www.elsevier.com/locate/envsoft Prediction of soil properties by digital terrain modelling
Notice bibliographique
Résumé
We investigated two approaches for large-scale analysis and prediction of the spatial distribution of soil properties in an agricul-tural landscape in the Canadian prairies. The first approach was based on the implementation of nine types of digital terrain models (DTMs) and regression analysis of soil and topographic data. The second approach used a concept of accumulation, transit, and dissipation zones of the landsurface. Soil properties were soil moisture, residual phosphorus, solum thickness, depth to calcium carbonate, and organic carbon content. The dependence of soil properties on topography was supported by correlations for the upper soil layer. However, topographic control of soil moisture and residual phosphorus decreased with depth. Also, correlation coefficients and regression equations describing topographic control of soil moisture and residual phosphorus differed among sea-sons. This imposes limitations on regression-based predictions of the spatial distribution of soil properties. The prediction of soil property distribution with the concept of accumulation, transit and dissipation zones can be more successful and appropriate than the prediction based on linear regression. The variability in relationships between soil and topographic characteristics with depth may stem from spatial variability in the rate of decline of hydraulic conductivity with depth. Temporal variability in soil–topography relationships occurs because soil properties result from interactions of a variety of pedogenetic factors and processes marked by different temporal variability. In soil studies with digital terrain modelling, there is a need to take into account four types of
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) | 0,002 | 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 ».