A comparative analysis of deep learning models for soil temperature prediction in cold climates
Notice bibliographique
Résumé
Abstract Accurate soil temperature prediction in cold climates is crucial for optimizing agricultural practices, hydrological processes, water resource management, minimizing frost damage, and mitigating flood risks. The capacity of deep learning methods to capture intricate patterns and relationships in climate data enhances the accuracy of soil temperature predictions and offers substantial benefits for reducing climate change impacts. In the present study, a comparative analysis of different deep learning techniques, including long short-term memory (LSTM), convolutional neural network (CNN), and multi-layer perceptron (MLP), for predicting the soil temperature is provided. The study examined cold climate areas across Canada, from snowy regions to Arctic conditions. Input datasets were considered both as time series and shuffled order. To comprehensively evaluate the predictive approaches for soil temperature, four machine learning (ML) models—CNN, LSTM, MLP in time series, and MLP on shuffled data—were employed. The results showed ML models using input data as time series have struggled with accurate soil temperature prediction, especially in very cold and polar climates, likely due to the presence of ice layers on the soil, limiting fluctuations near the freezing point. The normalized RMSE (NRMSE) for the CNN, LSTM, and MLP was calculated to be 8.6%. 7.4%, and 6.9%, respectively, and the scatter index (SI) for CNN, LSTM, and MLP was calculated to be 1.0%, 0.9%, and 0.9%, respectively. On the other hand, MLP-shuffled that employs shuffled input data outperformed others with an NRMSE of 5.4% and an SI of 0.7%, by creating a generalized data representation, free from presentation sequence bias. This study showed that predicting soil temperature in very cold climates poses a challenge for machine learning, yet the MLP-shuffled model excels, attaining superior accuracy through the creation of a generalized data representation independent of the sample sequence.
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 | 0,000 | 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 | 0,000 |
| 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 ».