A changepoint approach to modelling non-stationary soil moisture dynamics
用变点方法刻画非平稳土壤水分动态AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究非平稳时间序列及干燥过程的结构变点，方法对应时间序列与结构变化方向，但应用对象是土壤水分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用变点方法刻画非平稳土壤水分动态
- 研究问题
- 随着土壤水分观测变得更密集、更长期，如何自动识别干燥过程的结构变化，并同时估计传统上依靠人工分段获得的干燥参数？
- 方法与思路
- 作者提出变点方法联合识别干燥过程变化与估计参数，通过模拟检验表现，并将方法用于 NEON 小时序列，讨论协变量与惩罚学习。
- 材料陈述的贡献
- 摘要称，该方法恢复了此前人工识别的关系，并提供土壤类型和地点之间时间变异的新见解，同时减少人工分段的需求。
- 阅读关注点
- 应核对分段模型、变点与参数的联合目标、惩罚选择，以及模拟中的变化类型和真实数据中降雨等过程如何被处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未说明变点检测条件、参数误差或惩罚规则，不能据此判断其他序列上的表现。
原文摘要
Soil moisture dynamics provide an indicator of soil health that scientists model via drydown curves. The typical modelling process requires the soil moisture time series to be manually separated into drydown segments and then exponential decay models are fitted to them independently. Sensor development over recent years means that experiments that were previously conducted over a few field campaigns can now be scaled to months or years at a higher sampling rate. To better meet the challenge of increasing data size, this paper proposes a novel changepoint-based approach to automatically identify structural changes in the soil drying process and simultaneously estimate the drydown parameters that are of interest to soil scientists. A simulation study is carried out to demonstrate the performance of the method in detecting changes and retrieving model parameters. Practical aspects of the method such as adding covariates and penalty learning are discussed. The method is applied to hourly soil moisture time series from the NEON data portal to investigate the temporal dynamics of soil moisture drydown. We recover known relationships previously identified manually, alongside delivering new insights into the temporal variability across soil types and locations.