MétaCan
Menu
Retour à la cohorte
Enregistrement W2740614026 · doi:10.1175/jhm-d-17-0063.1

Assessment of the SMAP Level-4 Surface and Root-Zone Soil Moisture Product Using In Situ Measurements

2017· article· en· W2740614026 sur OpenAlexafffund
Rolf H. Reichle, Gabriëlle De Lannoy, Qing Liu, J. Ardizzone, Andreas Colliander, Austin Conaty, Wade T. Crow, Thomas J. Jackson, L. A. Jones, John S. Kimball, Randal D. Koster, Sarith Mahanama, Edmond B. Smith, Aaron Berg, Simone Bircher, David D. Bosch, Todd G. Caldwell, Michael H. Cosh, Ángel González‐Zamora, Chandra D. Holifield Collins, Karsten H. Jensen, Stan Livingston, Ernesto López-Baeza, José Martínez‐Fernández, Heather McNairn, Mahta Moghaddam, Anna Pacheco, Thierry Pellarin, John H. Prueger, Tracy Rowlandson, M. S. Seyfried, Patrick J. Starks, Zhongbo Su, M. Thibeault, R. van der Velde, Jeffrey P. Walker, Xiaoling Wu, Yijian Zeng

Notice bibliographique

RevueJournal of Hydrometeorology · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Moisture and Remote Sensing
Établissements canadiensAgriculture and Agri-Food CanadaUniversity of Guelph
Organismes subventionnairesCanadian Space AgencyNational Centers for Environmental InformationGoddard Space Flight CenterNational Oceanic and Atmospheric AdministrationMonash UniversityAgricultural Research ServiceEnvironment and Climate Change CanadaU.S. Department of AgricultureNational Aeronautics and Space Administration
Mots-clésEnvironmental scienceWater contentMoistureDNS root zoneData assimilationRemote sensingSoil scienceStandard deviationAtmospheric sciencesSoil waterMeteorologyGeologyMathematicsGeography

Résumé

récupéré en direct d'OpenAlex

Abstract The Soil Moisture Active Passive (SMAP) mission Level-4 Surface and Root-Zone Soil Moisture (L4_SM) data product is generated by assimilating SMAP L-band brightness temperature observations into the NASA Catchment land surface model. The L4_SM product is available from 31 March 2015 to present (within 3 days from real time) and provides 3-hourly, global, 9-km resolution estimates of surface (0–5 cm) and root-zone (0–100 cm) soil moisture and land surface conditions. This study presents an overview of the L4_SM algorithm, validation approach, and product assessment versus in situ measurements. Core validation sites provide spatially averaged surface (root zone) soil moisture measurements for 43 (17) “reference pixels” at 9- and 36-km gridcell scales located in 17 (7) distinct watersheds. Sparse networks provide point-scale measurements of surface (root zone) soil moisture at 406 (311) locations. Core validation site results indicate that the L4_SM product meets its soil moisture accuracy requirement, specified as an unbiased RMSE (ubRMSE, or standard deviation of the error) of 0.04 m3 m−3 or better. The ubRMSE for L4_SM surface (root zone) soil moisture is 0.038 m3 m−3 (0.030 m3 m−3) at the 9-km scale and 0.035 m3 m−3 (0.026 m3 m−3) at the 36-km scale. The L4_SM estimates improve (significantly at the 5% level for surface soil moisture) over model-only estimates, which do not benefit from the assimilation of SMAP brightness temperature observations and have a 9-km surface (root zone) ubRMSE of 0.042 m3 m−3 (0.032 m3 m−3). Time series correlations exhibit similar relative performance. The sparse network results corroborate these findings over a greater variety of climate and land cover conditions.

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)0,004
score de la tête « metaresearch » (Gemma)0,006
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,006
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 savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,049
Tête enseignante GPT0,296
Écart entre enseignants0,247 · 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

Citations348
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of HydrometeorologyMême sujetSoil Moisture and Remote SensingTravaux en français237 207