Evaluating soil moisture estimation from ground‐penetrating radar hyperbola fitting with respect to a systematic time‐domain reflectometry data collection in a boreal podzolic agricultural field
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
Abstract The upper 30 cm of the soil profile, which hosts the majority of the root biomass, can be considered as the shallow agricultural root zone of most temperate crops. The electromagnetic wave velocity in the soil obtained from reflection hyperbolas in ground‐penetrating radar (GPR) data can be used to estimate soil moisture (SM). Finding shallow hyperbolas in a radargram and minimizing the subjective error associated with the hyperbola fitting are the main challenges in this approach. Nevertheless, we were motivated by the recent improvements of hyperbola fitting algorithms, which can reduce the subjective error and processing time. To overcome the difficulty of finding very shallow hyperbolas, we applied the hyperbola fitting method to reflections ranging from 27‐ to 50‐cm depth using a 500‐MHz centre‐frequency GPR and compared the estimated moisture with vertically installed, 30‐cm‐long time‐domain reflectometry (TDR) sensors. We also compared TDR and GPR sample areas in a 2‐D plane using different GPR survey types and different hyperbola depths. SM measured with TDR and GPR were not significantly different according to Mann–Whitney's test. Our analyses showed that a root mean square error of 0.03 m 3 m −3 was found between the two methods. In conclusion, the proposed method might be suitable to estimate SM with an acceptable accuracy within the root zone if the soil profile is fairly uniform within the application depth range.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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