Using SAR-Derived Vegetation Descriptors in a Water Cloud Model to Improve Soil Moisture Retrieval
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.
Notice bibliographique
Résumé
The water cloud model (WCM) is a widely used radar backscatter model applied to SAR images to retrieve soil moisture over vegetated areas. The WCM needs vegetation descriptors to account for the impact of vegetation on SAR backscatter. The commonly used vegetation descriptors in WCM, such as Leaf Area Index (LAI) and Normalized Difference Vegetation Index (NDVI), are sometimes difficult to obtain due to the constraints in data availability in in-situ measurements or weather dependency in optical remote sensing. To improve soil moisture retrieval, this study investigates the feasibility of using all-weather SAR derived vegetation descriptors in WCM. The in-situ data observed at an agricultural crop region south of Winnipeg in Canada, RapidEye optical images and dual-polarized Radarsat-2 SAR images acquired in growing season were used for WCM model calibration and test. Vegetation descriptors studied include HV polarization backscattering coefficient ( σ H V ° ) and Radar Vegetation Index (RVI) derived from SAR imagery, and NDVI derived from optical imagery. The results show that σ H V ° achieved similar results as NDVI but slightly better than RVI, with a root mean square error of 0.069 m3/m3 and a correlation coefficient of 0.59 between the retrieved and observed soil moisture. The use of σ H V ° can overcome the constraints of the commonly used vegetation descriptors and reduce additional data requirements (e.g., NDVI from optical sensors) in WCM, thus improving soil moisture retrieval and making WCM feasible for operational use.
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 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 découle