Estimating Root Zone Soil Moisture at Continental Scale Using Neural Networks
Notice bibliographique
Résumé
Abstract This study investigates the feasibility of artificial neural networks (ANNs) to retrieve root zone soil moisture (RZSM) at the depths of 20 cm (SM20) and 50 cm (SM50) at a continental scale, using surface information. To train the ANNs to capture interactions between land surface and various climatic patterns, data of 557 stations over the continental United States were collected. A sensitivity analysis revealed that the ANNs were able to identify input variables that directly affect the water and energy balance in root zone. The data important for RZSM retrieval in a large area included soil texture, surface soil moisture, and the cumulative values of air temperature, surface soil temperature, rainfall, and snowfall. The results showed that the ANNs had high skill in retrieving SM20 with a correlation coefficient above 0.7 in most cases, but were less effective at estimating SM50. The comparison of the ANNs showed that using soil texture data improved the model performance, especially for the estimation of SM50. It was demonstrated that the ANNs had high flexibility for applications in different climatic regions. The method was used to generate RZSM in North America using Soil Moisture and Ocean Salinity (SMOS) soil moisture data, and achieved a spatial soil moisture pattern comparable to that of Global Land Data Assimilation System Noah model with comparable performance to the SMOS surface soil moisture retrievals. The models can be efficient alternatives to assimilate remote sensing soil moisture data for shallow RZSM 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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».