Generalization of multiple depths soil temperature estimation using LSTM and CNN
Notice bibliographique
Résumé
Accurate estimation of soil temperature (ST) as a key factor in soil physical, hydrological, chemical, and biological processes is essential in agriculture and Earth system science. Different machine learning methods have been used in previous studies in ST estimation and have gained remarkable progress. However, such studies are not only rare due to the scarce multi-depth ST data, but also the used modeling approaches are prone to modeling errors nor generalization, especially at deeper depths. The main purpose of this study was to assess generalizability of trained deep learning model in multi-depth ST estimation in different land covers, climates and soils. In this regard, this study aimed to improve the accuracy of multiple depths ST estimation in multi-feature-temporal modeling of LSTM (Long Short-Term Memory) and variable-based modeling of CNN (Convolutional Neural Network). Applicability of trained DL model in multiple depths ST time series estimation of other regions with same condition was evaluated to assess its generalization potential. Daily time series of meteorological and soil data at depths of 5, 10, 20, 50 and 100 cm were gathered from 14 stations of U.S. Climate Reference Network with various land covers, climates and soils. The results indicated that estimation of ST with time series of meteorological parameters + ST (of each soil depth or upper depth) performed best with <5 % error in almost all regions and soil depths. Evaluation of the generalization potential revealed that in different land cover or climate of two stations with same soil, same range of air temperature of two stations led to accurate ST estimation in the monitoring station based on the trained model from the main station. LSTM model performed superior than CNN model at different soil depths with considerable improved accuracy in deeper depths. Therefore, LSTM model was highly recommended to estimate ST at different soil depths.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».