Estimating Soil Moisture Over Winter Wheat Fields During Growing Season Using Machine-Learning 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
Soil moisture is vital for the crop growth and directly affects the crop yield. The conventional synthetic aperture radar (SAR) based soil moisture monitoring is often influenced by vegetation cover and surface roughness. The machine-learning methods are not constrained by physical parameters and have high nonlinear fitting capabilities. In this study, machine-learning methods were applied to estimate soil moisture over winter wheat fields during its growing season. RADARSAT-2 data with quad polarizations and 240 sample plots in the study area were acquired and collected, respectively. In addition to the four linear polarization channels, polarimetric decomposition parameters were extracted to expand the SAR feature space. Three advanced machine-learning models were selected and compared, which were support vector regression, random forests (RF), and gradient boosting regression tree. To improve the performances of the models, three feature-selection methods were compared, which were based on Pearson correlation, support vector machine recursive feature elimination, and RF, respectively. The coefficient of determination ( <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">R</i> <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> ) and root-mean-square error (RMSE) were used to compare and assess the performances of those models. The results revealed that polarimetric decomposition parameters were effective in estimating soil moisture, and RF model obtained the highest prediction accuracy (training set: RMSE = 2.44 vol.% and <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">R</i> <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> = 0.94; and validation set: RMSE = 4.03 vol.%, and <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">R</i> <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> = 0.79). This study finally concluded that using polarimetric decomposition parameters combined with machine-learning and feature-selection methods could effectively estimate soil moisture at a high accuracy, which helps monitor soil moisture across the agricultural field during its growing season.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle