The weak performance of the other PTFs could be related to the fact that the mountain soils of the basin are rich in 2:1 clay and high stoniness, which were not used as independent variables for PTFs to estimate the WR-33kPa. The inclusion of the rock fragment volume could have the better results. This was slightly higher than the R2of the Urach's PTF.
Results showed that the Urach's PTF presented the best performance in relation to the others and could be used to estimate WR-33kPain soils of Caramacate River basin. The performance of all evaluated PTFs was compared with a PTF generated for the study area. The work was carried out in the Caramacate River, an area of high interest because the frequent landslides worsen the quality of drinking water. The present work shows a comparison of different widely used PTFs to estimate water content at-33 kPa (WR-33kPa) in high stoniness soils. An alternative is the use of pedotransfer functions (PTFs), as models to predict these properties from readily available data. However, its measurement consumes time and, in the case of stony soils, the presence of stones difficult to determinate the water content. Soil water content is a key property in the study of water available for plants, infiltration, drainage, hydraulic conductivity, irrigation, plant water stress and solute movement. El cambio de uso del suelo de terrenos forestales a cultivos agrícolas modifica la capacidad de un Andosol para retener humedad. De acuerdo a los resultados, la FPT que presentó la mayor capacidad de predicción para la estimación del contenido de agua fue la de Rawls y Brakensiek.
La CC registró valores en un intervalo de 55.95 a 69.03 %, con un PMP entre 33.54 a 45.66 % en la profundidad 0 - 20 cm y de 40.99 a 62.02 %, con 25.27 a 36.89 % de PMP a una profundidad de 20 - 40 cm. Los resultados demuestran que existen diferencias significativas entre usos de suelo y tensiones. La curva de retención de humedad (CRH) se aplicó por medio del método de la placa y membrana de presión a distintas tensiones: 33 (CC) 50, 150, 500, 1 000 y 1 500 ( KPa), mediante extractores de placa en muestras recolectadas a dos profundidades (0-20 y 20-40 cm). La presente investigación tuvo por objetivos conocer el comportamiento de la capacidad de retención de humedad de un Andosol con presencia de diferentes usos de suelo: forestal y agrícola (aguacate convencional, aguacate orgánico y macadamia) determinar la capacidad de campo (CC), el punto de marchitez permanente (PMP) y el agua disponible (AD ) y validar seis funciones de pedotransferencia para CC y PMP. Por ejemplo: Determinar si existe o no relacin entre el. loc, param_grid = param_grid, lags_grid = lags_grid, steps = 7, refit = False, metric = mean_pinball_loss_q10, initial_train_size = int ( len ( data_train )), fixed_train_size = False, return_best = True, verbose = False ) results_grid_q90 = grid_search_forecaster ( forecaster = forecaster_q90, y = data. El objetivo es analizar como las variables independientes afectan a las variables dependientes.
Intervalos de predicción utilizando bootstrapping de los residuos ¶Įl error en la predicción del siguiente valor de una serie ( one-step-ahead forecast) se define como $e_t = y_t - \hat # Lags utilizados como predictores lags_grid = results_grid_q10 = grid_search_forecaster ( forecaster = forecaster_q10, y = data. Intervalos de predicción basados en regresión cuantílica para un modelo de tipo direct-multi-step forecaster. Intervalos de predicción basados en bootstrapping para un modelo de tipo recursive-multi-step forecaster. Para ilustrar cómo la librería skforecast permite estimar intervalos de predicción en modelos de forecasting multi-step se intenta predecir la demanda de energía para un horizonte de 7 días. Cuando no se puede asumir esta propiedad, dos alternativas comúnmente utilizadas son el bootstrapping y la regresión cuantílica. Más formalmente, un intervalo de predicción define el intervalo dentro del cual se espera encontrar el verdadero valor de la variable respuesta con una determinada probabilidad.Įxisten múltiples formas de estimar intervalos de predicción en modelos de forecasting, la mayoría de las cuales requieren que los residuos (errores) del modelo sigan una distribución normal.
Este tipo de forecasting proporciona información muy valiosa ya que permite crear intervalos de predicción, es decir, el rango de valores donde es más probable que pueda estar el valor real. Aunque conocer de antemano el valor esperado de una serie temporal es útil en casi todos los casos de negocio, este tipo de predicción no proporciona información sobre la confianza del modelo ni sobre la incertidumbre de sus predicciones.Įl forecasting probabilístico, a diferencia del point-forecasting, es una familia de técnicas que permiten predecir la distribución esperada de la variable respuesta en lugar de un único valor puntual. Al tratar de anticipar valores futuros de una serie temporal, la mayoría de los modelos de forecasting intentan predecir cuál será el valor más probable, esto se llama point-forecasting.
0 kommentar(er)
