Soil Moisture Monitoring in a Temperate Peatland Using Multi-Sensor Remote Sensing and Linear Mixed Effects
Notice bibliographique
Résumé
The purpose of this research was to use empirical models to monitor temporal dynamics of soil moisture in a peatland using remotely sensed imagery, and to determine the predictive accuracy of the approach on dates outside the time series through statistically independent validation. A time series of seven Moderate Resolution Imaging Spectroradiometer (MODIS) and Synthetic Aperture Radar (SAR) images were collected along with concurrent field measurements of soil moisture over one growing season, and soil moisture retrieval was tested using Linear Mixed Effects models (LMEs). A single-date airborne Light Detection and Ranging (LiDAR) survey was incorporated into the analysis, along with temporally varying environmental covariates (Drought Code, Time Since Last Rain, Day of Year). LMEs allowed repeated measures to be accounted for at individual sampling sites, as well as soil moisture differences associated with peatland classes. Covariates provided a large amount of explanatory power in models; however, SAR imagery contributed to only a moderate improvement in soil moisture predictions (marginal R2 = 0.07; conditional R2 = 0.7, independently validated R2 = 0.36). The use of LMEs allows for a more accurate characterization of soil moisture as a function of specific measurement sites, peatland classes and measurement dates on model strength and predictive power. For intensively monitored peatlands, SAR data is best analyzed in conjunction with peatland Class (e.g., derived from an ecosystem classification map) to estimate the spatial distribution of surface soil moisture, provided there is a ground-based monitoring network with a sufficiently fine spatial and temporal resolution to fit the LME models.
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».