Predicting Soil Moisture Content Using Physics-Informed Neural Networks (PINNs)
摘要：近地表土壤含水量等环境条件是物体检测问题中的宝贵信息。然而，如果没有主动感知，通常无法以必要的规模获得此类信息。理查兹方程是一个描述非饱和土壤入渗过程的偏微分方程 (PDE)。求解理查兹方程可以得到有关土壤体积含水量、水力传导率和毛细管压力头的信息。然而，由于理查兹方程的非线性，它很难近似。有限差分法 (FDM) 和有限元法 (FEM) 等数值求解器是近似理查兹方程解的常规方法。但此类数值求解器在实时使用时非常耗时。物理信息神经网络 (PINN) 是依赖物理方程近似解的神经网络。一旦经过训练，这些网络就可以快速输出近似值。因此，PINN 在数值 PDE 社区中引起了广泛关注。该项目旨在将
2023 年计划委员会主席的客座帖子：Nicole Megow（APPROX）和 Adam Smith（RANDOM）第 27 届国际随机化和计算研讨会 (RANDOM 2023) 和第 26 届组合优化问题近似算法国际研讨会 (APPROX 2023) 将于 2023 年 9 月 11 日至 13 日在美国佐治亚州亚特兰大亲自举行。RANDOM 2023 专注于随机性在计算和组合问题中的应用，而 APPROX 2023 则专注于与开发计算难题的有效近似解有关的算法和复杂性理论问题。重要日期：提交：2023 年 5 月 4 日，18:00 EDT（UTC-4）通知：2023 年 6 月 26
