一种数据驱动的方法来构建土壤储水能力的概况
Jiang Zhou1,2, Ciprian Briciu-Burghina2,3, Fiona Regan2,3
1School of Electronic Engineering, Dublin City University, D09 DXA0 Dublin, Ireland.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
一种新的机器学习方法使用神经网络和气象数据估计了土壤的储水能力. 这种数据驱动的方法为传统的土壤监测提供了可扩展和方便的替代方案.
科学领域:
- 土壤科学 土壤科学
- 水文学的水文学
- 机器学习 机器学习
背景情况:
- 土壤的储水能力对农业,碳捕获和土壤健康至关重要.
- 在规模上估计土壤的储水能力是具有挑战性的,因为影响因素复杂.
- 传统的方法在大规模,高分辨率的估计中扎.
研究的目的:
- 开发一种机器学习方法,用于估计土壤储水能力的概况.
- 利用土壤水分作为捕捉影响因素及其相互作用的代理.
- 提供数据驱动,可扩展和方便的方法来评估土壤的储水能力.
主要方法:
- 一个神经网络模型被设计用于从气象数据中估计土壤水分.
- 用土壤湿度作为代理来隐式学习影响土壤储水能力的因素.
- 神经网络的内部向量被调整为表示土壤储水能力配置文件.
主要成果:
- 这种方法可以方便地大规模估计土壤的储水能力,并具有高分辨率.
- 在土壤湿度估计中达到0.0307 m3/m3的平均根平均平方偏差.
- 证明有效的异常检测和地点聚类,使用土壤储水能力的载体配置文件.
结论:
- 拟议的数据驱动方法为土壤储水能力估计提供了一个可扩展和具有成本效益的替代方案.
- 以多维向量形状表示土壤的储水能力,提供了比单个值更丰富的信息.
- 矢量表示方便先进的土壤分析技术,如聚类.
