MétaCan
Menu
Retour à la cohorte
Enregistrement W2983780102 · doi:10.1109/igarss.2019.8899007

Seasonal Dependence of SMAP Radiometer-Based Soil Moisture Performance as Observed Over Core Validation Sites

2019· article· en· W2983780102 sur OpenAlexaff
Andreas Colliander, Heather McNairn, M. Thibeault, José Martínez‐Fernández, Karsten H. Jensen, Jun Asanuma, M. S. Seyfried, David D. Bosch, Patrick J. Starks, Chandra Holifield Collins, John H. Prueger, Thomas J. Jackson, Zhongbo Su, Simon Yueh, S. Chan, Peggy O’Neill, Rajat Bindlish, Michael H. Cosh, Todd G. Caldwell, Jeffrey P. Walker, Aaron Berg

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Moisture and Remote Sensing
Établissements canadiensUniversity of GuelphAgriculture and Agri-Food Canada
Organismes subventionnairesCalifornia Institute of TechnologyJet Propulsion LaboratoryNational Aeronautics and Space Administration
Mots-clésEnvironmental scienceRadiometerBrightness temperatureWater contentVegetation (pathology)Remote sensingMoistureMicrowave radiometerAtmospheric sciencesRadiometryMicrowaveClimatologyMeteorologyGeologyGeographyComputer science

Résumé

récupéré en direct d'OpenAlex

The NASA SMAP (Soil Moisture Active Passive) mission provides a global coverage of soil moisture measurements based on its L-band microwave radiometer every 2-3 days at about 40 km resolution. The soil moisture retrieval algorithms model the brightness temperature as a function of soil moisture, surface conditions and vegetation. External data sources inform the algorithms about the surface conditions and vegetation, which enable the retrieval of soil moisture. The inversion process contains uncertainties related to radiometer measurements, forward model assumptions and ancillary data sources. This study focuses on the uncertainties that depend on the seasonal evolution of the surface conditions and vegetation. The study compares the SMAP and core validation site (CVS) soil moisture values over a period of four years to extract the evolution of performance metrics over time. The analysis showed that most CVS that include managed agriculture exhibit significant time-dependent seasonal bias. This bias was linked to seasonal temperature cycle, which is a proxy to several features that can cause seasonally dependent errors in the SMAP product.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,231
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoil Moisture and Remote SensingTravaux en français237 207