Fugu-MT 論文翻訳(概要): Soil respiration signals in response to sustainable soil management practices enhance soil organic carbon stocks

論文の概要: Soil respiration signals in response to sustainable soil management practices enhance soil organic carbon stocks

arxiv url: http://arxiv.org/abs/2404.05737v2
Date: Wed, 19 Jun 2024 19:06:36 GMT
ステータス: 処理完了
システム内更新日: 2024-06-22 04:30:07.818306
Title: Soil respiration signals in response to sustainable soil management practices enhance soil organic carbon stocks
Title（参考訳）: 持続可能な土壌管理慣行に対応する土壌呼吸信号は土壌有機炭素ストックを増強する
Authors: Mario Guevara,
Abstract要約: 比較的高精度な土壌呼吸予測(1991-2018) (NSE 0.69, CCC 0.82) 土壌呼吸の傾向は, 土壌呼吸の傾向が低く, 土壌呼吸の規模が大きくなるとともに, 持続的な土壌管理の実践を経験する地域全体の土壌有機物在庫が増加した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Development of a spatial-temporal and data-driven model of soil respiration at the global scale based on soil temperature, yearly soil moisture, and soil organic carbon (C) estimates. Prediction of soil respiration on an annual basis (1991-2018) with relatively high accuracy (NSE 0.69, CCC 0.82). Lower soil respiration trends, higher soil respiration magnitudes, and higher soil organic C stocks across areas experiencing the presence of sustainable soil management practices.
Abstract（参考訳）: 土壌温度, 年次土壌水分, 土壌有機炭素(C)推定に基づく地球規模における土壌呼吸の時空間およびデータ駆動モデルの開発比較的高精度な土壌呼吸予測(1991-2018) (NSE 0.69, CCC 0.82)。土壌呼吸の傾向は, 土壌呼吸の傾向が低く, 土壌呼吸の規模が大きくなるとともに, 持続的な土壌管理の実践を経験する地域全体の土壌有機物在庫が増加した。

関連論文リスト

OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
論文参考訳（メタデータ） (2024-05-12T09:32:40Z)
Cotton Yield Prediction Using Random Forest [1.8887119618534647]
温暖化による農業技術は、操業費を減らしながら収量を増やすために開発されている。作物の収量予測は、作物、土壌タイプ、管理、害虫・病気、気候、気象パターンの複雑で非線形な影響により困難である。我々は、気候変動、土壌の多様性、品種、無機窒素レベルを考慮して、生産予測に機械学習(ML)を採用している。
論文参考訳（メタデータ） (2023-12-04T19:33:29Z)
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)
Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文参考訳（メタデータ） (2022-11-15T14:15:04Z)
Causal Modeling of Soil Processes for Improved Generalization [6.839859020308749]
土壌有機炭素は土壌中の栄養を豊かにするが、貯水量の改善や物理的浸食の制限といったコベネフィットも多様である。現在のアプローチは、土壌条件や管理プラクティスをまたいでうまく一般化していない。本研究では, 土壌プロセス間の因果関係の明示的モデリングが, 予測モデルの分布外一般化性を向上させることを実証的に示す。
論文参考訳（メタデータ） (2022-11-10T16:26:13Z)
Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文参考訳（メタデータ） (2022-01-26T14:58:51Z)
Estimation of Air Pollution with Remote Sensing Data: Revealing Greenhouse Gas Emissions from Space [1.9659095632676094]
地上レベルの大気汚染の既存のモデルは、しばしば局所的に制限され、時間的に静的な土地利用データセットに依存している。本研究は,世界規模で利用でき,頻繁に更新されるリモートセンシングデータにのみ依存する環境大気汚染の予測のための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-08-31T14:58:04Z)
Total Nitrogen Estimation in Agricultural Soils via Aerial Multispectral Imaging and LIBS [0.6875312133832077]
土壌の健康指標(SHIs)を測定する方法の多くは、内部の湿式化学または分光法に基づく方法である。我々は,土壌の総窒素 (TN) を推定するために,UAV (Universal-time Unmanned Aviation Vehicle) を用いたマルチスペクトルセンシング (UMS) ソリューションを開発した。
論文参考訳（メタデータ） (2021-07-06T02:37:30Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文参考訳（メタデータ） (2020-12-07T16:23:13Z)
Global soil moisture from in-situ measurements using machine learning -- SoMo.ml [0.0]
機械学習, SoMo.ml を用いたその場測定から得られた土壌水分の地球規模の長期データセットについて述べる。我々は、世界中の1000以上のステーションから収集されたその場データに基づいて、空間および時間における土壌水分動態を推定するために、Long Short-Term Memory(LSTM)モデルを訓練する。
論文参考訳（メタデータ） (2020-10-05T22:32:28Z)

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。