Predicting Saturated Hydraulic Conductivity by Artificial Intelligence and Regression Models
Notice bibliographique
Résumé
Saturated hydraulic conductivity ( Ks ), among other soil hydraulic properties, is important and necessary in water and mass transport models and irrigation and drainage studies. Although this property can be measured directly, its measurement is difficult and very variable in space and time. Thus pedotransfer functions (PTFs) provide an alternative way to predict the Ks from easily available soil data. This study was done to predict the Ks in Khuzestan province, southwest Iran. Three Intelligence models including (radial basis function neural networks (RBFNN), multi layer perceptron neural networks (MLPNN)), adaptive neuro-fuzzy inference system (ANFIS) and multiple-linear regression (MLR) to predict the Ks were used. Input variable included sand, silt, and clay percents and bulk density. The total of 175 soil samples was divided into two groups as 130 for the training and 45 for the testing of PTFs. The results indicated that ANFIS and RBFNN are effective methods for Ks prediction and have better accuracy compared with the MLPNN and MLR models. The correlation between predicted and measured Ks values using ANFIS was better than artificial neural network (ANN). Mean square error values for ANFIS, ANN, and MLR were 0.005, 0.02, and 0.17, respectively, which shows that ANFIS model is a powerful tool and has better performance than ANN and MLR in prediction of Ks .
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».