使用基于气象数据的机器学习范式,对不同深度的土壤温度进行估计

科学领域:

• 环境科学 环境科学
• 农业科学 农业科学
• 数据科学数据科学数据科学

背景情况:

• 土壤温度 (ST) 对于了解环境条件,气候变化影响和农业生产率至关重要,影响作物生长和种子发芽.
• 准确的ST监测对于有效的土地管理和气候建模至关重要.

研究的目的:

• 使用机器学习 (ML) 模型,在多个深度 (5,15和30厘米) 估计每日土壤温度 (ST).
• 为了比较四个ML范式的性能:随机森林 (RF),辐射基神经网络 (RBNN),多层感知神经网络 (MLPNN) 和协作神经模糊推理系统 (CANFIS).

主要方法:

• 使用的气象数据包括平均空气温度 (Tmean),相对湿度 (RH),风速 (WS) 和明亮的阳光小时 (SSH).
• 采用了马测试 (GT) 来选择每个土壤深度的输入变量的最佳组合.
• 使用诸如平均绝对误差 (MAE),根平均平方误差 (RMSE),分散指数 (SI),效率系数 (COE),皮尔森相关系数 (PCC) 和协议指数 (IOA) 等指标评估模型性能.

主要成果:

• 在所有土壤深度中,CANFIS模型实现了最高的准确性.
• 在CANFIS中,错误率很低 (MAE:0.788-0.806°C,RMSE:0.854-1.074°C) 和一致度很高 (COE:0.985-0.986,PCC:0.993-0.995,IOA:0.996-0.998).在CANFIS中,错误率也很低,但也很高.
• 该研究证实了气象参数作为ST估计模型输入的有效性.

结论:

• 使用Tmean,RH,WS和SSH的CANFIS模型具有很高的能力,可以在各种深度准确地估计每天的土壤温度.
• 这些发现为土壤温度预测提供了可靠的方法,支持农业和环境监测工作.
• 机器学习方法为分析复杂的环境数据和提高预测准确性提供了强大的工具.