Estimation of Soil Moisture Content Using Deep Learning and High-Resolution Satellite Imagery (Sentinel-1 and 2)
Notice bibliographique
Résumé
Soil moisture is an important factor affecting global circulation (climate, carbon, and water), disasters (drought, floods, and forest fires), and crop growth, so the production of soil moisture data is important. Currently, satellite-based soil moisture data is available from NASA’ SMAP (Soil Moisture Active Passive) and ESA’ SMOS (Soil Moisture and Ocean Salinity) data. Since these data are based on passive microwave sensor, they have low spatial resolution. Therefore, it is difficult to observe the distribution of soil moisture on a local scale. The purpose of this study is to produce high resolution soil moisture for monitoring on a local scale. For this purpose, we performed soil moisture modeling using high resolution satellite data (Sentinel-1 SAR (synthetic-aperture radar), Sentinel-2 MSI (multispectral instrument)) and deep learning. Deep learning is a method improving the problems of traditional neural networks such as overfitting, gradient vanishing, and local optimal solution through development of learning methods such as dropout, ReLU (Rectified Linear Unit), and so on. Recently, it has been used for estimation of surface hydrologic factors (soil moisture, evapotranspiration, etc.). The study area is an agricultural area located in Manitoba and Saskatoon, Canada. In-situ soil moisture data was constructed from RISMA (Real-Time In-Situ Soil Monitoring for Agriculture). In order to develop an optimal soil moisture model, various condition experiments on hyper-parameters affecting the performance of model were carried out and their performance was evaluated.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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) | 0,001 | 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 ».