Soil quality index under different land-use types: the case of Choke Mountain agroecosystems, upper Blue Nile Basin, Ethiopia
Notice bibliographique
Résumé
In an agroecosystem (AES), land-use types affect soil quality. As a result, determining soil quality in various land uses is critical. This study was carried out to evaluate the soil quality index (SQI) of the different land-use types in AESs of the Choke Mountain watershed, upper Blue Nile Basin. Forty-seven soil samples were taken from cultivated land (CL), grazing land (GL), plantation forest land (PFL), and natural forest land (NFL) of the five AESs. The minimum data set (MDS) was chosen using principal component analysis. To calculate SQI, five soil quality indicators were selected as an MDS: silt, pH, cation exchange capacity, exchangeable potassium, and soil organic matter. SQIs for the overall land uses were ordered as GL > NFL > PFL > CL. Compared with NFL, the SQIs of PFL and CL were reduced by 10% and 19.7%, respectively, whereas the SQI of GL was increased by 1.8%. Among AESs of Choke, SQI of GL was higher in the midland plain, dominated by Vertisol (AES 2), followed by the midland plain with Nitosols (AES 3). SQI of CL was intermediate, and SQIs of GL, NFL, and PFL were good. AES 2 of the watershed recorded the highest total SQI value, whereas hilly and mountainous highlands (AES 5) recorded the lowest SQIs compared to other AESs. Thus, site-specific land use and management practices across the various AESs should be recommended to policymakers and farmers for a sustainable ecosystem and environment.
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 | 0,001 | 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 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 ».