Factors affecting the use of weather station data in predicting surface soil moisture for agricultural applications
Notice bibliographique
Résumé
Weather stations often provide key information related to soil moisture; temperature and evaporation are used by farmers to decide farm operations of nearby agricultural fields. However, the site conditions at the weather stations where data are recorded may not be similar with these nearby fields. The objective of this study was to determine the level of discrepancies in surface soil moisture between weather stations and nearby agricultural fields based on (i) the soil texture, crop residue cover, crop type, growth stages and (ii) temporal dependency of soil moisture to recent rainfall and evaporation rates. Soil moisture from 25 weather stations in the North Dakota Agricultural Weather Network (NDAWN) and 75 nearby fields were measured biweekly during the 2019 growing season in Red River Valley. Field characteristics including soil texture, crop residue cover, crop type, and growth stages along with rainfall and PET were collected during the study period. The regression analysis between surface soil moisture at weather station and nearby field showed higher values for corn at V10 stage (r 2 = 0.92) and for wheat at flowering stage (r 2 = 0.68) and opposite was observed with soybean. We found the regression coefficient of soil moisture with 4-d cumulative rainfall slightly increased to 0.51 with an increase in percent residue cover resulting in a decreased root mean square error (RMSE) to 0.063 m 3 ·m −3 . In general, we observed that surface soil moisture at weather stations could reasonably predict moisture in nearby agricultural fields considering crop type, soil type, weather, and distance from weather station.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».