Spatiotemporal variability in the C-factor: An analysis using high resolution satellite imagery
Notice bibliographique
Résumé
Estimating the cover and management factor (C-factor) for Universal Soil Loss Equation (USLE) that varies spatially and temporally within a watershed is time-consuming and resource-intensive. The Normalized Difference Vegetation Index (NDVI) approach can offer a potential alternative for this process. The current study examines nine NDVI models to compare and evaluate their performance in estimating the C-factor values for an agricultural watershed in southwestern Ontario, Canada. Satellite imagery from 2013 to 2020 was used to analyze the models’ similarities and differences on a detailed spatial and temporal scale. The results showed different C-factor values for each model, reflecting that they were developed for different geographical areas and purposes. While the Karaburun model differed from all other models on an annual basis, a detailed combined analysis of different spatial and temporal scales revealed that it was similar to other models. Seasonal analysis was found to be adequate for the current study, as it reduced the resources required and provided an overall view of the vegetation situation. However, a detailed monthly analysis may be necessary when investigating a specific season. The current analysis found that the summer months of June, July, and August have similar trends when comparing different models for different land uses and individual months, which aligns with the seasonal analysis. In conclusion, the current study highlights the importance of incorporating spatial and temporal scales in hydrological modeling and provides valuable insight into the applicability of different NDVI models for estimating the C-factor for southwestern Ontario watersheds. These findings can help inform future research and aid in developing accurate models for estimating soil erosion in this region. The results also emphasize that the NDVI approach has the potential for estimating the USLE C-factor and improving the estimation of soil erosion from agricultural watersheds by incorporating a variable C-factor over time and space. However, further research is needed to validate each model and determine which model best suits the study area.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».