Soil erosion assessment by RUSLE with improved P factor and its validation: Case study on mountainous and hilly areas of Hubei Province, China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Revised Universal Soil Loss Equation (RUSLE) is widely used to estimate regional soil erosion. However, quantitative impacts of soil and water conservation (SWC) measures on conservation practice factor (P) of the RUSLE remain largely unclear, especially for the mountainous and hilly areas. In this study, we improved the RUSLE by considering quantitative impacts of different SWC measures on the P factor value. The improved RUSLE was validated against the long-term (2000–2015) soil erosion monitoring data obtained from 96 runoff plots (15–35°) in mountainous and hilly areas of Hubei Province, China; the result presented a high accuracy with the determination coefficient of 0.89. Based on the erosion monitoring data of 2018 and 2019, the Root Mean Square Error of the result by the improved RUSLE was 28.0% smaller than that by the original RUSLE with decrement of 19.6%–24.0% in the average P factor values, indicating that the soil erosion modelling accuracy was significantly enhanced by the improved RUSLE. Relatively low P factor values appeared for farmlands with tillage measures (P < 0.53), grasslands with engineering measures (P < 0.23), woodlands with biological measures (P < 0.28), and other land use types with biological measures (P < 0.51). The soil erosion modulus showed a downward trend with the corresponding values of 1681.21, 1673.14, 1594.70, 1482.40 and 1437.50 t km−2 a−1 in 2000, 2005, 2010, 2015 and 2019, respectively. The applicability of the improved RUSLE was verified by the measurements in typical mountainous and hilly areas of Hubei Province, China, and arrangements of SWC measures of this area were proposed.
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.
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 découle