Artificial neural network model for estimating the soil temperature
Notice bibliographique
Résumé
Ozturk, M., Salman, O. and Koc, M. 2011. Artificial neural network model for estimating the soil temperature. Can. J. Soil Sci. 91: 551–562. Although soil temperature is a critically important agricultural and environmental factor, it is typically monitored with low spatial resolution and, as a result, methods are required to estimate soil temperature at locations remote from monitoring stations. In this study, cost-effective, feed-forward artificial neural network (ANN) models are developed and tested for estimating soil temperature at 5-, 10-, 20-, 50- and 100-cm depths using standard geographical and meteorological data (i.e., altitude, latitude, longitude, month, year, monthly solar radiation, monthly sunshine duration and monthly mean air temperature). These data plus measured monthly mean soil temperature were collected for 2006–2008 from 66 monitoring stations distributed throughout Turkey to obtain a total of 2376 data records (36 months×66 monitoring stations) for each of the five soil depths. At each soil depth, 1800 randomly selected data records were used to develop and train a separate ANN model, and the remaining 576 records at each depth were used to test and validate the resulting models. Good agreement was obtained between ANN-estimated soil temperature and measured soil temperature, as evidenced by correlation coefficients of 98.91, 97.99, 99.03, 98.26 and 95.37% for the 5-, 10-, 20-, 50- and 100-cm soil depths, respectively. It was concluded that ANN modeling is a reliable method for predicting monthly mean soil temperature in regions of Turkey where soil temperature monitoring stations are not present.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».