Evaluating the influence of surface soil moisture and soil surface roughness on optical directional reflectance factors
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
Summary Fine‐scale information on soil surface roughness ( SSR ) is needed for calculating heat budgets, monitoring soil degradation and parameterizing surface runoff and sediment transfer models. Previous work has demonstrated the potential of using hyperspectral, hemispherical conical reflectance factors ( HCRF s) to retrieve the SSR of different soil crusting states. However, this was achieved by using dry soil surfaces, generated in controlled laboratory conditions. The primary aim of this study was therefore to test the impact that in situ variations in surface soil moisture ( SSM ) content had on the ability of directional reflectance factors to characterize SSR conditions. Five soil plots (20 cm × 20 cm in area) representing different agricultural conditions were subjected to different durations of natural rainfall to produce a range of different levels of SSR . The values of SSM varied from 8.7 to 20.1% across all soil plots. Point laser data (4‐mm sample spacing) were geostatistically analysed to give a spatially‐distributed measure of SSR , giving sill variance values from 3.2 to 23.0. The HCRF s from each soil state were measured using a ground‐based hyperspectral spectroradiometer for a range of viewing zenith angles from extreme forward‐scatter ( θ r = −60°) to extreme back‐scatter ( θ r = +60°) at a 10° sampling resolution in the solar principal plane. The results showed that despite a large range of SSM values, forward‐scattered reflectance factors exhibited a very strong relationship with SSR ( R 2 = 0.84 at θ r = −60°). Our findings demonstrate the operational potential of HCRF s for providing spatially‐distributed SSR measurements, across spatial extents containing spatio‐temporal variations in SSM content.
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 | 0,004 | 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 | 0,000 |
| 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