FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2027160099> ?p ?o ?g. }

• W2027160099 endingPage "33" @default.
• W2027160099 startingPage "21" @default.
• W2027160099 abstract "In the context of a growing demand of high-resolution spatial soil information for environmental planning and modeling, fast and accurate prediction methods are needed to provide high-quality digital soil maps. Thus, this study focuses on the development of a methodology based on artificial neural networks (ANN) that is able to spatially predict soil units. Within a test area in Rhineland-Palatinate (Germany), covering an area of about 600 km2, a digital soil map was predicted. Based on feed-forward ANN with the resilient backpropagation learning algorithm, the optimal network topology was determined with one hidden layer and 15 to 30 cells depending on the soil unit to be predicted. To describe the occurrence of a soil unit and to train the ANN, 69 different terrain attributes, 53 geologic-petrographic units, and 3 types of land use were extracted from existing maps and databases. 80% of the predicted soil units (n = 33) showed training errors (mean square error) of the ANN below 0.1, 43% were even below 0.05. Validation returned a mean accuracy of over 92% for the trained network outputs. Altogether, the presented methodology based on ANN and an extended digital terrain-analysis approach is time-saving and cost effective and provides remarkable results. Digitale Bodenkartierung mithilfe von Künstlichen Neuronalen Netzen Vor dem Hintergrund einer steigenden Nachfrage nach hoch auflösenden bodenkundlichen Flächeninformationen für die Umweltplanung und Modellierung werden schnelle und genaue Vorhersagemodelle benötigt, um hochqualitative Bodenprognosekarten zur Verfügung stellen zu können. Kernpunkt der hier vorgestellten Untersuchung ist daher die Entwicklung einer Methodik zur Erstellung von Bodenprognosekarten auf der Grundlage Künstlicher Neuronaler Netze (KNN). Als Untersuchungsgebiet diente eine Fläche von über 600 km2 im Pfälzer Wald. Vorwärts propagierende KNN auf Basis des “Resilent Backpropagation“-Algorithmus mit einer verdeckten Schicht aus 15 bis 30 Zellen erwiesen sich als optimal für die Prognose von Bodenformengesellschaften. Um das Auftreten einer Bodenformengesellschaft zu beschreiben und die KNN zu trainieren, wurden 69 Reliefparameter, 3 Nutzungsklassen sowie 53 geologisch-petrographische Einheiten verwendet. 80 % der vorhergesagten Bodenformengesellschaften (n = 33) zeigten Trainingsfehler (mittlerer quadratischer Fehler der KNN) von unter 0,1; 43 % sogar von unter 0,05. Die Validierung ergab Genauigkeiten in dem kartierten Gesamtraum von durchschnittlich über 92 % für die prognostizierten Bodenformengesellschaften. Zusammenfassend kann festgehalten werden, dass die vorgestellte Methodik auf der Basis von KNN und einer umfangreichen Digitalen Reliefanalyse einen zeit- und kosteneffektiven Ansatz zur Prognose von Bodenkarten darstellt, der hervorragende Ergebnisse liefern kann." @default.
• W2027160099 created "2016-06-24" @default.
• W2027160099 creator A5007682081 @default.
• W2027160099 creator A5025710951 @default.
• W2027160099 creator A5064583089 @default.
• W2027160099 creator A5065698378 @default.
• W2027160099 creator A5076541747 @default.
• W2027160099 creator A5088398482 @default.
• W2027160099 date "2005-02-01" @default.
• W2027160099 modified "2023-09-27" @default.
• W2027160099 title "Digital soil mapping using artificial neural networks" @default.
• W2027160099 cites W126936368 @default.
• W2027160099 cites W1980868588 @default.
• W2027160099 cites W1981646498 @default.
• W2027160099 cites W1983513512 @default.
• W2027160099 cites W1990863955 @default.
• W2027160099 cites W1998589764 @default.
• W2027160099 cites W2032075694 @default.
• W2027160099 cites W2037308434 @default.
• W2027160099 cites W2054325787 @default.
• W2027160099 cites W2080976015 @default.
• W2027160099 cites W2088757276 @default.
• W2027160099 cites W2092678860 @default.
• W2027160099 cites W2110865012 @default.
• W2027160099 cites W2117259148 @default.
• W2027160099 cites W2119534769 @default.
