Field-Scale Characterization of Spatio-Temporal Variability of Soil Salinity in Three Dimensions
Notice bibliographique
Résumé
Information on spatial, temporal, and depth variability of soil salinity at field and landscape scales is important for a variety of agronomic and environment concerns including irrigation in arid and semi-arid areas. However, challenges remain in characterizing and monitoring soil secondary salinity as it can largely be impacted by managements including irrigation and mulching in addition to natural factors. The objective of this study is to evaluate apparent electrical conductivity (ECa)-directed soil sampling as a basis for monitoring management-induced spatio-temporal change in soil salinity in three dimensions. A field experiment was conducted on an 18-ha saline-sodic field from Alar’s Agricultural Science and Technology Park, China between March, and November 2018. Soil ECa was measured using an electromagnetic induction (EMI) sensor for four times over the growing season and soil core samples were collected from 18 locations (each time) selected using EMI survey data as a-priori information. A multi-variate regression-based predictive relationship between ECa and laboratory-measured electrical conductivity (ECe) was used to predict EC with confidence (R2 between 0.82 and 0.99). A three-dimensional inverse distance weighing (3D-IDW) interpolation clearly showed a strong variability in space and time and with depths within the study field which were mainly attributed to the human management factors including irrigation, mulching, and uncovering of soils and natural factors including air temperature, evaporation, and groundwater level. This study lays a foundation of characterizing secondary salinity at a field scale for precision and sustainable management of agricultural lands in arid and semi-arid areas.
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 | 0,000 |
| 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 ».