MétaCan
Menu
Retour à la cohorte
Enregistrement W3107777305 · doi:10.1109/lgrs.2020.3039519

Near Real-Time Soil Moisture in China Retrieved From CyGNSS Reflectivity

2020· article· en· W3107777305 sur OpenAlexafffund
Qingyun Yan, Shaoqi Gong, Shuanggen Jin, Weimin Huang, Cunjie Zhang

Notice bibliographique

RevueIEEE Geoscience and Remote Sensing Letters · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Moisture and Remote Sensing
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesStartup Foundation for Introducing Talent of Nanjing University of Information Science and TechnologyCanadian Space AgencyChinese Academy of SciencesNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésRemote sensingConsistency (knowledge bases)GeolocationSatelliteComputer scienceMean squared errorEnvironmental scienceAlgorithmMeteorologyStatisticsMathematicsPhysicsArtificial intelligenceGeologyWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

This work presents a novel scheme to retrieve soil moisture (SM) from the Cyclone Global Navigation Satellite System (CyGNSS) data, which is accomplished by using a bagged regression trees (BRT) algorithm with the inputs being the CyGNSS-derived products, the corresponding geolocation, and associated climate type. This algorithm is validated with thein situhourly SM data acquired by China’s automatic SM observation stations throughout the year 2018. High consistency between the retrieved SM results and the measured SM is achieved, with a correlation coefficient of 0.86 and a root-mean-square error of 0.05 cm3/cm3. The results obtained in this work indicate that the proposed BRT-based method can effectively estimate SM from CyGNSS data in different scenarios of various station locations and climate types in a near real-time manner.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,210
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Geoscience and Remote Sensing LettersMême sujetSoil Moisture and Remote SensingTravaux en français237 207