Estimating Particle Density from Soil Inventory Data in the Lake Erie Lowlands
Notice bibliographique
Résumé
The objective of this study was to develop a statistically based function for the estimation of particle density of texturally diverse soils sampled from a reasonably large geographic area (~12,000 km 2 ) to enhance further development of pedotransfer functions with regional application. Available soil physical property data were assembled for soil series mapped during five municipal‐level soil inventory upgrades in southwestern Ontario, Canada. A total of 282 soil horizons from 91 soil profiles were identified that had the requisite measured data for particle density (water pycnometer method), soil organic carbon content (wet oxidation method), and particle‐size distribution (pipette method). Both linear and nonlinear regression procedures were used to relate particle density to soil organic matter content. Plausible estimates of particle density for the mineral component (2.65 Mg m □3 ), and particularly for the humic component (1.23 Mg m ‐3 ), were obtained (r 2 = 0.208, RMSE = 0.11 Mg m □3 , P < 0.0001) even though the calibration data set had a limited range of soil organic matter content (<12%). The particle density of different mineral particle‐size fractions (e.g., clay) could also be distinguished statistically. The predictive capability of regression equations originating from soil inventory data sets encompassing large geographic areas are likely to be influenced by the soil taxonomic range sampled and the general data quality.
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 | 0,000 |
| 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 ».