An inversion method based on multi-angular approaches for estimating bare soil surface parameters from RADARSAT-1
Notice bibliographique
Résumé
Abstract. The radar signal recorded by earth observation (EO) satellites is sensitive to soil moisture and surface roughness, which both influence the onset of runoff. This paper focuses on inversion of these parameters using a multi-angular approach based on RADARSAT-1 data with incidence angles of 35° and 47° (in mode S3 and S7). This inversion was performed with three backscatter models: Geometrical Optics Model (GOM), Oh Model (OM), and Modified Dubois Model (MDM), which were compared to obtain the best configuration. Mean absolute errors of 1.23, 1.12, and 2.08 cm for roughness expressed in rms height and for dielectric constant, mean absolute errors of 2.46 – equal to 3.88 (m3 m−3) in volumetric soil moisture, – 4.95 – equal to 8.72 (m3 m−3) in volumetric soil moisture – and 3.31 – equal to 6.03 (m3 m−3) in volumetric soil moisture – were obtained for the MDM, GOM, and OM simulation, respectively. These results indicate that the MDM provided the most accurate data with minimum errors. Therefore, the latter inversion algorithm was applied to images, and the final results are presented in two different maps showing pixel and homogeneous zones for surface roughness and soil moisture.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».