Spatiotemporal dynamics of soil organic carbon at 30 m-resolution in Europe: responses to land cover stability and conversion
Notice bibliographique
Résumé
High-resolution soil organic carbon (SOC) mapping can provide more detailed information on SOC distribution, enabling accurate assessment of the impact of small-scale land cover changes on SOC content within a region. This study provides the first high-resolution (30 m) spatiotemporal SOC maps for 23 European countries. A Voting Regressor (VR) model combining Random Forest (RF), Categorical Boosting (CatBoost), and Light Gradient Boosting Machine (LightGBM) was used with soil data from the Land Use/Cover Area frame statistical Survey (LUCAS) soil data and environmental factors to predict SOC. This study revealed the differential impacts of land cover conversion types on SOC content, thereby addressing a knowledge gap in quantitatively assessing the carbon effects of land cover changes at the mesoscale regional level. The VR model demonstrated good predictive accuracy, with an R 2 ranging from 0.57 to 0.75 and an average of 0.64. It showed a statistically significant improvement over the RF (ΔR 2 = +0.11), CatBoost (ΔR 2 = +0.10), and LightGBM (ΔR 2 = +0.12) models. Furthermore, clay content was identified as the most influential variable in all models. SOC levels exhibited a highly skewed distribution, with the vast majority of areas below 60.00 g kg −1 , while isolated extreme values above 300.00 g kg −1 were observed in regions such as northern UK, Ireland, the Scandinavian Peninsula, and the Alps. Despite an overall increasing SOC trend, regions such as north-western Ireland and the UK, southern Italy and Spain, north-western Greece, and northern Scandinavia saw continued SOC losses. Wetlands, grasslands, and forests—especially wetlands—demonstrated high carbon sequestration capacity, while agricultural land had the lowest SOC levels. Land cover conversions significantly influenced SOC: All land cover transitions or stable conditions resulted in statistically significant changes in SOC. Conversion from forest to agriculture caused the largest SOC loss (median decrease of 13.22 g kg −1 , P < 0.001), while land abandonment to grassland (increase of 11.14 g kg −1 , P < 0.001) and other conversions to grassland (increase of 19.25 g kg −1 , P < 0.001) both led to significant SOC gains.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 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 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 ».