Artificial neural network model for estimating the soil temperature
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle