A Proposed Methodology for Determining the Economically Optimal Number of Sample Points for Carbon Stock Estimation in the Canadian Prairies
Notice bibliographique
Résumé
Soil organic carbon (SOC) sequestration assessment requires accurate and effective tools for measuring baseline SOC stocks. An emerging technique for estimating baseline SOC stocks is predictive soil mapping (PSM). A key challenge for PSM is determining sampling density requirements, specifically, determining the economically optimal number of samples for predictive soil mapping for SOC stocks. In an attempt to answer this question, data were used from 3861 soil organic carbon samples collected as part of routine agronomic soil testing from a 4702 ha farming operation in Saskatchewan, Canada. A predictive soil map was built using all the soil data to calculate the total carbon stock for the entire study area. The dataset was then subset using conditioned Latin hypercube sampling (cLHS), both conventional and stratified by slope position, to determine the total carbon stocks with the following sampling densities (points per ha): 0.01, 0.05, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, and 0.8. A nonlinear error function was then fit to the data, and the optimal number of samples was determined based on the number of samples that minimized soil data costs and the value of the soil carbon stock prediction error. The stratified cLHS required fewer samples to achieve the same level of accuracy compared to conventional cLHS, and the optimal number of samples was more sensitive to carbon price than sampling costs. Overall, the optimal sampling density ranged from 0.025 to 0.075 samples per hectare.
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 | 0,000 | 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 ».