A Deep Learning Approach for Multi-Depth Soil Water Content Prediction in Summer Maize Growth Period
Notice bibliographique
Résumé
Advance knowledge of soil water content (SWC) in the soil wetting layer of crop irrigation can help develop more reasonable irrigation plans and improve the efficiency of agricultural irrigation water use. To improve the accuracy of predicting SWC at multiple depths, the ResBiLSTM model was proposed, in which continuous meteorological and SWC data were gridded and transformed as model inputs, and then high-dimensional spatial and time series features were extracted by ResNet and BiLSTM, respectively, and integrated by a meta-learner. Meteorological, SWC and growth stage records data from seven typical maize monitoring stations in Hebei Province, China, during the 2016-2018 summer maize planting process were utilized for the training, evaluation and testing of the ResBiLSTM model, with model prediction targets set at 20cm, 30cm, 40cm and 50cm depths. Experimental results showed that: 1) ResBiLSTM model could achieve better model fit and prediction of meteorological and SWC data at all growth stages, with R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> within [0.818, 0.991], average MAE within [0.79%, 2.00%], and the overall prediction accuracy ranked as follows: anthesis maturity stage > seedling stage > tassel stage; 2) The average MSE of the ResBiLSTM model for the prediction of SWC in the next 1-6 days was within [3.91%, 15.82%], and the prediction accuracy decreased with the extension of the prediction time; 3) Compared with the classical machine learning model and related deep learning models, the ResBiLSTM model was able to obtain better prediction accuracy performance.
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 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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».