Quantitative effects of soil organic matter on thermal conductivity modeling
Notice bibliographique
Résumé
• A large dataset consists of 1569 measurements from 208 soil samples was compiled. • Sensitivity of 15 models and 5 soil organic matter (SOM) levels were evaluated. • The normalized model is optimal for predicting thermal conductivity (λ). • λ is largely dependent on bulk density and water content. • The effect of SOM on λ modeling is minimal with SOM content ≤ 2.5 %. Soil thermal conductivity ( λ ) is a crucial parameter for energy transfer between the land and the atmosphere. An increasing number of studies have noted that changes in soil organic matter content ( ϕ som ) considerably influence λ . However, only a few studies have focused on quantifying the effects of soil organic matter (SOM) on λ modeling. In this study, the performances of 15 λ models that consider the effects of SOM were evaluated based on a compiled dataset consisting of 1569 measurements from 208 soils (0 %≤ ϕ som ≤40 %, mass content). Two random forest-based explainable artificial intelligence models, Shapley additive explanations (SHAP) and permutation importance (PI), were also applied to assess the SOM effects. The results showed that the model developed from normalizing Kersten function had the best prediction accuracy because of its realistic function types and parameter settings. The models of Johansen (1975), Balland and Arp (2005), Su et al. (2016), and Yan et al. (2019) performed the best, with NSE ≥ 0.71 and RMSE ≤ 0.3 W m -1 K -1 . Moreover, PI and SHAP demonstrate that the effect of SOM on λ is nonlinear, and the influence of SOM should be considered when ϕ som >2.5 %. There is a strong interaction between SOM and bulk density when ϕ som >2.5 %, significantly influencing λ .
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 ».