Comparación de Rendimiento de Diferentes Modelos de Distribución de Tamaño de Partícula en la Predicción de las Características del Tamaño de Partícula del Suelo
Autores: Zhang, Hao; Wang, Chong; Chen, Zhengyan; Kang, Qingyu; Xu, Xiaohua; Gao, Tianpeng
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Comparación de Rendimiento de Diferentes Modelos de Distribución de Tamaño de Partícula en la Predicción de las Características del Tamaño de Partícula del Suelo
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Distribución del tamaño de partículas
Propiedades del suelo
Modelo matemático
Capacidad de predicción
Clases de textura
Puntos no muestreados
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La distribución del tamaño de partículas (PSD) es una rica fuente de información sobre las propiedades del suelo, incluyendo la graduación del suelo y las características del tamaño de las partículas del suelo. Este artículo comparó la capacidad de predicción de la PSD de tres tipos de modelos matemáticos. Seleccionamos nueve modelos que han demostrado predecir con precisión los puntos de muestra en estudios anteriores, y ajustamos 144 piezas de datos experimentales en 12 clases de textura de muestras de suelo de la base de datos UNSODA. Comparamos la capacidad de los modelos para predecir puntos no muestreados, lo cual es importante para predecir las características del tamaño de las partículas del suelo. Se estudió la capacidad de cada modelo para predecir puntos no muestreados de diferentes clases de textura de suelo utilizando un método de clasificación integral. Las diferencias relativas en la predicción de los modelos de puntos no muestreados de diferentes clases de textura de suelo se analizaron utilizando el método de error relativo. Los resultados mostraron que no había una correlación considerable entre el número de parámetros del modelo y la precisión de la predicción. Para las diversas clases de textura de suelo, el modelo Skaggs y el modelo Weipeng tuvieron la mayor precisión en la predicción de puntos no muestreados, y el modelo Skaggs tuvo el rango de aplicación más amplio. El modelo Zhongling y el modelo Weibull fueron mejores en la predicción de solo una clase de textura de suelo, respectivamente. El modelo Fredlund, el modelo Kolve, el modelo Rosin, el modelo Van Genuchten y el modelo Best no fueron tan exitosos como otros modelos. El modelo Weipeng sobreestimó la proporción de masa de partículas sólidas, mientras que el modelo Skaggs la subestimó cuando el contenido de partículas de arcilla era mayor al 20%. Tanto el modelo Weipeng como el modelo Skaggs demostraron buena precisión de predicción cuando el tamaño de las partículas estaba dentro del rango de tamaño de partículas de limo. El modelo Skaggs sobreestimó la proporción de masa de partículas, mientras que el modelo Weipeng la subestimó cuando el tamaño de las partículas estaba dentro del rango de tamaño de partículas de arena.
Descripción
La distribución del tamaño de partículas (PSD) es una rica fuente de información sobre las propiedades del suelo, incluyendo la graduación del suelo y las características del tamaño de las partículas del suelo. Este artículo comparó la capacidad de predicción de la PSD de tres tipos de modelos matemáticos. Seleccionamos nueve modelos que han demostrado predecir con precisión los puntos de muestra en estudios anteriores, y ajustamos 144 piezas de datos experimentales en 12 clases de textura de muestras de suelo de la base de datos UNSODA. Comparamos la capacidad de los modelos para predecir puntos no muestreados, lo cual es importante para predecir las características del tamaño de las partículas del suelo. Se estudió la capacidad de cada modelo para predecir puntos no muestreados de diferentes clases de textura de suelo utilizando un método de clasificación integral. Las diferencias relativas en la predicción de los modelos de puntos no muestreados de diferentes clases de textura de suelo se analizaron utilizando el método de error relativo. Los resultados mostraron que no había una correlación considerable entre el número de parámetros del modelo y la precisión de la predicción. Para las diversas clases de textura de suelo, el modelo Skaggs y el modelo Weipeng tuvieron la mayor precisión en la predicción de puntos no muestreados, y el modelo Skaggs tuvo el rango de aplicación más amplio. El modelo Zhongling y el modelo Weibull fueron mejores en la predicción de solo una clase de textura de suelo, respectivamente. El modelo Fredlund, el modelo Kolve, el modelo Rosin, el modelo Van Genuchten y el modelo Best no fueron tan exitosos como otros modelos. El modelo Weipeng sobreestimó la proporción de masa de partículas sólidas, mientras que el modelo Skaggs la subestimó cuando el contenido de partículas de arcilla era mayor al 20%. Tanto el modelo Weipeng como el modelo Skaggs demostraron buena precisión de predicción cuando el tamaño de las partículas estaba dentro del rango de tamaño de partículas de limo. El modelo Skaggs sobreestimó la proporción de masa de partículas, mientras que el modelo Weipeng la subestimó cuando el tamaño de las partículas estaba dentro del rango de tamaño de partículas de arena.