Mapping Soil Moisture Using RADARSAT-2 Data and Local Autocorrelation Statistics
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
The purpose of this study is to evaluate the capability of surface radar backscatter models to estimate soil moisture over agricultural fields from fully polarimetric RADARSAT-2 C-band synthetic aperture radar (SAR) responses. For validation purposes, ground measurements over 44 sampling sites in eastern Ontario, Canada were carried out in the spring of 2008 simultaneously with satellite data acquisitions. Soil moisture retrieval was accomplished using two semi-empirical scattering models (Dubois and Oh) and the SAR image backscatter. Discrepancies between measured radar backscatter coefficients and those predicted by the models were previously reported, requiring correction factors to reduce biases associated with these semi-empirical approaches. Soil moisture was estimated by explicitly solving the two backscatter equations of the Dubois model, and using a look-up table (LUT) approach applied to the Oh model. Results showed that the Oh model in a cross-polarization (HH-HV) and Dubois in a co-polarization (HH-VV) inversion scheme provide the best estimates. These model configurations were implemented to produce multi-date soil moisture maps for the eastern Ontario site. To expand the range of validity of these soil moisture estimates, the maps produced by the Dubois and Oh models were uniquely combined. These estimates of absolute soil moisture were then used to derive spatial patterns of near-surface moisture content using the Getis statistic. The Getis statistic maps provide meaningful spatial information, demonstrating the potential of combining the Getis statistic and RADARSAT-2 data in predicting soil moisture conditions.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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