Soil Moisture Retrieval from MODIS and AMSRE Satellite Data A Case Study of Sindh Province, Pakistan
Notice bibliographique
Résumé
Sindh province has diverse agro-climatological regions ranging from irrigated agricultural belt in the middle and desert to the east and bare hilly ranges on the west. Climate of the province is semi-arid with low annual precipitation of around 200mm. Agriculture and agribusiness is the main source of livelihood for majority in the province. Soil moisture study is an important parameter in agriculture, hydrology and hydrometeorology for studies related to sustainable development of agriculture and agribusiness in the province. In agriculture, soil moisture is used to study evapotranspiration, droughts, irrigation scheduling, and crop yield forecasting. It is also important for the environmental studies like subsequent precipitation patterns, temperature change and water quality. Soil moisture plays an important role in hydrology e.g., flood control, soil erosion and slope failure, reservoir management, geotechnical engineering and runoff generation. Due to synoptic coverage and high temporal resolution satellite remote sensing is ideal for instantaneous measurement of soil moisture content and its spatial and temporal behavior. In this study soil moisture at province level has been mapped through Advanced Microwave Scanning Radiometer (AMSR-E) and Moderate Resolution Imaging Spector Radiometer (MODIS) for the years 2007 and 2010. As 2007 was as normal year while 2010 was a wet year due to heavy rainfall and flood in the province, both the years have been selected to study soil moisture anomalies in normal and wet seasons. The results of MODIS derived soil moisture is in moderate agreement with AMSR-E soil moisture product proving the effectiveness of high resolution products in optical range.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».