Combining Machine Learning and Compact Polarimetry for Estimating Soil Moisture from C-Band SAR Data
Notice bibliographique
Résumé
This research aimed at exploiting the joint use of machine learning and polarimetry for improving the retrieval of surface soil moisture content (SMC) from synthetic aperture radar (SAR) acquisitions at C-band. The study was conducted on two agricultural areas in Canada, for which a series of RADARSAT-2 (RS2) images were available along with direct measurements of SMC from in situ stations. The analysis confirmed the sensitivity of RS2 backscattering (σ°) to SMC. The comparison of SMC with the compact polarimetry (CP) parameters, computed from the RS2 acquisitions by the CP data simulator, pointed out that some CP parameters had a sensitivity to SMC equal or better than σ°, with correlation coefficients up to R ≃ 0.4. Based on these results, the potential of machine learning (ML) for SMC retrieval was exploited by implementing and testing on the available data an artificial neural network (ANN) algorithm. The algorithm was implemented using several combinations of σ° and CP parameters. Validation results of the algorithm with in situ observations confirmed the promising capabilities of the ML techniques for SMC monitoring. Furthermore, results pointed out the potential of CP in improving the SMC retrieval accuracy, especially when used in combination with linearly polarized σ°. Depending on the considered input combination, the ANN algorithm was able to estimate SMC with Root Mean Square Error (RMSE) between 3% and 7% of SMC and R between 0.7 and 0.9.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».