論文の概要: Soil Erosion in the United States. Present and Future (2020-2050)
- arxiv url: http://arxiv.org/abs/2207.06579v1
- Date: Thu, 14 Jul 2022 00:46:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-16 05:45:12.432127
- Title: Soil Erosion in the United States. Present and Future (2020-2050)
- Title(参考訳): アメリカ合衆国における土壌侵食。
未来(2020年-2050年)
- Authors: Shahab Aldin Shojaeezadeh, Malik Al-Wardy, Mohammad Reza Nikoo,
Mehrdad Ghorbani Mooselu, Mohammad Reza Alizadeh, Jan Franklin Adamowski,
Hamid Moradkhani, Nasrin Alamdari, Amir H. Gandomi
- Abstract要約: アメリカ合衆国全体での3つの代替シナリオを用いて,水浸食による土壌浸食率を推定・予測する。
ベースラインモデル(2020年)では、土壌浸食率は2.32 Mg ha 1 yr 1と推定されている。
2050年の土壌浸食予測では、気候とLULCのシナリオはすべて、極端な事象の増加または極端の空間的位置の変化を示していることが示唆されている。
- 参考スコア(独自算出の注目度): 8.729045594301041
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Soil erosion is a significant threat to the environment and long-term land
management around the world. Accelerated soil erosion by human activities
inflicts extreme changes in terrestrial and aquatic ecosystems, which is not
fully surveyed/predicted for the present and probable future at field-scales
(30-m). Here, we estimate/predict soil erosion rates by water erosion, (sheet
and rill erosion), using three alternative (2.6, 4.5, and 8.5) Shared
Socioeconomic Pathway and Representative Concentration Pathway (SSP-RCP)
scenarios across the contiguous United States. Field Scale Soil Erosion Model
(FSSLM) estimations rely on a high resolution (30-m) G2 erosion model
integrated by satellite- and imagery-based estimations of land use and land
cover (LULC), gauge observations of long-term precipitation, and scenarios of
the Coupled Model Intercomparison Project Phase 6 (CMIP6). The baseline model
(2020) estimates soil erosion rates of 2.32 Mg ha 1 yr 1 with current
agricultural conservation practices (CPs). Future scenarios with current CPs
indicate an increase between 8% to 21% under different combinations of SSP-RCP
scenarios of climate and LULC changes. The soil erosion forecast for 2050
suggests that all the climate and LULC scenarios indicate either an increase in
extreme events or a change in the spatial location of extremes largely from the
southern to the eastern and northeastern regions of the United States.
- Abstract(参考訳): 土壌浸食は世界中の環境と長期的な土地管理にとって重大な脅威である。
人的活動による土壌侵食の促進は、フィールドスケール(30-m)において、現在かつ可能性の高い未来に向けて完全に調査・予測されていない陸生生態系や水生生態系の極端な変化をもたらす。
本研究では,アメリカ合衆国における社会経済的経路および代表集中経路(ssp-rcp)の3つのシナリオ(2.6,4.5,8.5)を用いて,水浸食による土壌侵食率(シートおよびリル侵食)を推定・予測した。
フィールドスケール土壌侵食モデル(fsslm)の推定は、衛星および画像に基づく土地利用・土地被覆(lulc)の推定、長期降水量のゲージ観測、結合モデル間比較計画フェーズ6(cmip6)のシナリオに基づく高分解能(30-m)g2侵食モデルに依存する。
ベースラインモデル(2020年)は、現在の農業保全慣行(cps)による2.32 mg ha 1 yr 1の土壌侵食率を推定している。
現在のCPによる将来のシナリオは、気候とLULCの変化のSSP-RCPシナリオの異なる組み合わせで8%から21%の増加を示す。
2050年の土壌浸食予測は、気候とLULCシナリオの全てが、極端な出来事の増加または、主に南から東、北東にかけての極端の空間的位置の変化を示していることを示唆している。
関連論文リスト
- A Geospatial Approach to Predicting Desert Locust Breeding Grounds in
Africa [4.02300146952738]
ロカスト群れは農業と食料安全保障に 大きな脅威を与えます
本研究は,ロカスト繁殖場予測のための操作可能なモデルを開発した。
論文 参考訳(メタデータ) (2024-03-11T16:13:58Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Assessing of Soil Erosion Risk Through Geoinformation Sciences and
Remote Sensing -- A Review [0.0]
この章の主目的は、さまざまなタイプや構造の浸食モデルとそれらの応用をレビューすることである。
地理情報システム(GIS)の空間分析機能を利用するいくつかの手法が土壌浸食リスク評価のために運用されている。
論文 参考訳(メタデータ) (2023-10-12T15:53:47Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Automating global landslide detection with heterogeneous ensemble
deep-learning classification [44.99833362998488]
地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。
危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。
近年,中~高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
論文 参考訳(メタデータ) (2023-09-12T10:56:16Z) - Remote estimation of geologic composition using interferometric
synthetic-aperture radar in California's Central Valley [1.5677136474147644]
カリフォルニア州セントラルバレーの土地は地下水の汲み上げによって急速に沈んでいる。
本研究では,土地変位の時間的変動の異なる特定地域を特定することを目的とする。
そこで我々は,インターフェロメトリ合成開口レーダ(InSAR)を用いた土地変形データを用いて,地質組成をリモートで推定することを目的とする。
論文 参考訳(メタデータ) (2022-12-04T23:06:14Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Learning to forecast vegetation greenness at fine resolution over Africa
with ConvLSTMs [2.7708222692419735]
我々は、このタスクに対処するために、畳み込みLSTM(ConvLSTM)アーキテクチャを使用します。
我々は,アフリカにおける植生の変化をSentinel-2衛星NDVIを用いて予測し,ERA5気象分析,SMAP衛星測定,地形解析を行った。
以上の結果から,ConvLSTMモデルがNDVIの季節変動を高分解能で予測できるだけでなく,観測基準値に対する気象異常の影響も明らかとなった。
論文 参考訳(メタデータ) (2022-10-24T23:03:36Z) - From Static to Dynamic Prediction: Wildfire Risk Assessment Based on
Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。
カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文 参考訳(メタデータ) (2021-03-14T17:56:17Z) - EarthNet2021: A novel large-scale dataset and challenge for forecasting
localized climate impacts [12.795776149170978]
大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。
メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。
EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
論文 参考訳(メタデータ) (2020-12-11T11:21:00Z) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳(メタデータ) (2020-10-20T15:31:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。