Applying <scp>LSTM</scp> to Model Multi‐Depth Soil Moisture Under Various Land Covers, Climates and Soils
Notice bibliographique
Résumé
ABSTRACT Accurate estimation of multi‐depth/profile soil moisture (SM) is required for sustainable water management in agriculture and hydrology. However, monitoring SM is costly and labour‐intensive, and only limited soil depths can be instrumented with soil moisture sensors. Therefore, various numerical simulation and data assimilation techniques have been used in multi‐depth soil moisture estimation. Machine learning (ML) has also gained popularity in SM estimation due to its ease of use and robustness, although proper handling of ML models also requires expertise and experience. However, the applicability of ML to estimate time series of multi‐depth SM under different land uses is mainly limited by the choice of ML models and the availability of SM data. In addition, the reliability of the trained model remains unknown when it is applied to different locations. Therefore, the objective of this study was to evaluate the widely used Long Short‐Term Memory (LSTM) model to estimate multi‐depth SM under different land covers, climates, and soils. A minimum of 10 years' daily meteorological and soil data at multiple depths were collected from six U.S. Climate Reference Network (USCRN) stations with different land covers and various climates and soils. These data were used to train the LSTM model and optimize its input parameters. Performance of the trained LSTM model was evaluated for multi‐depth SM estimation at two other “monitoring” stations with similar conditions. SM modeling at shallow depths (e.g., 5, 10 and 20 cm) was most accurate (< 10% mean absolute percent error, MAPE) with precipitation and antecedent time series of SM as inputs, while the best SM estimates at deeper depths (e.g., 50 and 100 cm) were attained with antecedent SM time series as the input. Generation of the trained LSTM model from one station to other stations emphasized on the similar soil and land cover conditions. It is hoped that this research would provide better understandings of multi‐depth SM modeling and offer new insights improving profile SM modeling accuracy for un‐instrumented sites.
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 | 0,000 |
| 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 | 0,001 | 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 ».