抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
作物水需要の正確な推定を行う情報を提供するので,土壌含水量(SWC)は農業における水資源の使用を最適化するのに重要な因子である。簡単なデータ要求を持つことをSWCを予測するための方法は最適潅がい計画,特に水不足条件の両方のもとで食品と水の安全問題を解決するために必要であることを種々の節水潅がい戦略を達成するために必要である。,水ストレス条件下でSWCデータの時系列をシミュレートするための,多重線形回帰(MLR),適応ニューロ-ファジィ推論システム(ANFIS)およびサポートベクトルマシン(SVM)を含む,物理ベース数値モデル,HYDRUS-2Dの有効性を比較した種々の機械学習モデルをデータセットを提供するために実施した二年間の圃場研究。SWCは2010年と2011年のトウモロコシの成長季節に移転可能開発権を用いてモニターした。大気パラメータ,積算成長度日(cGDD)と作物係数(K_c)としての作物因子としてパン蒸発量と平均空気温度,及び作物ストレス因子としての水不足(WD)および潅がい深さ(In)を含む六種の,簡単な,独立パラメータの八組合せを機械学習モデルにおけるSWCの推定を採用した。0.54 2 0.07mmの範囲の根平均二乗誤差(RMSE)を用いて,HYDRUS-2DはSWC推定のための1位にランクされ,cGDD,K_c,WDとInの入力データセットを用いたANFISとSVMモデルは1.27~1.9mmの範囲のRMSEsと平均バイアス誤差 0.07~0.27mmの次のランク付けであった。しかし,MLRモデルはSWC予測,主に灌漑プロセス下でのSWCの非線形変化のためにはうまくいかなかった。結果は単純な唯一の入力データを必要とするにもかかわらず,ANFISとSVMモデルは水分ストレス条件下でのSWC予測に使用できることは,データが不足していることが示した。しかし,プロセスベース数値モデルは疑いもなく必要なデータが利用可能である場合,より低い不確実性を有する,従って農業のための節水戦略を設計するためのとSWCの推定を必要とする他の環境応用のためのSWCを予測するためのより良い選択。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】