• W2027160099 cites W2128075723 @default.
• W2027160099 cites W2129961764 @default.
• W2027160099 cites W2131107724 @default.
• W2027160099 cites W2141756128 @default.
• W2027160099 cites W2157563912 @default.
• W2027160099 cites W2766736793 @default.
• W2027160099 cites W2899466218 @default.
• W2027160099 cites W2964203840 @default.
• W2027160099 cites W4230874054 @default.
• W2027160099 cites W4242294120 @default.
• W2027160099 cites W4299101042 @default.
• W2027160099 doi "https://doi.org/10.1002/jpln.200421414" @default.
• W2027160099 hasPublicationYear "2005" @default.
• W2027160099 type Work @default.
• W2027160099 sameAs 2027160099 @default.
• W2027160099 citedByCount "190" @default.
• W2027160099 countsByYear W20271600992012 @default.
• W2027160099 countsByYear W20271600992013 @default.
• W2027160099 countsByYear W20271600992014 @default.
• W2027160099 countsByYear W20271600992015 @default.
• W2027160099 countsByYear W20271600992016 @default.
• W2027160099 countsByYear W20271600992017 @default.
• W2027160099 countsByYear W20271600992018 @default.
• W2027160099 countsByYear W20271600992019 @default.
• W2027160099 countsByYear W20271600992020 @default.
• W2027160099 countsByYear W20271600992021 @default.
• W2027160099 countsByYear W20271600992022 @default.
• W2027160099 countsByYear W20271600992023 @default.
• W2027160099 crossrefType "journal-article" @default.
• W2027160099 hasAuthorship W2027160099A5007682081 @default.
• W2027160099 hasAuthorship W2027160099A5025710951 @default.
• W2027160099 hasAuthorship W2027160099A5064583089 @default.
• W2027160099 hasAuthorship W2027160099A5065698378 @default.
• W2027160099 hasAuthorship W2027160099A5076541747 @default.
• W2027160099 hasAuthorship W2027160099A5088398482 @default.
• W2027160099 hasConcept C105795698 @default.
• W2027160099 hasConcept C127313418 @default.
• W2027160099 hasConcept C139945424 @default.
• W2027160099 hasConcept C151730666 @default.
• W2027160099 hasConcept C154945302 @default.
• W2027160099 hasConcept C155032097 @default.
• W2027160099 hasConcept C159390177 @default.
• W2027160099 hasConcept C159750122 @default.
• W2027160099 hasConcept C161840515 @default.
• W2027160099 hasConcept C175202392 @default.
• W2027160099 hasConcept C177973122 @default.
• W2027160099 hasConcept C205649164 @default.
• W2027160099 hasConcept C2779343474 @default.
• W2027160099 hasConcept C33923547 @default.
• W2027160099 hasConcept C39432304 @default.
• W2027160099 hasConcept C41008148 @default.
• W2027160099 hasConcept C50644808 @default.
• W2027160099 hasConcept C58640448 @default.
• W2027160099 hasConcept C71864017 @default.
• W2027160099 hasConcept C98359873 @default.
• W2027160099 hasConceptScore W2027160099C105795698 @default.
• W2027160099 hasConceptScore W2027160099C127313418 @default.
• W2027160099 hasConceptScore W2027160099C139945424 @default.
• W2027160099 hasConceptScore W2027160099C151730666 @default.
• W2027160099 hasConceptScore W2027160099C154945302 @default.
• W2027160099 hasConceptScore W2027160099C155032097 @default.
• W2027160099 hasConceptScore W2027160099C159390177 @default.
• W2027160099 hasConceptScore W2027160099C159750122 @default.
• W2027160099 hasConceptScore W2027160099C161840515 @default.
• W2027160099 hasConceptScore W2027160099C175202392 @default.
• W2027160099 hasConceptScore W2027160099C177973122 @default.
• W2027160099 hasConceptScore W2027160099C205649164 @default.
• W2027160099 hasConceptScore W2027160099C2779343474 @default.
• W2027160099 hasConceptScore W2027160099C33923547 @default.
• W2027160099 hasConceptScore W2027160099C39432304 @default.
• W2027160099 hasConceptScore W2027160099C41008148 @default.
• W2027160099 hasConceptScore W2027160099C50644808 @default.

• next