MétaCan
Menu
Retour à la cohorte
Enregistrement W2589687180 · doi:10.1109/tgrs.2017.2663768

A Time-Series Approach to Estimating Soil Moisture From Vegetated Surfaces Using L-Band Radar Backscatter

2017· article· en· W2589687180 sur OpenAlex
Jeffrey D. Ouellette, Joel T. Johnson, Anna Balenzano, Francesco Mattia, Giuseppe Satalino, Seung-Bum Kim, R. S. Dunbar, Andreas Colliander, Michael H. Cosh, Todd G. Caldwell, Jeffrey P. Walker, Aaron Berg

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueIEEE Transactions on Geoscience and Remote Sensing · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Moisture and Remote Sensing
Établissements canadiensUniversity of Guelph
Organismes subventionnairesAustralian Research CouncilJet Propulsion LaboratoryNational Aeronautics and Space Administration
Mots-clésRemote sensingRadarEnvironmental scienceBackscatter (email)Water contentRadiometerVegetation (pathology)ScatterometerSatelliteSynthetic aperture radarAncillary dataMeteorologySoil scienceComputer scienceGeologyGeography

Résumé

récupéré en direct d'OpenAlex

Many previous studies have shown the sensitivity of radar backscatter to surface soil moisture content, particularly at L-band. Moreover, the estimation of soil moisture from radar for bare soil surfaces is well-documented, but estimation underneath a vegetation canopy remains unsolved. Vegetation significantly increases the complexity of modeling the electromagnetic scattering in the observed scene, and can even obstruct the contributions from the underlying soil surface. Existing approaches to estimating soil moisture under vegetation using radar typically rely on a forward model to describe the backscattered signal and often require that the vegetation characteristics of the observed scene be provided by an ancillary data source. However, such information may not be reliable or available during the radar overpass of the observed scene (e.g., due to cloud coverage if derived from an optical sensor). Thus, the approach described herein is an extension of a change-detection method for soil moisture estimation, which does not require ancillary vegetation information, nor does it make use of a complicated forward scattering model. Novel modifications to the original algorithm include extension to multiple polarizations and a new technique for bounding the radar-derived soil moisture product using radiometer-based soil moisture estimates. Soil moisture estimates are generated using data from the Soil Moisture Active/Passive (SMAP) satellite-borne radar and radiometer data, and are compared with up-scaled data from a selection of <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">in situ</i> networks used in SMAP validation activities. These results show that the new algorithm can consistently achieve rms errors less than 0.07 m <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">3</sup> /m <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">3</sup> over a variety land cover types.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,858
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0030,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 GPT0,234
Écart entre enseignants0,220 · 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