An Overview of Machine-Learning Methods for Soil Moisture Estimation
Notice bibliographique
Résumé
Soil moisture (SM) is crucial for sustainable applications in agriculture, meteorology, and hydrology. While direct measurement provides superior accuracy, it is unfeasible when applied over extensive geographical areas because of its costly and time-intensive nature. On the other hand, parameterization, complexity, and assumptions used in empirical and physical models lead to challenging SM estimations using these models. By handling extensive datasets and identifying complex connections within the data, the machine-learning (ML) approach has become an attractive solution to address the aforementioned limitations. This approach can estimate SM by effectively capturing the complex relationships among environmental variables and soil moisture data. Although the ML approach is a powerful tool for estimating SM, it has several limitations, such as data dependency, scalability, and high dimensionality. This paper aims to present an overview of ML methods used for modeling SM while also discussing their challenges and notable achievements within this field. These models vary in suitability depending on data availability and context. DL models excel in capturing spatiotemporal complexity but require abundant data. SVMs are robust in noisy or sparse datasets, and hybrid models offer improved flexibility and predictive accuracy. Incorporating remote sensing, satellite data, and hybrid physical-AI frameworks can further enhance performance. However, the opaque “black-box” nature of ML remains a barrier to trust and operational use, emphasizing the need for explainable AI (XAI) to improve transparency. The findings underscored the importance of prioritizing the transferability of AI-based models across varied environmental conditions to ensure scalable and dependable soil moisture monitoring.
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 | 0,000 |
| 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 ».