Toward soil property‐driven identification of peat, limnic, and mineral horizons in Eastern Canada Histosols
Notice bibliographique
Résumé
Abstract Peat thickness mapping is crucial for supporting soil conservation practices at the field‐scale, but the presence of limnic layers complicates accurate estimates, including through manual probing. At this scale, proximal sensors could provide extensive data on soil stratigraphy. However, this approach relies on a solid understanding of the variability associated with depth and soil materials, including limnic and mineral layers. In Eastern Canada, reference characterization data for all three layers in an agricultural context are limited. Therefore, the objectives of this study were (1) to characterize and compare geophysical properties of peaty, limnic, and mineral layers from drained and cultivated Histosols in Eastern Canada as a function of depth (0–1 m); and (2) to evaluate probes or geophysical sensors that are responsive to properties which may aid in identifying soil layers in situ, minimizing the necessity for manual probing. Ninety sites were sampled across nine fields. At each site, the upper meter of soil was divided into discrete 10 cm layers. The impacts of soil material and depth on six soil properties were assessed using linear mixed‐effects models. Both effects were significant ( p < 0.0001) for all soil properties. Volumetric soil water content, electrical conductivity, and soil penetration resistance were promising candidates for identifying soil materials. In future studies, a time‐domain reflectometry probe could be automated and combined with a soil penetrometer to reduce manual sampling efforts by leveraging regional reference data. Bulk density and organic matter content quantification from this project will support future carbon stock mapping projects.
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 | 0,000 | 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 ».