Soil surface moisture estimation over a semi-arid region using ENVISAT ASAR radar data for soil evaporation evaluation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. The present paper proposes a method for the evaluation of soil evaporation, using soil moisture estimations based on radar satellite measurements. We present firstly an approach for the estimation and monitoring of soil moisture in a semi-arid region in North Africa, using ENVISAT ASAR images, over two types of vegetation covers. The first mapping process is dedicated solely to the monitoring of moisture variability related to rainfall events, over areas in the "non-irrigated olive tree" class of land use. The developed approach is based on a simple linear relationship between soil moisture and the backscattered radar signal normalised at a reference incidence angle. The second process is proposed over wheat fields, using an analysis of moisture variability due to both rainfall and irrigation. A semi-empirical model, based on the water-cloud model for vegetation correction, is used to retrieve soil moisture from the radar signal. Moisture mapping is carried out over wheat fields, showing high variability between irrigated and non-irrigated wheat covers. This analysis is based on a large database, including both ENVISAT ASAR and simultaneously acquired ground-truth measurements (moisture, vegetation, roughness), during the 2008–2009 vegetation cycle. Finally, a semi-empirical approach is proposed in order to relate surface moisture to the difference between soil evaporation and the climate demand, as defined by the potential evaporation. Mapping of the soil evaporation is proposed.
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle