Optimization approach to retrieve soil surface parameters from single-acquisition single-configuration SAR data
Notice bibliographique
Résumé
This study suggests a novel approach to the retrieval of soil surface parameters using a single-acquisition single-configuration synthetic-aperture radar (SAR) system. Soil surface parameters such as soil moisture and surface roughness are key elements for many environmental studies, including Earth surface water cycles, energy exchange, agriculture, and geology. Remote sensing techniques, especially SAR data, are commonly used to retrieve such soil surface parameters over large areas. Several backscattering models have been proposed for soil surface parameters retrieval from SAR data. However, commonly, these backscattering models require multi configuration SAR data, including multi-polarization, multi-frequency, and multi-incidence angle. Here we propose a methodology that employs single-acquisition single-configuration SAR data for the retrieval of soil surface parameters. The originality is to use single-acquisition single-configuration SAR data to retrieve the soil surface parameters using an optimization approach by the genetic algorithm (GA); we have used the modified Dubois model (MDM) in HH polarization as the backscattering model. Three HH polarization and C band data sets from Quebec (Radarsat-1), Ontario (SIR-C), and Oklahoma (AIRSAR) were analyzed. The retrieved values of soil moisture and soil surface roughness were then compared to ground truth measurements with corresponding parameters. We employed diverse criteria, including the mean absolute error (MAE), the root mean square error (RMSE), the coefficient of performance (CP), and the correlation coefficient to investigate the performance of the proposed methodology. This analysis suggests the capability of the GA for the retrieval of soil surface parameters. Based on our findings, this method presents a viable alternative approach to the retrieval of soil surface parameters when only single-acquisition single-configuration SAR data is available.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».