Die Studie präsentiert einen physikbasierten tiefen Lernansatz (P-DL) zur Modellierung der Bodenfeuchtedynamik. Der Ansatz integriert die etablierte Richards-Gleichung und empirische Bodenfeuchtemessungen in ein neuronales Netzwerk, um die nichtlinearen Beziehungen zwischen Ort, Zeit und Druckpotenzial zu lernen.
Drei gängige Optimierungsverfahren (Adam, RMSProp, Gradientenabstieg) werden verglichen, um den Verlust der P-DL-Methode zu minimieren. Die Ergebnisse zeigen, dass der Adam-Optimierer mit Vollbatch-Training die beste Leistung erbringt. Er konvergiert schnell, liefert die genauesten Vorhersagen für Druckpotenzial und Bodenwassergehalt und schätzt die Boden-Wasserkennlinien am besten.
Der P-DL-Ansatz mit Adam-Optimierung kann die Bodenfeuchtedynamik effektiv rekonstruieren, indem er die physikalischen Prinzipien und Sensormessungen nutzt. Dies ist von großer Bedeutung für Anwendungen wie präzise Bewässerung und Landwirtschaft.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Jianxin Xie,... at arxiv.org 03-14-2024
https://arxiv.org/pdf/2403.08154.pdfDeeper Inquiries