Modeling of total and active organic carbon dynamics in agricultural soil using digital soil mapping: a case study from Central Nova Scotia
Notice bibliographique
Résumé
Monitoring the changes in soil organic carbon (SOC) pools is critical for sustainable soil and agricultural management. This case study models total and active organic carbon dynamics (2015/2016 to 2019/2020) using digital soil mapping (DSM) techniques. Model predictors include topographic variables generated from light detection and ranging data; soil and vegetation indices derived from Landsat satellite images; and soil and crop inventory information from Agriculture and Agri-Food Canada to predict total organic carbon (TOC) and permanganate oxidizable carbon (POXc) at the 0–15 cm depth increment for a 37 km 2 study area in Truro, Nova Scotia. Quantile Regression Forest and stochastic Gradient Boosting Model were utilized for prediction. Although both models performed equally well for predicting TOC and POXc, the accuracy of TOC predictions (e.g., concordance correlation coefficient (CCC) = 0.67) was better than POXc predictions (e.g., CCC = 0.53). The Landsat variables and crop inventory were dominant predictors, while topographic variables across the relatively homogeneous terrain had relatively little influence. During the study period, changes in POXc were predicted across 98% of the study area, with a mean absolute loss of 5.77 (±11.48) mg/kg/year, and in TOC on 27% of the area, with a mean absolute loss of 0.15 (±0.09) g/kg/year. While the annual crop fields observed the highest loss of TOC and POXc, the decline in pasture–grassland–forage fields was relatively low. The study reinforced the effectiveness of DSM for modeling multiple SOC pools at the farm to landscape scales.
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 | 0,000 |
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 ».