Spatiotemporal variability of soil physical properties and water, salt, nitrogen, and phosphorus contents for farm level
Notice bibliographique
Résumé
Soil water, salt, and nutrient variability are essential factors that impact crop productivity in agriculture systems. However, effective management of small farms requires access to fine-scale data on soil water, salt, and nutrients. Large-scale assessments of spatial variability using classical statistics and geostatistical methods can help identify nutrient-deficient zones. In Xinjiang, China, inadequate water and nutrient management has resulted in low crop productivity in agriculture systems. To address this issue, this study evaluated the mechanical composition, bulk density, and contents of water, salt, ammonium nitrogen ([Formula: see text]), nitrate nitrogen ([Formula: see text]), and available phosphorus (A-P) in soil at the farm level in the Xinjiang region. Results showed low variability in soil bulk density, medium variability in soil water content, mechanical composition, [Formula: see text], and A-P, and high variability in soil salt content and [Formula: see text]. Mechanical composition and A-P showed a small range of variation across different soil depths, while soil water content and [Formula: see text] in the surface layer varied significantly more than in other soil layers. [Formula: see text] variability increased with soil depth. Soil properties showed minimal differences over time. Multi-factor deficiencies, particularly in nitrogen, were observed throughout the study area. The generated maps offer a useful tool for farm managers and policymakers. In summary, this study highlights the significance of evaluating the spatial variability of soil properties for identifying zones deficient in water and nutrients, as well as those with salt accumulation. This information can be utilized to develop effective strategies for site-specific nutrient 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 | 0,001 |
| 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 ».