In Situ Estimates of Freezing/Melting Point Depression in Agricultural Soils Using Permittivity and Temperature Measurements
Notice bibliographique
Résumé
Abstract We present a method to characterize soil moisture freeze‐thaw events and freezing/melting point depression using permittivity and temperature measurements, readily available from in situ sources. In cold regions soil freeze‐thaw processes play a critical role in the surface energy and water balance, with implications ranging from agricultural yields to natural disasters. Although monitoring of the soil moisture phase state is of critical importance, there is an inability to interpret soil moisture instrumentation in frozen conditions. To address this gap, we investigated the freeze‐thaw response of a widely used soil moisture probe, the HydraProbe, in the laboratory. Soil freezing curves (SFCs) and soil thawing curves (STCs) were identified using the relationship between soil permittivity and temperature. The permittivity SFC/STC was fit using a logistic growth model to estimate the freezing/melting point depression ( T f / m ) and its spread ( s ). Laboratory results showed that the fitting routine requires permittivity changes greater than 3.8 to provide robust estimates and suggested that a temperature bias is inherent in horizontally placed HydraProbes. We tested the method using field measurements collected over the last 7 years from the Environment and Climate Change Canada and the University of Guelph's Kenaston Soil Moisture Network in Saskatchewan, Canada. By dividing the time series into freeze‐thaw events and then into individual transitions, the permittivity SFC/STC was identified. The freezing and melting point depression for the network was estimated as T f / m = − 0.35 ± 0.2,with T f = − 0.41 ± 0.22 °C and T m = − 0.29 ± 0.16 °C, respectively.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».