Downscaling SMAP soil moisture using radarsat constellation mission (RCM) compact polarimetric SAR data: A case study in southern Ontario
Notice bibliographique
Résumé
This paper presents an improved algorithm for downscaling SMAP soil moisture using C-band SAR data. It is developed using multi-temporal C-band Radarsat Constellation Mission (RCM) compact polarimetric (CP) SAR data. In this improved algorithm, the effect of vegetation on soil moisture retrieval from SAR data is minimized by using a normalized scattering based empirical model, in which vegetation contribution is quantified using the volume scattering derived from RCM CP decomposition. The influence of soil surface roughness is eliminated by using multi-temporal data. The multi-temporal SMAP soil moisture and RCM CP data (simulated from Radarsat-2 QuadPol data) are the only inputs of this downscaling model. The model is tested in southern Ontario, Canada to downscale 36 km resolution SMAP soil moisture to 1 km. The downscaled results have good agreement with the in-situ soil moisture collected in June of 2017 with an unbiased root-mean-square-error (RMSE) of 0.047 m3/m3 and a coefficient of determination (R2) of 0.43. The results suggest that the improved algorithm can be applied for C-band RCM CP data to provide continuous soil moisture mapping over large area at higher resolutions because of RCM's high-revisit frequency and large areal coverage characteristics.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».