Mapping near‐surface soil moisture with RADARSAT‐1 synthetic aperture radar data
Notice bibliographique
Résumé
An approach for mapping near‐surface soil moisture at the watershed scale from RADARSAT‐1 synthetic aperture radar (SAR) data was developed and tested on seven RADARSAT‐1 SAR images acquired over the northern portion of the Châteauguay River Basin in southwestern Quebec, Canada, dominated by agricultural and herbaceous fields. A soil surface roughness map was first retrieved from a SAR image by inverting an empirical backscatter model with known (or assumed) soil moisture. The resulting map was then used with the backscatter model to recover near‐surface soil moisture for the remaining SAR images. Field campaigns were conducted concurrent to SAR image acquisitions to measure soil moisture and surface roughness in 24 fields. Good agreement was observed between watershed‐scale soil moisture values and measurements averaged for all sampled fields, with a correlation coefficient of 0.96 and an RMS error of 2.2%. However, considerable scatter was found between observed and SAR‐derived soil moisture estimates at the field scale. Although the generated maps reveal reasonable small‐scale soil moisture variability, no definitive conclusions could be drawn as to whether or not the proposed approach can quantify soil moisture at the field or within field scale due to insufficient ground measurements. Furrows and herbaceous and crop vegetation, which are known to affect the radar signal, appeared to have little influence on the ability to retrieve soil moisture at the watershed scale for the images analyzed in this study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».