Multifidelity-based Gaussian process for quasi-site-specific probabilistic prediction of soil properties
Notice bibliographique
Résumé
Conventional empirical equations for soil properties prediction tend to be site-specific, exhibiting poor reliability and accuracy. Meanwhile, alternative data-driven methods require large datasets for training. To address these issues, this study proposed a novel multifidelity residual neural-network-based Gaussian process (MR-NNGP) modelling framework. A soil property low-fidelity (LF) prediction model is first trained using abundant LF data collected from worldwide sites for generating preliminary estimation. A high-fidelity (HF) model is subsequently trained on sparse HF data from the specific site of interest for calibrating the LF model to make quasi-site-specific predictions. An infinitely wide NN-inspired NNGP is adopted as the baseline algorithm for training LF and HF models. The compression index of clays is selected as an example to examine the capability of the proposed MR-NNGP. The results indicate that the compression index of clays can be well captured by MR-NNGP, exhibiting superior accuracy and reliability compared with one-shot training without using MR modelling and other baseline algorithms such as GP. The MR-NNGP framework alleviates data dependency and improves model performance through hierarchical modelling on relatively simple correlations using a superior algorithm. Unified LF data and efficient hyper-parameter optimization indicate the flexibility for broader applications in various sites worldwide.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».