A Comprehensive Study of Artificial Intelligence Applications for Soil Temperature Prediction in Ordinary Climate Conditions and Extremely Hot Events
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 temperature is a fundamental parameter in water resources and irrigation engineering. A cost-effective model that can accurately forecast soil temperature is urgently needed. Recently, many studies have applied artificial intelligence (AI) at both surface and underground levels for soil temperature predictions. In the present study, attempts are made to deliver a comprehensive and detailed assessment of the performance of a wide range of AI approaches in soil temperature prediction. In this regard, thirteen approaches, from classic regressions to well-established methods of random forest and gradient boosting to more advanced AI techniques, such as multi-layer perceptron and deep learning, are taken into account. Meanwhile, great varieties of land and atmospheric variables are applied as model inputs. A sensitivity analysis was conducted on input climate variables to determine the importance of each variable in predicting soil temperature. This examination reduced the number of input variables from 8 to 7, which decreased the simulation load. Additionally, this showed that air temperature and solar radiation play the most important roles in soil temperature prediction, while precipitation can be neglected in forecast AI models. The comparison of soil temperature predicted by different AI models showed that deep learning demonstrated the best performance with R-squared of 0.980 and NRMSE of 2.237%, followed by multi-layer perceptron with R-squared of 0.980 and NRMSE of 2.266%. In addition, the performance of developed AI models was evaluated in extremely hot events since heat warnings are essential to protect lives and properties. The assessment showed that deep learning and multi-layer perceptron methods still have the best prediction. However, their R-squared decreased to 0.862 and 0.859, and NRMSE increased to 6.519% and 6.601%, respectively.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle