Examining the effect of soil organic carbon on major Canadian Prairie crop yields with predictive soil mapping
Notice bibliographique
Résumé
Abstract Maintaining soil organic carbon (SOC) is critical for global food security as it is essential for soil functions that sustain crop yields. There has been an increase in predictive soil mapping, which when combined with extensive crop yield datasets, enables a better understanding of crop yield and SOC relationships. This study focused on updating maps of SOC content in Saskatchewan using recently digitized historical SOC datasets and predictive soil mapping, and using the maps to examine the relationship between SOC and crop yield. A database of 5014 SOC values was used to map SOC contents using a Random Forest model and a range of environmental covariates. The final SOC model had a R2 of 0.48, root mean square error of 0.98%, concordance correlation coefficient of 0.67, and a bias of 0.12%. The relationship between mapped SOC values and crop yield data, with 100,000–200,000 records depending on crop type, was then assessed using a linear mixed effects model after normalizing the data by rural municipality to remove broad‐scale climate effects. Overall, an increase in SOC by 1% led to an increase on average of 263 kg ha−1 for wheat (Triticum aestivum L.), 293 kg ha−1 for barley (Hordeum vulgare L.), 133 kg ha−1 for canola (Brassica napus L.), and 135 kg ha−1 for field peas (Pisum sativum L.). These results show that increasing SOC was associated with greater yields for four major crops in Saskatchewan, with the largest gains occurring when the initial SOC contents are lower.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».