MétaCan
Menu
Retour à la cohorte
Enregistrement W2547541371 · doi:10.1109/igarss.2016.7729431

Polarimetric decomposition of C-band SAR data for soil moisture retrieval over agricultural fields

2016· article· en· W2547541371 sur OpenAlexaff
Hongquan Wang, Ramata Magagi, Kalifa Goı̈ta

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Moisture and Remote Sensing
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésPolarimetryRemote sensingScatteringSurface roughnessSynthetic aperture radarC bandMoistureWater contentL bandEnvironmental scienceSoil sciencePhysicsMeteorologyGeologyOpticsGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Considering the surface roughness at C-band which is beyond the physically validity range of Bragg and X-Bragg scattering model, this study investigates the extension of polarimetric decomposition from L- to C- band for soil moisture retrieval over vegetated agricultural fields. The volume scattering component is first removed from the full polarimetric SAR data, then the Oh 1992 model is used to retrieve the soil moisture from the remaining coherency matrix, instead of Bragg or X-Bragg model. The proposed method is evaluated using the time series of RADARSAT-2 data and simultaneous ground measurements collected in the framework of SMAPVEX12 (Soil Moisture Active Passive Validation Experiment in 2012). A low dihedral scattering mechanism less than 5% was found for the whole investigated period due to the weak penetration depth of microwave at C-band. Thus the remaining ground matrix is mainly dominated by the surface scattering mechanism. Finally, the proposed method can retrieve the soil moisture of the fields covered by canola, corn and soybean, except for the wheat fields. An overall RMSE of 0.07 m3/m3is obtained, indicating the potential of C-band polarimetric decomposition for soil moisture retrieval.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,260
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoil Moisture and Remote SensingTravaux en français237 207