Estimation of soil water content using electromagnetic induction sensors under different land uses
Notice bibliographique
Résumé
Abstract The complex nature of podzolic soils makes investigating their subsurface challenging. Near-surface geophysical techniques, like electromagnetic induction (EMI), offer significant assistance in studying podzolic soils. Multi-coil (MC-EMI) and multi-frequency (MF-EMI) sensors were selected to maximize soil water content (SWC) prediction in this study. The objectives were to (i) compare apparent electrical conductivity (ECa) measurements from the MC and MF-EMI sensors under different land use conditions, (ii) investigate the spatial variation of ECa, SWC, texture, soil organic matter (SOM), and bulk density (BD) under different land use conditions, and (iii) use statistical and geostatistical analysis to evaluate the effectiveness of ECa measurements in characterizing SWC under different land use conditions, considering the texture, SOM, and BD contents. The study found that MC-EMI had statistically significant relations (p-value < 0.05) with SWC relative to the MF-EMI. Multiple linear regression (MLR) models were also shown to be more effective in representing SWC variations (higher coefficient of determination and lower root mean square error) than simple linear regression models. MC-EMI sensor provided better SWC predictions compared to the MF-EMI sensor, possibly due to larger sampling depths differences between time domain reflectometry measured SWC (SWCTDR) and MF-EMI sensor than those between SWCTDR and MC-EMI sensor. Lastly, cokriging of measured SWC was found to offer more accurate maps than cokriging of predicted SWC obtained from MLR across different land use conditions. The study has shown that EMI may not be highly effective for shallow depths, and ECa can be affected by various soil properties, making it difficult to extrapolate other parameters. However, EMI still shows promise as a reliable method for predicting SWC in boreal podzolic soils. Research into EMI’s usefulness for this purpose has yielded promising results, as indicated in this study. Further investigation is needed to fully harness the potential of this promising technique.
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) | 0,000 | 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 ».