.png){kind=icon}
返回
Non-Linear Models for Assessing Soil Moisture Estimation
.png){kind=icon}
OA
AI
DOI：10.3390/horticulturae11050492.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在不进行直接测量的情况下准确估计土壤湿度（SM）存在显著挑战，这主要由于气象变量的非线性相互作用以及土壤湿度对降水的滞后响应。本研究评估了两种方法：用于提前一天土壤湿度预测的自回归积分滑动平均（ARIMA）模型，以及基于K均值聚类的多层感知器（K-MLP）模型，用于在长白山地区5 cm、20 cm和50 cm深度进行实时土壤湿度估计。尽管K-MLP模型优于MLP模型，达到最高R²值为0.728，但其估计精度仍不理想。相比之下，ARIMA模型有效利用了土壤湿度的持续性，实现了高精度的一日提前预测。具体而言，ARIMA (0, 1, 6)、ARIMA (1, 1, 2)和ARIMA (2, 1, 1)模型在5 cm、20 cm和50 cm深度分别获得R²值为0.9677、0.9853和0.9684，以及均方根误差（RMSE）值为0.02 m³m⁻³、0.015 m³m⁻³和0.006 m³m⁻³。本研究探讨了ARIMA模型在短期土壤湿度预测中的鲁棒性及其对动态气象条件的适应性，为农业水资源管理和生态监测提供了潜在应用。
Keyword:
soil moisture estimation
auto-regressive integrated moving average
multilayer perceptron
K-means clustering
期刊
H
IF:
3
论文数:
7.5K
被引数:
1.2W
机构
引用论文
Hydrology-Soil-Vegetation Element Interactions in the Largest Single-Port Artesian Irrigation Area of Asia.png)
LANDOAAI
LANDIF3.2
OAAI分享收藏A novel local-global dependency deep learning model for soil mapping一种新的局部-全局依赖深度学习土壤制图模型GEODERMA
OAAI
GEODERMAIF6.6
OAAI分享收藏Soil moisture dynamics within soil profiles and associated environmental controls土壤剖面内的土壤水分动态和相关的环境控制CATENA
CATENAIF5.7
PREAI
分享收藏Evaluating Downscaling Factors of Microwave Satellite Soil Moisture Based on Machine Learning MethodOAAI
OAAI分享收藏
查看更多内容