A Methodological Proposal Based on Artificial Neural Networks for Evapotranspiration Assessment
Notice bibliographique
Résumé
Evapotranspiration is the combined process in which water is transferred from the soil by evaporation and through the plants by transpiration to the atmosphere. Therefore, it is a central parameter in Agriculture since it expresses the amount of water to be returned by irrigation. Aiming to standardize Evapotranspiration estimate, the term “reference crop evapotranspiration (ETo)” was coined as the rate of Evapotranspiration from a hypothetical grass surface of uniform height, actively growing, completely shading the ground and well watered. ETo can be measured with lysimeters or estimated by mathematical approaches. Although, Penman-Monteith FAO 56 (PM) is the recommended method to estimate ETo by PM, it is necessary to register maximum and minimum temperatures (ºC), solar radiation (hours), relative humidity (%) and wind speed (m/seg.). Some of these parameters are missing in the historical meteorological registers. Here, Artificial Neural Networks (ANNs) can aid traditional methodologies. ANNs learn, recognise patterns and generalise complex relationships among large datasets to produce meaningful results even when input data is wrong or incomplete. The target of this study is to assess ANNs capability to estimatie ETo values. We have built and tested several architectures guided by Levenberg-Marquardt algorithm with 5 above mentioned parameters as inputs, from 1 to 50 hidden nodes and 1 parameter as output. Architectures with 10, 15 and 20 nodes in the hidden layer brought outsanding r2 values: 0.935, 0.937, 0.937 along with the highest intercept and the lowest slope values, which demonstrate that ANNs approach was an afficient method to estimate ETo.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».