Evaluation of SMAP Level 2, 3, and 4 Soil Moisture Datasets over the Great Lakes Region
Notice bibliographique
Résumé
Satellite sensor systems for soil moisture measurements have been continuously evolving. The Soil Moisture Active Passive (SMAP) mission represents one of the latest advances in this regard. Thus far, much of our knowledge of the accuracy of SMAP soil moisture over the Great Lakes region of North America has originated from evaluation studies using in situ data from the U.S. Department of Agriculture (USDA) Natural Resources Conservation Service Soil Climate Analysis Network and/or the U.S. Climate Reference Network, which provide only several in situ sensor stations for this region. As such, these results typically underrepresent the accuracy of SMAP soil moisture in this region, which is characterized by a relatively large soil moisture variability and is one of the least studied regions. In this work, SMAP Level 2‒4 soil moisture products: SMAP/Sentinel-1 L2 Radiometer/Radar Soil Moisture (SPL2SMAP_S), SMAP Enhanced L3 Radiometer Soil Moisture (SPL3SMP_E), and SMAP L4 Surface and Root-Zone Soil Moisture Analysis Update (SPL4SMAU) are evaluated over the southern portion of the Great Lakes region using in situ measurements from Michigan State University’s Enviro-weather Automated Weather Station Network. The unbiased root-mean-square error (ubRMSE) values for both SPL4SMAU surface and root zone soil moisture estimates are below 0.04 m3 m−3 at the 36-km scale, with an average ubRMSE of 0.045 m3 m−3 (0.037 m3 m−3) for the surface (root-zone) soil moisture against the sparse network. The ubRMSE values for SPL3SMP_E a.m. (i.e., descending overpasses) soil moisture retrievals are close to or below 0.04 m3 m−3 at the 36-km scale, with an average ubRMSE of ~0.06 m3 m−3 against the sparse network. The average ubRMSE values are ~0.05‒0.06 m3 m−3 for high-resolution SPL2SMAP_S soil moisture retrievals against the sparse network, with the skill of the baseline algorithm-based soil moisture retrievals exceeding that of the optional algorithm-based counterparts. Clearly, the skill of SPL4SMAU surface soil moisture exceeds that of the SPL3SMP_E and SPL2SMAP_S soil moisture retrievals.
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 | 0,000 |
| 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 ».