XiaoMi-AI文件搜索系统
World File Search System土壤水分
基于机器学习的高分辨率土壤水分映射和时空分析：MLHRSM包装
摘要：土壤水分是关键的环境变量。缺乏软件来促进非专家在估算和分析领域的土壤水分时。本研究提出了一个新的开源R包MHRSM，可用于生成基于机器学习的高分辨率（每天30至500 m，每天到每月）土壤水分图和在0-5 cm和0-1 m的连续美国所选地点的不确定性估计。该模型基于分位数随机森林算法，集成了原位土壤传感器，卫星来源的土地表面参数（植被，地形和土壤），以及基于卫星的表面和根Zone土壤水分的卫星模型。它还提供了用于生成土壤水分图的空间和时间分析的功能。提供了一个案例研究，以证明每天在70 ha农作物领域每天生成30 m至每周土壤水分图的功能，然后进行空间 - 周期分析。
利用智能农业中的时间序列基础模型进行土壤水分预测
最新的自然语言基础模型和计算机视觉基础模型的激增促进了各个领域的创新。受到这一进展的启发，我们探讨了基础模型在智能农业中预测的时间序列的潜力，这是一个经常受到有限数据可用性困扰的领域。具体来说，这项工作提出了一种新的TimeGPT应用，TimeGPT是一种最先进的时间序列基础模型，以预测土壤水潜力（𝜓土壤），这是通常用于灌溉建议的现场水状态的关键指标。传统上，此任务依赖于各种输入变量。我们探索了TimeGPT预测土壤的能力：（𝑖）零拍设置，（𝑖𝑖）仅依靠历史性𝜓土壤测量值的微调设置，以及（𝑖𝑖𝑖）微调的设置，我们还为模型添加了外源变量。我们将TimeGPT的性能与已建立的SOTA基线模型进行了比较，以预测土壤。我们的结果表明，TimeGPT仅使用历史𝜓土壤数据实现竞争性预测准确性，从而强调了其在农业应用中的显着潜力。这项研究通过实现传统上依赖广泛的数据收集和领域实验的预测任务，为农业可持续发展的基础时间序列模型铺平了道路。
研究文章研究超吸收性聚合物对土壤水分和植物生长的影响
随着气候变化继续影响环境，干旱管理在农业食品生产中变得更加至关重要。农民现在正在寻找易于应用的替代干旱管理方法。从这个意义上讲，在本研究中，提出了超吸收性聚合物（SAP）作为替代性土壤调节和干旱管理工具。在土壤调节和植物生长促进方面，通过不同的土壤类型和极端的干旱条件来测试开发的SAP的效率，至少有4个重复进行了长期的土壤和温室实验。使用小麦作为模型植物，通过4种不同的生长指标来监测植物的生长。植物生长指标表明，在不同的干旱条件下，使用不同量的SAP，使用不同量的SAP提高了干物质，尖峰长度和谷物产量，最多可提高24％，而11.6％的植物产量提高了11.6％。这项研究阐明了超吸收聚合物在农业中使用的和示例性的研究，并在剂量调整和理解这些类型的聚合物中的干旱剂量关系中有用。
摘要：土壤水分是水资源管理，农业和灾难预测的关键参数。不同的方法用于ES
摘要：土壤水分是水资源管理，农业和灾难预测的关键参数。不同的方法用于估计土壤水分。因此，本文的目的是系统地回顾遥感模型和工具，用于使用不同的学者的方法及其性能来估算区域的表面土壤水分（SM）含量。对先前研究的调查强调了一些一般领域，并探索了土壤水分估计的RS方法，重点是主动传感器和被动传感器。研究还讨论了不同技术的原理，优势和局限性。但是，有些关键领域覆盖不足，需要关注。结果，本系统的审查论文通过评估其技术和方法，其性能评估级别（确定系数r），对RS SM估计模型和工具进行了广泛的比较评估，该模型可以正常执行的环境以及在该论文中进行改进SM预测的已知机器学习模型所考虑的基本参数。doi：https：//dx.doi.org/10.4314/jasem.v29i1.39许可证：CC-BY-4.0开放访问政策：Jasem发表的所有文章都是开放式的，均为开放式，免费下载，复制，重新分发，重新分发，翻译，翻译和阅读。