A global review of the development and application of soil erosion control techniques
Notice bibliographique
Résumé
Abstract Various soil erosion control techniques (SECTs) have been applied for decades. Yet, dynamic development of SECTs on a global scale has not been fully explored in the literature. We identified 779 publications to summarize spatial and temporal patterns of SECT development across the world. To achieve this goal, we asked (a) how many SECTs have been applied in the real world? (b) How do susceptible erosion areas use SECTs? And (c) what are the temporal patterns of SECT development? We found 183 sub-categories of SECTs, including 85 sub-categories of engineering techniques, 76 sub-categories of cropping techniques, and 22 sub-categories of biological techniques. In contrast, there is a great deal of interest in the evaluation of biological techniques and cropping techniques for soil erosion control. SECT research has evolved from an initial focus on a single SECT evaluation to a combination of SECTs evaluations (e.g. a combination of conservation tillage and mulch). Likewise, 64% of SECT cases were found in six countries with a different focal SECT among them: China and Spain targeted vegetation restoration, Brazil and the United States focused on conservation tillage, Ethiopia prioritized mixed SECTs, and India emphasized on check dam. Lastly, SECT application started from site erosion control (1930s–1980s), watershed management (1980s–2010s), to sustainable management (after 2010s). We identify the gaps between SECT application and research and a lack of an international platform for knowledge sharing, and propose that a combination of different SETCs in a balanced way is a reliable approach to obtaining the goal of sustainable soil management.
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 ».