view in publisher's site

Ensemble committee-based data intelligent approach for generating soil moisture forecasts with multivariate hydro-meteorological predictors

Soil moisture ( SM ) is a key component of the global energy cycle that regulates all domains of the natural environmental and the agricultural system. In this research, the challenge is to develop a low-cost data-intelligent SM forecasting model using climate dynamics (i.e., the climate indices, atmospheric and hydro-meteorological parameters) as the model inputs. A newly designed, multi-model ensemble committee machine learning approach based on the artificial neural network (ANN-CoM) is developed to forecast monthly upper layer (∼0.2 m from the surface) and the lower layer (∼0.2–1.5 m deep) SM at four agricultural sites in Australia’s Murray-Darling Basin. ANN-CoM model is validated with respect to non-tuned second-order Volterra, M5 model tree, random forest, and an extreme learning machine (ELM) models. To construct the ANN-CoM model, the input variables comprised of the hydro-meteorological data from the Australian Water Availability Project, large-scale climate indices and atmospheric parameters derived from the Interim ERA European Centre for Medium-Range Weather Forecasting ECMWF reanalysis fields leads to a total of 60 potential predictors used for SM forecasting. To reduce the model input data dimensionality for accurate forecasts, the Neighborhood Component Analysis (NCA) based feature selection algorithm for regression purposes ( fsrnca ) is applied to determine the relative feature weights related to the targeted variable. The optimal predictor variables are then screened with an ELM model as the fitness function of the fsrnca algorithm to identify the set of most pertinent model variables. Extensive performance evaluation using statistical score metrics with visual and diagnostic plots show that the ensemble committee based, ANN-CoM model is able to effectively capture the nonlinear dynamics involved in the modeling of monthly upper and lower layer SM levels. Therefore, the ANN-CoM multi-model ensemble-based approach can be considered to be a superior SM forecasting tool, portraying as an amicable, integrated (or ensemble) machine learning stratagem that can be explored for soil moisture modeling and applications in agriculture and other hydro-meteorological phenomena.

روش هوشمند داده مبتنی بر کمیته جامع برای تولید پیش‌بینی‌های رطوبت خاک با پیش‌بینی‌کننده‌های چند متغیره هواشناسی - آبی

رطوبت خاک (SM)یک جز کلیدی از چرخه انرژی جهانی است که تمام دامنه‌های محیط‌زیست طبیعی و سیستم کشاورزی را تنظیم می‌کند. در این تحقیق، چالش توسعه یک مدل پیش‌بینی هوشمند - داده کم‌هزینه SM با استفاده از دینامیک آب و هوا (به عنوان مثال، شاخص‌های آب و هوایی، پارامترهای جوی و آب و هواشناسی)به عنوان ورودی‌های مدل است. یک روش جدید و چند مدلی یادگیری ماشین کمیته گروهی براساس شبکه عصبی مصنوعی (ANN - CoM)برای پیش‌بینی لایه بالایی ماهانه (۰.۲ متر از سطح)و لایه پایینی (۰.۲ - ۱.۵ متر عمق)SM در چهار سایت کشاورزی در حوزه مورای - دارلینگ استرالیا توسعه داده شده‌است. مدل ANN - CoM با توجه به مدل‌های ولترا مرتبه دوم تنظیم نشده، درخت مدل M۵، جنگل تصادفی و یک ماشین یادگیری شدید (ELM)اعتبار سنجی شده‌است. برای ساخت مدل ANN - CoM، متغیرهای ورودی متشکل از داده‌های هواشناسی - آبی از پروژه دسترس پذیری آب استرالیا، شاخص‌های آب و هوایی در مقیاس بزرگ و پارامترهای جوی به‌دست‌آمده از مرکز اروپایی پیش‌بینی آب و هوای متوسط - دامنه ECMWF منجر به مجموع ۶۰ پیش‌بینی‌کننده بالقوه مورد استفاده برای پیش‌بینی SM می‌شود. به منظور کاهش ابعاد داده‌های ورودی مدل برای پیش‌بینی‌های دقیق، تحلیل مولفه همسایگی (NCA)مبتنی بر الگوریتم انتخاب ویژگی برای اهداف رگرسیون (fsrnca)برای تعیین وزن‌های ویژگی نسبی مربوط به متغیر هدف اعمال می‌شود. سپس متغیرهای پیش‌بینی‌کننده بهینه با یک مدل ELM به عنوان تابع تناسب الگوریتم fsrnca برای شناسایی مجموعه‌ای از متغیرهای مدل مناسب غربالگری می‌شوند. ارزیابی گسترده عملکرد با استفاده از معیارهای امتیاز آماری با نمودارهای بصری و تشخیصی نشان می‌دهد که مدل ANN - CoM مبتنی بر کمیته گروهی قادر است به طور موثر دینامیک غیر خطی درگیر در مدل‌سازی ماهانه سطوح SM لایه بالایی و پایینی را درک کند. بنابراین، روش مبتنی بر ترکیب چند مدلی ANN - CoM می‌تواند به عنوان یک ابزار پیش‌بینی SM برتر در نظر گرفته شود، که به عنوان یک استراتژی یادگیری ماشینی دوستانه، یکپارچه (یا گروهی)به تصویر کشیده می‌شود که می‌تواند برای مدل‌سازی رطوبت خاک و برنامه‌های کاربردی در کشاورزی و دیگر پدیده‌های آب و هواشناسی مورد بررسی قرار گیرد.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.