Potential of bias correction for downscaling passive microwave and soil moisture data
Notice bibliographique
Résumé
Abstract Passive microwave satellites such as Soil Moisture and Ocean Salinity or Soil Moisture Active Passive observe brightness temperature (TB) and retrieve soil moisture at a spatial resolution greater than most hydrological processes. Bias correction is proposed as a simple method to disaggregate soil moisture to a scale more appropriate for hydrological applications. Temporal stability of soil moisture and TB was demonstrated at the Little Washita and Little River Experimental Watersheds using in situ observations and the Community Microwave Emissions Model. Decomposition of the mean square difference (MSD) between the watershed average soil moisture and TB showed that bias was a major contributor to differences between watershed average and local‐scale soil moisture and TB, particularly at sites with high MSD. The mean RMSD between watershed average and local soil moisture was 0.04 m 3 m −3 and 0.06 m 3 m −3 at Little River and Little Washita, respectively. Following a simple bias correction the RMSD was reduced to 0.03 m 3 m −3 at both sites. Considering multiple incidence angles at both horizontal and vertical polarization, bias correction of watershed average TB V reduced the RMSD by approximately 75% and 45% and TB H RMSD by 68% and 36% for Little River and Little Washita, respectively, at all incidence angles. Therefore, at subsatellite grid scale, bias correction can be considered a viable technique for downscaling passive microwave observations and soil moisture retrievals.
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 | 0,001 |
| 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 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 ».