Coupling non‐invasive imaging and reactive transport modeling to investigate water and oxygen dynamics in the root zone
Notice bibliographique
Résumé
Abstract Oxygen (O 2 ) availability in soils is vital for plant growth and productivity. The transport and consumption of O 2 in the root zone is closely linked to soil moisture content, the spatial distribution of roots, as well as structure and heterogeneity of the surrounding soil. In this study, we measure three‐dimensional root system architecture and the spatiotemporal dynamics of soil moisture (θ) and O 2 concentrations in the root zone of maize ( Zea mays ) via non‐invasive imaging, and then construct and parameterize a reactive transport model based on the experimental data. The combination of three non‐invasive imaging methods allowed for a direct comparison of simulation results with observations at high spatial and temporal resolution. In three different modeling scenarios, we investigated how the results obtained for different levels of conceptual complexity in the model were able to match measured θ and O 2 concentration patterns. We found that the modeling scenario that considers heterogeneous soil structure and spatial variability of hydraulic parameters (permeability, porosity, and van Genuchten α and n ), better reproduced the measured θ and O 2 patterns relative to a simple model with a homogenous soil domain. The results from our combined imaging and modeling analysis reveal that experimental O 2 and water dynamics can be reproduced quantitatively in a reactive transport model, and that O 2 and water dynamics are best characterized when conditions unique to the specific system beyond the distribution of roots, such as soil structure and its effect on water saturation and macroscopic gas transport pathways, are considered.
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 ».