Retrieving Surface Soil Moisture over Wheat and Soybean Fields during Growing Season Using Modified Water Cloud Model from Radarsat-2 SAR Data
Notice bibliographique
Résumé
Surface soil moisture (SSM) retrieval over agricultural fields using synthetic aperture radar (SAR) data is often obstructed by the vegetation effects on the backscattering during the growing season. This paper reports the retrieval of SSM from RADARSAT-2 SAR data that were acquired over wheat and soybean fields throughout the 2015 (April to October) growing season. The developed SSM retrieval algorithm includes a vegetation-effect correction. A method that can adequately represent the scattering behavior of vegetation-covered area was developed by defining the backscattering from vegetation and the underlying soil individually to remove the effect of vegetation on the total SAR backscattering. The Dubois model was employed to describe the backscattering from the underlying soil. A modified Water Cloud Model (MWCM) was used to remove the effect of backscattering that is caused by vegetation canopy. SSM was derived from an inversion scheme while using the dual co-polarizations (HH and VV) from the quad polarization RADARSAT-2 SAR data. Validation against ground measurements showed a high correlation between the measured and estimated SSM (R2 = 0.71, RMSE = 4.43 vol.%, p < 0.01), which suggested an operational potential of RADARSAT-2 SAR data on SSM estimation over wheat and soybean fields during the growing season.
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 | 0,000 |
| 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 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 ».