Watershed‐scale spatial prediction of agricultural land phosphorus mass balance and soil phosphorus metrics: A bottom‐up approach
Notice bibliographique
Résumé
Abstract Analysis of nutrient balance at the watershed scale, including for phosphorus (P), is typically accomplished using aggregate input datasets, resulting in an inability to capture the variability of P status across the study region. This study presents a set of methods to predict and visualize partial P mass balance, soil P saturation ratio (PSR), and soil test P for agricultural parcels across a watershed in the Lake Champlain Basin (Vermont, USA) using granular, field‐level data. K‐means cluster analyses were used to group agricultural parcels by soil texture, average slope, and crop type. Using a set of parcels accounting for ∼21% of the watershed's agricultural land and having known soil test and nutrient management parameters, predictions of partial P mass balance, PSR, and soil test P for agricultural land across the watershed were made by cluster, incorporating uncertainty. This resulted in an average partial P balance of 5.5 ± 0.2 kg P ha −1 year −1 and an average PSR of 0.0399 ± 0.0002. Furthermore, approximately 30% of agricultural land had predicted soil test P values above optimum levels. Results were used to visualize areas with high P loss potential. Such data and visualizations can inform watershed P modeling and assist practitioners in nutrient management decision making. These techniques can also serve as a framework for bottom‐up modeling of nutrient mass balance and soil metrics in other regions.
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 | 0,001 | 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 ».