版权策略：©2025。作者保留了版权和授予Jasem首次出版的权利。只要引用了原始文章，就可以在未经许可的情况下重复使用本文的任何部分。（2025）。J. Appl。将本文列为：Yamakili，P; Nicholaus，先生； Greyson，K。A.对遥感预测模型和用于估计区域表面土壤水分含量的工具的系统审查。SCI。 环境。 管理。 29（1）327-334日期：收到：2024年10月22日；修订：2024年11月20日；接受：2024年12月28日；发布：2025年1月31日关键字：土壤水分；遥感;模型；表现;预测土壤水分（SM）是在农业，环境科学和水文学等领域发挥作用的重要因素之一。 例如，在农业中，SM是监测农业活动，预测自然灾害并管理灌溉水供应的重要参数（Chadha等，2018;Muñoz-Carpena等，2007; Panuska等，2007; Panuska等，2015，2015年）SM与作物的出现和生长和生长，作物和生产力（CHADHA）也有着良好的关系。 有关SM内容的精确和实时信息对于各种应用程序至关重要，包括干旱监测，洪水预测，作物SCI。环境。管理。29（1）327-334日期：收到：2024年10月22日；修订：2024年11月20日；接受：2024年12月28日；发布：2025年1月31日关键字：土壤水分；遥感;模型；表现;预测土壤水分（SM）是在农业，环境科学和水文学等领域发挥作用的重要因素之一。例如，在农业中，SM是监测农业活动，预测自然灾害并管理灌溉水供应的重要参数（Chadha等，2018;Muñoz-Carpena等，2007; Panuska等，2007; Panuska等，2015，2015年）SM与作物的出现和生长和生长，作物和生产力（CHADHA）也有着良好的关系。有关SM内容的精确和实时信息对于各种应用程序至关重要，包括干旱监测，洪水预测，作物
蒸发需求，土壤水分和闪光干旱的下午预测技能从连续美国的两个动态模型
摘要：闪存干旱正在迅速发展中季气候极端事件，这些事件突然降低了土壤水分，这是由于蒸发需求增加和/或持续的降水所驱动的。在连续美国的每个气候区域（conus）中，我们评估了每周根区域土壤水分（RZSM）的预测技能，蒸发需求（et o）和相关的泛烟（FD）索引（FD）索引（FD）索引（FD）索引，源自两个动态模型[GODDARD EARKENT SYSTEM MODEL SYSTEM V2P1（GEOS-VP1）foref and Geos-V2P1（Geos-V2p1（Geos-V2p1）（Geos-V2p1（Geos-V2p1））在2000年至2019年之间针对三个参考数据集之间的亚季节实验（SUBX）项目中：现代时代的研究和应用版本2版（MERRA-2），北美土地数据同化系统，第2阶段（NLDAS-2）和GEFSV12重新分析。ET O及其在第1周的强迫变量具有中度至高度的异常相关系数（ACC）技能（; 0.70 - 0.95）（;除了下降短波辐射以外），到第3-4周，所有强制变量（ACC，0.5）的预性能较低。RZSM（0 - 100 cm）在高平原，西，西部，中西部和南方区域的领先第1周（; 0.7 - 0.85 ACC）中表现出高技能。当针对GEFSV12重新分析时，对MERRA-2和NLDAS-2和ACC的技能较低时，与MERRA-2和ACC的技能相比，第3-4周至0.5的技能仍然较低。gefsv12分析尚未针对原位观察结果进行评估，并且与NLDAS-2相比，RZSM隔离差异很大，我们的分析识别GEFSV12重新质量预测极限，这可以最大程度地实现ACC； RZSM第3和第4周之间的RZSM预测为0.6。对主要FD事件的分析表明，GEFSV12的重新记录不一致地捕获了有助于FD发作的大气和RZSM异常的正确位置，这表明需要改善动态模型的同化和初始化程序以提高亚季节性FD可预测性。
