Re-Examining Field-Surveyed Variations in Elevation and Soil Properties with a 1-m Resolution LiDAR-Generated DEM
Notice bibliographique
Résumé
This article presents a 2017 LiDAR-DEM guided 1-m resolution examination of field-surveyed elevation and soil property variations (5 × 5 m spacings) conducted in 1977 across a hummocky New Brunswick field used for potato production. This examination revealed that the field incurred minor elevation differences were likely due to upslope erosion, as revealed through increasing Sand % and CF % with increasing elevation, and increasing Silt % along low-lying areas. Soil moisture, field capacity, permanent wilting and nitrate nitrogen (NO3-N) also increased at downslope locations. Directly as well as indirectly, soil pH, ammonium nitrogen (NH4-N), Caesium137 (Cs137) and Mehlich-3 extracted Ca, Mg, K, Fe, Mn, Cu, and Zn were likewise affected by topographic location. Factor analyzing these variables led to: 1) a Soil Loss Factor that captured 24% of the textural variations; 2) a Soil-Cropping Factor accounting for 16% of the N, P, K, Ca, Mg, Mn variations; 3) a Soil Organic Matter (SOM) Factor relating 9% of the in-field variations for SOM, Fe, Zn, Cu to via organo-metal complexation and low NO3-N retention. Many of the topographic variations increased or decreased with the metric DEM-projected depth-to-water index (DTW) index. This index was set to 0 along DEM-derived flow channels with minimum upslope flow-accumulation areas of 0.1, 0.25, 0.5, 1 or 4 ha. Among these, the DTW > 4 ha threshold was useful for reproducing the textural variations, while the DTW > 0.25 ha threshold assisted in capturing trends pertaining to moisture retention and elemental concentrations.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».