Hourly soil temperature prediction using integrated machine learning methods, GLUE uncertainty analysis, Taguchi search, and wavelet coherence analysis
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 In this study, hourly T s variations at 5, 10, and 30 cm soil depth were investigated and predicted for an arid site (Sirjan) and a semi-humid site (Sanandaj) in Iran. Standalone machine learning models (adaptive neuron fuzzy interface system (ANFIS), support vector machine model (SVM), radial basis function neural network (RBFNN), and multilayer perceptron (MLP)) were hybridized with four optimization algorithms (sunflower optimization (SFO), firefly algorithm (FFA), salp swarm algorithm (SSA), particle swarm optimization (PSO)) to improve prediction accuracy and reduce uncertainty. Uncertainty analysis was performed using generalized likelihood uncertainty estimation (GLUE), while wavelet coherence was used to assess interactions between T s and meteorological parameters. For the arid site, ANFIS-SFO (RMSE = 1.18 o C, MAE = 1.05 o C, NSE = 0.93, PBIAS = 7%, and R 2 = 0.9998) produced the most accurate performance at 5 cm soil depth. At best, hybridization with SFO (ANFIS-SFO, MLP-SFO, RBFNN-SFO, SVM-SFO) decreased RMSE by 5.6, 18, 18.3, and 18.18 % compared with the respective standalone model. At the semi-humid site, all integrated models showed most accurate performance at 10 cm soil depth, with RMSE for the best model (ANFIS-SFO) increasing by 10.5%, and MAE by 10.1%, from 10 to 30 cm depth. GLUE analysis confirmed that integrating optimization algorithms with machine learning models decreased the uncertainty in T s predictions. Wavelet coherence analysis demonstrated that air temperature, relative humidity, and solar radiation, but not wind speed, had high coherence with T s at different soil depths at both sites, and meteorological parameters mostly influenced T s in upper soil layers.
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 | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,007 |
| 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 découle