimations of PAW, SOC concentration, and MBC. Thus, implementing coK using the aforementioned topography covariates enhances the capability for predictive mapping of SQ, which is particularly useful when spatial data for key SQ indicators are sparse and challenging to measure.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 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 ».