Saturated Hydraulic Conductivity in Northern Peats Inferred From Other Measurements
Notice bibliographique
Résumé
Abstract In northern peatlands, near‐saturated surface conditions promote valuable ecosystem services such as carbon storage and drinking water provision. Peat saturated hydraulic conductivity ( K sat ) plays an important role in maintaining wet surface conditions by moderating drainage and evapotranspiration. Peat K sat can exhibit intense spatial variability in three dimensions and can change rapidly in response to disturbance. The development of skillful predictive equations for peat K sat and other hydraulic properties, akin to mineral soil pedotransfer functions, remains a subject of ongoing research. We report a meta‐analysis of 2,507 northern peat samples, from which we developed linear models that predict peat K sat from other variables, including depth, dry bulk density, von Post score (degree of humification), and categorical information such as surface microform type and peatland trophic type (e.g., bog and fen). Peat K sat decreases strongly with increasing depth, dry bulk density, and humification; and increases along the trophic gradient from bog to fen peat. Dry bulk density and humification are particularly important predictors and increase model skill greatly; our best model, which includes these variables, has a cross‐validated r 2 of 0.75 and little bias. A second model that includes humification but omits dry bulk density, intended for rapid field estimations of K sat , also performs well (cross‐validated r 2 = 0.64). Two additional models that omit several predictors perform less well (cross‐validated r 2 ∼ 0.5), and exhibit greater bias, but allow K sat to be estimated from less comprehensive data. Our models allow improved estimation of peat K sat from simpler, cheaper measurements.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».