Partitioning of daily evapotranspiration using a modified shuttleworthwallace model, random Forest and support vector regression, for a cabbage farmland
Notice bibliographique
Résumé
Prediction of vegetation transpiration (T) is of increasing importance in water resources management and agricultural practices, in particular to facilitate precision irrigation. Traditional evapotranspiration (ET) partitioning dual source modeling requires an extensive array of ground-level parameters and needs model correction and calibration to attain model certainty. In response, a quick and low-cost method is described to predict T using artificial intelligence (AI) modeling based on meteorological factors, status of crop growth factors and soil parameters. This study compares Random Forest (RF) and Support Vector Regression (SVR) in building AI models using three years (2014–2017) of continuous high-resolution monitoring data in a cabbage farmland.Input data included air temperature (Ta), solar radiation (Ra), relative humidity (RH), vapor pressure deficit(VPD), wind speed (Ws), soil moisture (SM), vegetation height (H), and leaf area index (LAI). The results show that soil surface resistance calculations by Monte Carlo iterative method and vegetation stomatal resistance calculations and carbon dioxide concentration and emission, improve performance of the original Shuttleworth–Wallace(S-W) model. In addition, the AI model indicates Ta and Ra are essential inputs for both model types. When there are sufficient observation data, or only lacking soil and vegetation data, the RF model is recommended for use. When there are only limited data or lack of critical Ta and Ra data, the SVR model is the preferred model. Scientific guidance is provided for agriculture precision irrigation, indicating which AI model can best estimate T and water demand for irrigation planning and water management.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».