Development of a Tool to Predict Soil Moisture and Soil Temperature Regimes
Notice bibliographique
Résumé
Physico‐biochemical processes occurring in soil are difficult to predict because the knowledge of local soil properties such as soil moisture and temperature is often limited. Therefore, soil moisture and temperature regime classes are necessary for US soil taxonomy and other classification systems. The goal of this study is to develop a modeling tool to predict soil moisture and temperature at multiple soil horizons and to code the Keys to Soil Taxonomy in a Soil Moisture and Temperature Regime Classification (SMTRC) module for automatic identification of soil moisture and temperature regimes. The Environmental Policy Integrated Climate (EPIC) model was extended as the EPIC–SMTRC tool for this purpose. Field data from the Soil Climate Analysis Network (SCAN) sites and the Wye farm site in Maryland for validation of soil moisture and temperature predictions. Results indicate that predicted daily soil temperatures are in close agreement with observed values with R 2 values ranging from 0.73 to 0.98 and Nash–Sutcliffe efficiency (NSE) from 0.50 to 0.96. Predicted soil moisture by EPIC–SMTRC captured observed trends reasonably well. Testing results at the Wye farm indicate that the predicted daily values of water content are satisfactory, with R 2 values ranges from 0.66 to 0.88 and NSE from 0.51 to 0.84. The EPIC–SMTRC tool demonstrated the ability to automate the identification of the soil moisture and temperature regimes as currently defined in the US soil taxonomy and can be used to classify soils and to be utilized for other sites.
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 | 0,000 | 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 ».