关于土地表面水文方案在模拟每日最大和
气候系统包括多种互动组件，例如大气，生物圈，水圈，冰冻圈和地质。这些成分在从几天，季节和数年到数千年到具有复杂反馈机制的多个时间尺度相互作用。尤其是，研究水文周期很重要，因为气候变化对水周期预算的影响很大，例如降水，土壤水分，表面和地下表面径流以及蒸散量（Bouraoui等人 2004; Imbach等。 2012;艾伦等。 2020）。 回报，水文循环通过将水蒸气转移到大气中影响气候系统。 关于土壤水分的，还可以通过将总降水作为输入，径流和总反应作为输出来检查水文周期（Peng等人。 2019; Pereira等。 2020）。 此外，水文循环与表面能平衡之间存在直接联系，并最终与表面气候之间存在直接联系，因为太阳辐射通过裸露的土壤和植被的蒸发从地球表面到大气的垂直转移到大气中（Siler等人。2004; Imbach等。2012;艾伦等。2020）。回报，水文循环通过将水蒸气转移到大气中影响气候系统。，还可以通过将总降水作为输入，径流和总反应作为输出来检查水文周期（Peng等人。2019; Pereira等。2020）。此外，水文循环与表面能平衡之间存在直接联系，并最终与表面气候之间存在直接联系，因为太阳辐射通过裸露的土壤和植被的蒸发从地球表面到大气的垂直转移到大气中（Siler等人。2018）。由于土地表面条件在区域表面气候建模时的重要性；几项研究讨论了各种土地表面模型版本之间的比较。在重现平均空气温度和总表面降水方面，社区土地模型3.5版（CLM3.5； Oleson等人（2017）。2008）优于生物圈 - 大气转移系统（BAT； Dickinson等人。1993）如Steiner等人报道。 （2009），Wang等。 （2015）和Maurya等。 此外，当涉及建模平均空气温度和总降水时，社区土地模型4.5版（CLM4.5； Oleson等人 2013）的表现比蝙蝠方案更好（Maurya等人 2017; Chung等。 2018）。 土壤水分在控制气候系统中起着重要作用，尤其是在半干旱和干旱地区，占全球40％的地区（Reynolds等人 2007）。 对控制土壤水分变异性的因素至关重要（Srivastava等人。 2021a）。 此外，土壤水分源自生理和生物地球化学过程，例如植物蒸腾和光合作用（Seneviratne等人。 2010; Lemoine＆Budny 2022）。 的陆地膨胀面（或区域气候模型； RCMS）被认为是研究表面气候/陆地碳浮动对土壤水分变化的反应的重要工具。 例如，Lei等人。 （2014）使用了社区土地模型1993）如Steiner等人报道。（2009），Wang等。 （2015）和Maurya等。 此外，当涉及建模平均空气温度和总降水时，社区土地模型4.5版（CLM4.5； Oleson等人 2013）的表现比蝙蝠方案更好（Maurya等人 2017; Chung等。 2018）。 土壤水分在控制气候系统中起着重要作用，尤其是在半干旱和干旱地区，占全球40％的地区（Reynolds等人 2007）。 对控制土壤水分变异性的因素至关重要（Srivastava等人。 2021a）。 此外，土壤水分源自生理和生物地球化学过程，例如植物蒸腾和光合作用（Seneviratne等人。 2010; Lemoine＆Budny 2022）。 的陆地膨胀面（或区域气候模型； RCMS）被认为是研究表面气候/陆地碳浮动对土壤水分变化的反应的重要工具。 例如，Lei等人。 （2014）使用了社区土地模型（2009），Wang等。（2015）和Maurya等。