Monitoring and mapping organic carbon throughout the soil profile is an important task, as land management and fluctuations in rainfall patterns have the potential to substantially alter the levels of soil organic carbon (SOC). This study aims to monitor the change in SOC content between 2002 and 2015 in a semi-arid, irrigated cotton-growing region in Australia under various land uses. One multivariate linear mixed model (MLMM) was used to model SOC content with four response variables – at two sampling depths (0–0.1, and 0.3–0.5 m), and two time points (2002 and 2015). This involved a four-dimensional model (horizontal and vertical space, and time) to monitor the spatio-temporal shifts of SOC content. Such a model utilises the correlation between the four measurements of SOC at the different depths and times. When tested with leave-one-site-out cross-validation, SOC content was predicted with a Lin's concordance correlation coefficient (LCCC) of 0.68, and a root mean square error (RMSE) of 0.21%. The MLMMs produced coherent soil maps, and an ability to detect statistically significant change in SOC content over time. While no change in subsoil (0.3–0.5 m) SOC content was observed across the study area, a small section of the study area revealed a statistically significant increase in SOC content in the topsoil (0–0.1 m). It was not completely clear whether this change was a function of land management, or the extended wet period from 2010 to 2012. The ability of MLMMs to take advantage of the relationship between different soil properties, soil depths, and time points, makes them advantageous for spatio-temporally monitoring soil.

监测和绘制整个土壤剖面中的有机碳是一项重要的任务，因为土地管理和降雨模式的波动可能会大大改变土壤有机碳（SOC）的水平。这项研究旨在监测2002年至2015年间澳大利亚半干旱，灌溉棉花种植区在不同土地利用条件下SOC含量的变化。使用一个多元线性混合模型（MLMM）对具有四个响应变量的SOC内容进行建模-在两个采样深度（0–0.1和0.3–0.5 m）和两个时间点（2002和2015）。这涉及一个四维模型（水平和垂直空间以及时间）来监视SOC含量的时空变化。这种模型利用了在不同深度和时间的SOC的四个测量值之间的相关性。当采用留一出站的交叉验证进行测试时，预测的SOC含量的Lin一致性相关系数（LCCC）为0.68，均方根误差（RMSE）为0.21％。MLMM产生了连贯的土壤图，并具有检测SOC含量随时间变化的统计学显着变化的能力。尽管在整个研究区域内未观察到地下土壤（0.3–0.5 m）SOC含量的变化，但研究区域的一小部分显示表层土壤（0–0.1 m）的SOC含量具有统计学上的显着增加。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期延长。MLMMs利用不同土壤性质，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。预测的SOC含量的Lin's一致性相关系数（LCCC）为0.68，均方根误差（RMSE）为0.21％。MLMM产生了连贯的土壤图，并具有检测SOC含量随时间变化的统计学显着变化的能力。虽然在整个研究区域内未观察到地下土壤（0.3–0.5 m）SOC含量的变化，但一小部分研究区域显示表层土壤（0–0.1 m）的SOC含量具有统计学上的显着增加。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期延长。MLMMs利用不同土壤性质，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。预测的SOC含量的Lin's一致性相关系数（LCCC）为0.68，均方根误差（RMSE）为0.21％。MLMM产生了连贯的土壤图，并具有检测SOC含量随时间变化的统计学显着变化的能力。尽管在整个研究区域内未观察到地下土壤（0.3–0.5 m）SOC含量的变化，但研究区域的一小部分显示表层土壤（0–0.1 m）的SOC含量具有统计学上的显着增加。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期的延长。MLMMs利用不同土壤特性，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。一致性相关系数（LCCC）为0.68，均方根误差（RMSE）为0.21％。MLMM产生了连贯的土壤图，并具有检测SOC含量随时间变化的统计学显着变化的能力。尽管在整个研究区域内未观察到地下土壤（0.3–0.5 m）SOC含量的变化，但研究区域的一小部分显示表层土壤（0–0.1 m）的SOC含量具有统计学上的显着增加。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期延长。MLMMs利用不同土壤性质，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。一致性相关系数（LCCC）为0.68，均方根误差（RMSE）为0.21％。MLMM产生了连贯的土壤图，并具有检测SOC含量随时间变化的统计学显着变化的能力。尽管在整个研究区域内未观察到地下土壤（0.3–0.5 m）SOC含量的变化，但研究区域的一小部分显示表层土壤（0–0.1 m）的SOC含量具有统计学上的显着增加。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期延长。MLMMs利用不同土壤性质，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。并具有检测SOC随时间变化的统计学显着变化的能力。尽管在整个研究区域内未观察到地下土壤（0.3–0.5 m）SOC含量的变化，但研究区域的一小部分显示表层土壤（0–0.1 m）的SOC含量具有统计学上的显着增加。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期延长。MLMMs利用不同土壤性质，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。并具有检测SOC随时间变化的统计学显着变化的能力。尽管在整个研究区域内未观察到地下土壤（0.3–0.5 m）SOC含量的变化，但研究区域的一小部分显示表层土壤（0–0.1 m）的SOC含量具有统计学上的显着增加。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期延长。MLMMs利用不同土壤性质，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。研究区域的一小部分显示出表层土壤中的SOC含量在统计学上显着增加（0-0.1 m）。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期的延长。MLMMs利用不同土壤特性，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。研究区域的一小部分显示出表层土壤中的SOC含量在统计学上显着增加（0-0.1 m）。目前尚不清楚这种变化是土地管理的作用，还是2010年至2012年的湿润时期延长。MLMMs利用不同土壤性质，土壤深度和时间点之间的关系的能力使其具有优势用于时空监测土壤。