Evolution of topsoil structure after compaction with a lightweight autonomous field robot
Notice bibliographique
Résumé
Abstract Soil structure dynamics during a season depend on management practices and environmental factors. A lightweight autonomous robot (total mass: 3300–4100 kg, wheel load: 700–1200 kg, contact areas: 0.125 m 2 , inflation pressures: 60–280 kPa) was used for sowing (October 2021) and weeding (May 2022) operations on an annually plowed sandy loam field. We took 579 cm 3 soil cores at 10‐ to 18‐cm depth in the crop area and wheel tracks before and after the operations to assess the impact from traffic and the potential recovery of topsoil structural properties. We measured air permeability and effective air‐filled porosity in the laboratory, and X‐ray CT scanned the samples to evaluate soil pore functionality. The first operation (conducted on a moist seedbed) had the largest impact, significantly compacting and reducing the air‐filled porosity by 42% (from 0.21 to 0.12 m 3 m −3 ) and decreasing air permeability by 75.8% (from 130 to 31.5 µm 2 ). After 7 months, the crop area and wheel track showed signs of soil consolidation due to environmental factors but not decompaction. The second operation occurred on drier (water content 0.06 g g −1 ), stronger soil conditions (degree of compactness 100.8%), and recompaction of the wheel track was not observed. Traffic in weak soils can result in seasonal topsoil compaction despite the lighter wheel loads. However, due to the milder impacts, recovery rates might be faster for lightweight machinery than for heavy tractors. Multi‐season studies are needed to assess the real potential of lightweight robots to minimize soil compaction risk.
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 | 0,001 |
| 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 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 ».