Root‐zone soil moisture estimation using data‐driven methods
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
Abstract The soil moisture state partitions both mass and energy fluxes and is important for many hydro‐geochemical cycles, but is often only measured within the surface layer. Estimating the amount of soil moisture in the root‐zone from this information is difficult due to the nonlinear and heterogeneous nature of the various processes which alter the soil moisture state. Data‐driven methods, such as artificial neural networks (ANN), mine data for nonlinear interdependencies and have potential for estimating root‐zone soil moisture from surface soil moisture observations. To create an ANN root‐zone model that was nonsite‐specific and physically constrained, a training set was generated by forcing HYDRUS‐1D with meteorological observations for different soil profiles from the unsaturated soil hydraulic database. Ensemble ANNs were trained to provide soil moisture at depths of 10, 20, and 50 cm below the surface using surface soil moisture observations and local meteorological information. Insights into the processes represented by the ANNs were derived from a clamping sensitivity analysis and by changing the ANNs input data. Further model testing based on synthetic soil moisture profiles from three McMaster Mesonet and three USDA soil climate analysis network sites suggests that ANNs are a flexible tool capable of predicting root‐zone soil moisture with good accuracy. It was found that ANNs could well represent soil moisture as estimated by HYDRUS‐1D, but performance was reduced in comparison to in situ soil moisture observations outside the training conditions. The transferability of the model appears limited to the same geographic region.
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 | 0,004 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle