Using of Artificial Neural Networks for Evaluation Soil Water Content with Time Domain Reflectometry
Notice bibliographique
Résumé
Time Domain Reflectometry (TDR) has become an established method for soil volumetric water content ( ) measurement. TDR exploits the difference in dielectric constant values between the solid phase, air phase and liquid phase. In this paper, we study and evaluate the ability of empirical models to fit TDR calibration data for the soils of different textures, and adopt artificial neural network (ANN) to predict the Ka– relationship using soil physical parameters for ten different heavy texture soil types. The explanatory parameters that gave the most significant reduction in the root mean square error (RMSE) were dielectric constant, bulk density, clay content, silt content, sand content and organic matter content. The Ka– relationship for each soil type was predicted using the other nine soils for calibration purposes. To find the optimum model, various multilayer perceptron (MLP) topologies, having one hidden layer of neurons were investigated. In this analysis, Ka, bulk density and clay content were selected as input to ANN. The (3-10-1)-MLP, namely a network having 10 neurons in its hidden layer resulted in the best-suited model estimating the soil water content of the heavy texture soils at all soil types. For this topology, R2 and RMSE values were 0.998 and 0.00433, respectively. A comparative study among ANN models and various empirical models was also carried out. ANN models with RMSE and R2 of 0.0043-0.0134 (m3 m-3) and 0.923-0.998, respectively, gave better predictions than empirical models. The ANN model performed superior than both empirical and physical models. Since (3-10-1)-MLP outperformed regression models and it uses only one set of weights and biases for all soil types, it should be preferred over empirical and physical models.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».