Spatiotemporal simulation and projection of soil erosion as affected by climate change in Northeast China
Notice bibliographique
Résumé
Long-term climate change significantly affects the spatiotemporal dynamics of soil erosion. To explore this, remote sensing technology, future climate scenarios, and deep learning are combined to model the historical and future variations in soil erosion, investigating its spatiotemporal dynamics influenced by climate change. This paper uses the Revised Universal Soil Loss Equation (RUSLE) to assess the historical changes in erosion in northeast China from 1980 to 2020. A soil erosion simulation (SES) model was developed, incorporating deep learning models, to forecast future trends in soil erosion under various climate scenarios. The SES model achieves an R-squared (R2) value of 0.7513. The SES model can simulate the Spatiotemporal dynamics of soil erosion influenced by long-term climate change. Soil erosion from 2001 to 2020 is lower than that from 1980 to 2000, indicating a decrease in soil erosion under natural variability conditions. Unlike historical trends, future soil erosion demonstrates significant variation across three scenarios: SSP1-RCP1.9 (SSP119), SSP2-RCP4.5 (SSP245), and SSP5-RCP8.5 (SSP585). The simulation results show that the SSP119 climate scenario has a minor impact on soil erosion, whereas the SSP245 scenario leads to a gradual increase in soil erosion. The SSP585 scenario, characterized by high social vulnerability and substantial radiative forcing, exacerbates the risk of soil erosion. The study provides valuable references for maintaining soil stability and managing surface runoff.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».