Retrieving Soil Moisture Over Soybean Fields During Growing Season Through Polarimetric Decomposition
Notice bibliographique
Résumé
Soil moisture (Mv) estimation and monitoring over agricultural areas using Synthetic Aperture Radar (SAR) are often affected by vegetation cover during the growing season. Volume scattering and vegetation attenuation can complicate the received SAR backscatter signal when microwave interacts with the vegetation canopy. To address the existing problems, this article employed the model-based polarimetric decomposition method considering the two-way attenuation to remove the volume scattering and vegetation attenuation. A deorientation process of SAR data was applied to remove the influence of randomly distributed target orientation angles before the polarimetric decomposition. To parameterize the two-way attenuation, Radar Vegetation Index derived from the SAR intensity images was adopted. The Dubois model was used to describe backscattering from the underlying bare soil. Since the soil roughness parameters are difficult to measure under vegetation cover, the optimum surface roughness method was used to parameterize the Dubois model. This soil moisture retrieval algorithm was applied to the polarimetric multitemporal RADARSAT-2 SAR data over soybean fields. The validation indicates the root-mean-square error of 9.2 vol.% and 8.2 vol.% at HH and VV polarization, respectively, over the entire soybean growing period, suggesting that the proposed method is capable of reducing the effect of vegetation cover for soil moisture monitoring over the soybean field.
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 | 0,000 |
| 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 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 ».