Characterizing the fine‐scale spatial distribution of soil phosphorus for efficient phosphorus management in an Illinois tile‐drained field
Notice bibliographique
Résumé
Closed depressions in post-glacial landscapes can accumulate phosphorus (P) due to repeated flooding and become hotspots for P loss when underlain by subsurface (tile) drainage. Soil P mapping is routinely based on the interpolation of samples from a 1-ha grid, which may miss closed depressions and underestimate soil P levels leading to overfertilization and nutrient loss. Our objective was to improve the characterization of the spatial distribution of soil P at the sub-field scale by accounting for depressions and assess their importance for fertilizer prescriptions and tile P loss. We evaluated the effectiveness of stratified sampling that included closed depressions within a 1-ha grid and nonstationary interpolation (external drift kriging) that leverages information about depression depth to estimate the distribution of soil P (0-16 cm) under a corn (Zea mays L.) and soybean (Glycine max (L.) Merr) rotation in Douglas County, IL. Our novel approach produced an improved soil P map, which resulted in a 47% increase in land area that does not require P fertilizer (a reduction of 7.14% or ca. 4 metric tons of P). Additionally, soil P estimated from the improved map was a stronger predictor of the flow-weighted mean concentration of dissolved reactive P during the non-growing season than soil P estimated from ground-based sampling and other interpolation approaches. These results demonstrate that improved characterization of the spatial distribution of soil P through stratified sampling and interpolation with depression depth can better match soil P with crop P requirements, protecting water quality and conserving a finite resource.
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 ».