Evaluation of cotton planting suitability in Xinjiang based on climate change and soil fertility factors simulated by coupled machine learning model
Notice bibliographique
Résumé
Cotton is the world’s most widely cultivated fiber crop and holds great significance in Xinjiang. However, unsuitable planting environments can hinder farmer income and result in a substantial waste of agricultural resources.This study explores suitability of cotton planting areas in Xinjiang to reduce agricultural inputs and pollution. The goal is to promote sustainable agricultural development by considering both climate change and soil fertility, factors often overlooked in previous research. We analyzed climate change trends in Xinjiang and used machine learning-transfer component analysis to build a transferable coupling model for total nitrogen (TN) and soil organic carbon (SOC) indicators, resulting in a cotton suitability zoning that accounts for climate and soil fertility factors. Xinjiang has seen an overall increase in cumulative temperature and rainfall, with southern Xinjiang showing the most significant rise (4.02% in temperature and 16.26% in rainfall). The random forest model (RF) outperformed multivariate linear regression (MLR) and support vector machines (SVM) in predicting soil fertility indicators (TN: R 2 = 0 . 80 , SOC: R 2 = 0 . 77 ). The RF-TCA coupling model enhanced adaptability, with better performance in TN prediction compared to SOC. The Xinjiang cotton suitability zoning, based on meteorological and soil data, indicates a northward shift in suitable cotton planting areas in northern Xinjiang, while southern Xinjiang continues to maintain a substantial number of suitable planting zones. Notably, the disparity in suitability between the two regions has been narrowing over time. The research offers valuable insights for optimizing cotton planting locations, enhancing resource efficiency, and promoting sustainable development in Xinjiang. • Gray relation and full subset analysis of remote sensing indices improved model prediction accuracy. • An RF-TCA coupled machine learning model was developed to enhance transferability. • A comprehensive system was established to identify suitable cotton planting areas in Xinjiang, using meteorology and soil fertility factors.
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 | 0,003 | 0,001 |
| 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 ».