Linking Global Land Use/Land Cover to Hydrologic Soil Groups From 850 to 2015
Notice bibliographique
Résumé
Abstract The characteristics of soils in part determine human‐induced land use and land cover (LULC) change, and together, soil properties and LULC directly impact global water, energy, and biogeochemical cycles. Plant health and the exchange of energy, water, and biogeochemical components at the surface interface are partly controlled by soil properties. Different soil types modify vegetation responses to existing climate forcings, and each soil type also responds differently to the same land‐use practice. Currently, Earth system models often use single soil columns with averaged properties. This leads to uncertainties in assessing LULC impacts. To improve the estimates of land surface change in Earth System Models, we link an existing LULC data set to four hydrologic soil groups from 850 to 2015, based on demonstrated soil preferences for eight LULCs under current conditions. We conclude that humans prefer hydrologic soil groups in order from B, D, C, to A. This ranking was applied to construct the history of LULC on each soil type at the 0.5° grid resolution. Results primarily distribute croplands to hydrologic soil group B in 850, while hydrologic soil group A has the most undisturbed area. Over time, good soils (hydrologic soil groups B and D) experience increased use for cropland areas, while poor soils (hydrologic soil groups C and A) are occupied predominantly by increasing areas in grazing land and secondary nonforests. The results provide better land surface characteristics to improve Earth systems modeling.
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 | 0,000 | 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 | 0,000 |
| 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 | 0,001 |
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 ».