Soil Erosion Satellite-Based Estimation in Cropland for Soil Conservation
Notice bibliographique
Résumé
Intensive cropland expansion for an increasing population has driven soil degradation worldwide. Modeling how agroecosystems respond to variations in soil attributes, relief and crop management dynamics can guide soil conservation. This research presents a new approach to evaluate soil loss by water erosion in cropland using the RUSLE model and Synthetic Soil Image (spectroscopy technique), which uses time series remotely sensed environmental, agricultural and anthropic variables, in the southeast region of São Paulo State, Brazil. The availability of the open-access satellite images of Tropical Rainfall Measuring Mission (TRMM) and Landsat satellite images provided ten years of rainfall data and 35 years of exposed soil surface. The bare soil surface and agricultural land use were extracted, and the multi-temporal rainfall erosivity was assessed. We predict soil maps’ attributes (texture and organic matter) through innovative soil spectroscopy techniques to assess the soil erodibility and soil loss tolerance. The erosivity, erodibility, and topography obtained by the Earth observations were adopted to estimate soil erosion in four scenarios of sugarcane (Saccharum spp.) residue coverage (0%, 50%, 75%, and 100%) in five years of the sugarcane cycle: the first year of sugarcane harvest and four subsequent harvesting years from 2013 to 2017. Soil loss tolerance means 4.3 Mg ha−1 exceeds the minimum rate in 40% of the region, resulting in a total soil loss of ~6 million Mg yr−1 under total coverage management (7 Mg ha−1). Our findings suggest that sugarcane straw production has not been sufficient to protect the soil loss against water erosion. Thus, straw removal is unfeasible unless alternative conservation practices are adopted, such as minimum soil tillage, contour lines, terracing and other techniques that favor increases in organic matter content and soil flocculating cations. This research also identifies a spatiotemporal erosion-prone area that requests an immediately sustainable land development guide to restore and rehabilitate the vulnerable ecosystem service. The high-resolution spatially distribution method provided can identify soil degradation-prone areas and the cropland expansion frequency. This information may guide farms and the policymakers for a better request of conservation practices according to site-specific management variation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».