Soil temperature modeling using machine learning techniques
Notice bibliographique
Résumé
Soil Temperature (ST) is critical for environmental applications. While its measurement is often difficult, estimation from environmental parameters has shown promise. The purpose of this study was to model ST in cold season from soil properties and environmental parameters. This study was conducted as a pot experiment in Ardebil, Iran. Automatic thermal sensors were installed at 5 and 10 cm depths. Besides, soil properties and environmental parameters were determined based on field and laboratory works. Machine learning methods including Multiple Linear Regression (MLR), Artificial Neural Network (ANN), and Adaptive Neuro-Fuzzy Interface System (ANFIS) were used for modeling ST. The air temperature was observed as the most effective factor in ST modeling. The relationship between soil and air temperature was stronger at 5 cm depth compared to 10 cm. The R2 between soil and air temperature was higher in the absence of sunlight than in its presence. The prediction of ANFIS (R2= 0.96 and MAPE= 10.5) was closer to the observed ST values compared to the ANN (R2= 0.91 and MAPE= 35) and MLR (R2= 0.57 and MAPE= 41). The results revealed the advantage of ANFIS method for ST modeling. This approach can be applied for soil depths and locations with data gap.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».