此外，当涉及建模平均空气温度和总降水时，社区土地模型4.5版（CLM4.5； Oleson等人2013）的表现比蝙蝠方案更好（Maurya等人2017; Chung等。2018）。土壤水分在控制气候系统中起着重要作用，尤其是在半干旱和干旱地区，占全球40％的地区（Reynolds等人2007）。 对控制土壤水分变异性的因素至关重要（Srivastava等人。 2021a）。 此外，土壤水分源自生理和生物地球化学过程，例如植物蒸腾和光合作用（Seneviratne等人。 2010; Lemoine＆Budny 2022）。 的陆地膨胀面（或区域气候模型； RCMS）被认为是研究表面气候/陆地碳浮动对土壤水分变化的反应的重要工具。 例如，Lei等人。 （2014）使用了社区土地模型2007）。对控制土壤水分变异性的因素至关重要（Srivastava等人。2021a）。此外，土壤水分源自生理和生物地球化学过程，例如植物蒸腾和光合作用（Seneviratne等人。2010; Lemoine＆Budny 2022）。的陆地膨胀面（或区域气候模型； RCMS）被认为是研究表面气候/陆地碳浮动对土壤水分变化的反应的重要工具。例如，Lei等人。（2014）使用了社区土地模型
全球风暴中的较弱的土地 - 大气耦合 -
关于土壤水分 - 预应反馈的迹象的争论仍然开放。一方面，使用全球粗分辨率气候模型的研究发现了强烈的积极反馈。但是，这样的模型不能明确表示对流。另一方面，使用KM规模的区域气候模型和明确对流的研究报告了负反馈。然而，在这种模型中规定了大规模的循环。这项研究使用具有明确对流的全局，耦合的模拟进行了重新审视土壤水分 - 沉淀反馈，并将结果与粗分辨率模拟与参数化对流进行了比较。我们发现，大多数要点的显着差异，反馈较弱且占据显式对流的负面差异。与粗分辨率模型相比，在存在土壤湿度异质性的情况下，在潮湿的方向上更经常在潮湿的状态下，在土壤水分异质性的情况下触发对流的模型。进一步的分析表明，不仅土壤水分和蒸散量之间的反馈，而且蒸散量和降水之间的反馈也较弱，与观察结果更好地一致。我们的发现表明，粗分辨率模型可能不太适合研究土地上气候变化的各个方面，例如干旱和热浪的变化。
Scinet通讯：2024年4月-USDA
目前，Duarte博士是在Alexander Herndez博士的指导下，在USDA-ARS草料和范围研究实验室工作的博士后研究员。efrain有兴趣评估在美国西部脆弱的半干旱生态系统中土壤水分的空间和时间动力学的不同恢复实践如何影响美国西部西部土壤水分的时空动态。为了实现这一目标，Duarte博士正在开发尖端的生态数据集，同时用卫星衍生的土壤水分校准时间序列，并使用现场数据和多光谱传感器在船上未占用的航空车辆（UAVS）。Duarte博士正在实施将本地服务器地理空间工作流程转换为高性能计算集群的翻译。这项活动将有效地弥合USDA-ARS科学家的差距，并支持员工专门使用开源软件将当地的地理空间分析迁移到Scinet。
天空实验室 L 波段微波辐射计对土壤的观测...
摘要。在为未来的 L 波段被动微波土壤水分卫星任务做准备时，研究人员使用了地面、飞机和卫星传感器。在卫星传感器中，只有一种仪器在 L 波段提供任何遗产：20 世纪 70 年代运行的 Skylab S-194 仪器。在这里找到并恢复了来自 S-194 的数据集。这些 Skylab 任务的数据已在少数应用中进行了分析和报告，但是，这些研究使用了有限的验证，并且仅利用了收集到的部分数据。在本次调查中，我们探索了使用气候模型再分析项目的产品作为辅助或替代验证数据。分析表明，再分析输出不准确，价值有限。使用基于辐射传输的土壤水分检索算法进行的测试与可用于验证的观测结果相匹配。这些结果支持使用这种方法作为工具来了解更广泛的植被条件对土壤水分检索的影响。
