Downscaling SMOS/SMAP soil moisture product using high resolution Radarsat-2 SAR data: a case study in southern Ontario
Notice bibliographique
Résumé
Soil moisture is a key component in the water cycle. Continuous observations of soil moisture over large spatial scales are important in many earth sciences applications. Current soil moisture products derived from SMOS and SMAP satellites can provide global coverage with 2-3 days cycle but have very coarse resolutions (~40 km), which limits the soil moisture products in many applications where a resolution of 1-10 km is generally needed. SAR imagery is available at high resolution and has high sensitivity to soil moisture. However the soil moisture retrieval from SAR depends on high volume of in-situ soil moisture data and is also complicated by their sensitivity to surface roughness and vegetation. This study proposes an algorithm for retrieving high resolution soil moisture by downscaling SMOS/SMAP soil moisture products using time series dual-polarized (HH and HV) Radarsat-2 data. The approach can overcome the effect of vegetation, surface roughness, and change of scales. Specifically, the effect of vegetation is removed by the water-cloud model, in which the conditions of vegetation are characterized by the backscatter coefficient of Radarsat-2 HV polarization. Time series Radarsat-2 data is used to eliminate the dependence of backscattered signal on soil surface roughness. Different mathematical models including wavelet transform are used for scale change. The algorithm is validated using in-situ soil moisture data collected in Southern Ontario in the spring and summer of 2016. The study shows promising results in soil moisture retrieval over large area.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».