SOIL SALINITY PREDICTION USING ARTIFICIAL NEURAL NETWORKS<sup>1</sup>
Notice bibliographique
Résumé
ABSTRACT: This study explores the applicability of Artificial Neural Networks (ANNs) for predicting salt build‐up in the crop root zone. ANN models were developed with salinity data from field lysimeters subirrigated with brackish water. Different ANN architectures were explored by varying the number of processing elements (PEs) (from 1 to 30) for replicate data from a 0.4 m water table, 0.8 m water table, and both 0.4 and 0.8 m water table lysimeters. Different ANN models were developed by using individual replicate treatment values as well as the mean value for each treatment. For replicate data, the models with twenty, seven, and six PEs were found to be the best for the water tables at 0.4 m, 0.8 m and both water tables combined, respectively. The correlation coefficients between observed salinity and ANN predicted salinity of the test data with these models were 0.89, 0.91, and 0.89, respectively. The performance of the ANNs developed using mean salinity values of the replicates was found to be similar to those with replicate data. Not only was there agreement between observed and ANN predicted salinity values, the results clearly indicated the potential use of ANN models for predicting salt build‐up in soil profile at a specific site.
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 | 0,001 | 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) | 0,000 | 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 ».