Evaluation of SMAP Core Validation Site Representativeness Errors Using Dense Networks of <i>In Situ</i> Sensors and Random Forests
Notice bibliographique
Résumé
In order to validate its soil moisture products, the NASA Soil Moisture Active Passive (SMAP) mission utilizes sites with permanent networks of in situ soil moisture sensors maintained by independent calibration and validation partners in a variety of ecosystems around the world. Measurements from each core validation site (CVS) are combined in a weighted average to produce an estimate of soil moisture at a 33-km scale that represents the SMAP's radiometer-based retrievals. Since upscaled estimates produced in this manner are dependent on the weighting scheme applied, an independent method of quantifying their biases is needed. Here, we present one such method that uses soil moisture measurements taken from a dense, but temporary, network of soil moisture sensors deployed at each CVS to train a random forests regression expressing soil moisture in terms of a set of spatial variables. The regression then serves as an independent source of upscaled estimates against which permanent network upscaled estimates can be compared in order to calculate bias statistics. This method, which offers a systematic and unified approach to estimate bias across a variety of validation sites, was applied to estimate biases at four CVSs. The results showed that the magnitude of the uncertainty in the permanent network upscaling bias can sometimes exceed 80% of the upper limit on SMAP's entire allowable unbiased root-mean-square error (ubRMSE). Such large CVS bias uncertainties could make it more difficult to assess biases in soil moisture estimates from SMAP.
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 | 0,000 |
| 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 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 ».