Machine‐learning based spatiotemporal prediction of soil moisture in a grassland hillslope
Notice bibliographique
Résumé
Abstract Soil moisture (SM) plays a significant role in the earth's water balance and in optimizing land management practices. However, SM at the field scale is difficult to map from available point measurements due to the inherent heterogeneity of soil and terrain properties and temporal dynamics of weather conditions. In this study, we explored the potential of four machine learning (ML) methods (random forest, gradient boosted regression trees, support vector regression, and neural networks) to predict SM in a grassland hillslope in space and time using auxiliary variables on soil and terrain properties and weather conditions. For training and testing the ML models, we used SM point measurements obtained by a sensor network. Performance metrics varied between the ML methods and the training‐test data split ( R 2 = 0.48–0.69, root‐mean‐square error [RMSE] = 0.06–0.10). Random forests and gradient‐boosted regression trees turned out to be promising and easy to parametrize as first choices to explore the potential of ML techniques. The day of the year emerged as an important feature to predict SM across models and can thus serve as a proxy for seasonal hydroclimatic variability. To enable the transfer of the application to other contexts or sites, we provide the modeling workflow as an open‐source computational Python module.
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 ».