Computation Approach for Quantitative Dielectric Constant from Time Sequential Data Observed by CYGNSS Satellites
Notice bibliographique
Résumé
This paper describes a computation method for obtaining dielectric constant using Global Navigation Satellite System reflectometry (GNSS-R) products. Dielectric constant is a crucial component in the soil moisture retrieval process using reflected GNSS signals. The reflectivity for circular polarized signals is combined with the dielectric constant equation that is used for radiometer observations. Data from the Cyclone Global Navigation Satellite System (CYGNSS) mission, an eight-nanosatellite constellation for GNSS-R, are used for computing dielectric constant. Data from the Soil Moisture Active Passive (SMAP) mission are used to measure the soil moisture through its radiometer, and they are considered as a reference to confirm the accuracy of the new dielectric constant calculation method. The analyzed locations have been chosen that correspond to sites used for the calibration and validation of the SMAP soil moisture product using in-situ measurement data. The retrieved results, especially in the case of a specular point around Yanco, Australia, show that the estimated results track closely to the soil moisture results, and the Root Mean Square Error (RMSE) in the estimated dielectric constant is approximately 5.73. Similar results can be obtained when the specular point is located near the Texas Soil Moisture Network (TxSON), USA. These results indicate that the analysis procedure is well-defined, and it lays the foundation for obtaining quantitative soil moisture content using the GNSS reflectometry results. Future work will include applying the computation product to determine the characteristics that will allow for the separation of coherent and incoherent signals in delay Doppler maps, as well as to develop local soil moisture models.
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 | 0,000 | 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 ».