Effect of Rainfall Events on SMAP Radiometer-Based Soil Moisture Accuracy Using Core Validation Sites
Notice bibliographique
Résumé
Abstract Soil moisture retrieval is particularly challenging during and immediately after precipitation events because of the transient movement of water in the shallow subsurface. Conventional L-band microwave radiometer–based soil moisture products use algorithms that assume a static state and a constant vertical soil moisture distribution. This study assessed the retrieval performance of a SMAP radiometer-based soil moisture product during and immediately after rain events. The removal of the rain event samples systematically improved the unbiased root-mean-square error (ubRMSE) from 0.037 (all measurements) to 0.028 m 3 m −3 (transitory measurements screened out), while the magnitude of the bias became larger (from −0.005 to −0.014 m 3 m −3 ); RMSE improved from 0.047 to 0.042 m 3 m −3 , and the Pearson correlation saw a minor positive change from 0.813 to 0.824. The results indicate that removing samples during the transitional period causes the comparison to improve, but also suggests that the true bias may be larger than the one estimated using all the samples. Furthermore, the results revealed that the effect was stronger for areas with high clay content. An assessment of the performance of the product during the rain events (overpass within 3 h from the start of the rain) showed that the ubRMSE degraded from the benchmarked 0.036 m 3 m −3 (during no rain events at all) to 0.043 m 3 m −3 (during rain). The results also showed that the bias became wetter, which is expected because SMAP sensed the water on the surface before propagating to the in situ sensors. SMAP maintains its soil moisture sensitivity even during rain events and screening of rain events may not be necessary to ensure sufficient soil moisture retrieval quality.
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 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) | 0,001 | 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 tête enseignante, 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 ».