Estimation of soil parameters over bare agriculture areas from C-band polarimetric SAR data using neural networks
Notice bibliographique
Résumé
Abstract. The purpose of this study was to develop an approach to estimate soil surface parameters from C-band polarimetric SAR data in the case of bare agricultural soils. An inversion technique based on multi-layer perceptron (MLP) neural networks was introduced. The neural networks were trained and validated on a noisy simulated dataset generated from the Integral Equation Model (IEM) on a wide range of surface roughness and soil moisture, as it is encountered in agricultural contexts for bare soils. The performances of neural networks in retrieving soil moisture and surface roughness were tested for several inversion cases using or not using a-priori knowledge on soil parameters. The inversion approach was then validated using RADARSAT-2 images in polarimetric mode. The introduction of expert knowledge on the soil moisture (dry to wet soils or very wet soils) improves the soil moisture estimates, whereas the precision on the surface roughness estimation remains unchanged. Moreover, the use of polarimetric parameters α1 and anisotropy were used to improve the soil parameters estimates. These parameters provide to neural networks the probable ranges of soil moisture (lower or higher than 0.30 cm3 cm−3) and surface roughness (root mean square surface height lower or higher than 1.0 cm). Soil moisture can be retrieved correctly from C-band SAR data by using the neural networks technique. Soil moisture errors were estimated at about 0.098 cm3 cm−3 without a-priori information on soil parameters and 0.065 cm3 cm−3 (RMSE) applying a-priori information on the soil moisture. The retrieval of surface roughness is possible only for low and medium values (lower than 2 cm). Results show that the precision on the soil roughness estimates was about 0.7 cm. For surface roughness lower than 2 cm, the precision on the soil roughness is better with an RMSE about 0.5 cm. The use of polarimetric parameters improves only slightly the soil parameters estimates.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».