Soil moisture modeling with ERA5-Land retrievals, topographic indices, and in situ measurements and its use for predicting ruts
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
Abstract. Spatiotemporal modeling is an innovative way of predicting soil moisture and has promising applications that support sustainable forest operations. One such application is the prediction of rutting, since rutting can cause severe damage to forest soils and ecological functions. In this work, we used ERA5-Land soil moisture retrievals and several topographic indices to model variations in the in situ soil water content by means of a random forest model. We then correlated the predicted soil moisture with rut depth from different trials. Our spatiotemporal modeling approach successfully predicted soil moisture with Kendall's rank correlation coefficient of 0.62 (R2 of 64 %). The final model included the spatial depth-to-water index, topographic wetness index, stream power index, as well as temporal components such as month and season, and ERA5-Land soil moisture retrievals. These retrievals were shown to be the most important predictor in the model, indicating a large temporal variation. The prediction of rut depth was also successful, resulting in Kendall's correlation coefficient of 0.61. Our results demonstrate that by using data from several sources, we can accurately predict soil moisture and use this information to predict rut depth. This has practical applications in reducing the impact of heavy machinery on forest soils and avoiding wet areas during forest operations.
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 | 0,001 | 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