Improving CyGNSS-Based Land Remote Sensing: Track-Wise Data Calibration Schemes
Notice bibliographique
Résumé
Cyclone Global Navigation Satellite System (CyGNSS) data have been used for generating several intermediate products, such as surface reflectivity (Γ), to facilitate a wide variety of land remote sensing applications. The accuracy of Γ relies on precise knowledge of the effective instantaneous radiative power (EIRP) of the transmitted GNSS signals in the direction of the specular reflection point, the precise knowledge of zenith antenna patterns which in turn affects estimates of EIRP, the good knowledge of receive antenna patterns etc. However, obtaining accurate estimates on these parameters completely is still a challenge. To solve this problem, in this paper, an effective method is proposed for calibrating the CyGNSS Γ product in a track-wise manner. Here, two different criteria for selecting data to calibrate and three reference options as targets of the calibrating data are examined. Accordingly, six calibration schemes corresponding to six different combinations are implemented and the resulting Γ products are assessed by (1) visual inspection and (2) evaluation of their associated soil moisture retrieval results. Both visual inspection and retrieval validation demonstrate the effectiveness of the proposed schemes, which are respectively demonstrated by the immediate removal/fix of track-wisely noisy data and obvious enhancement of retrieval accuracy with the calibrated Γ. Moreover, the schemes are tested using all the available CyGNSS level 1 version 3.0 data and the good results obtained from such a large volume of data further illustrate their robustness. This work provides an effective and robust way to calibrate the CyGNSS Γ result, which will further improve relevant remote sensing applications in the future.
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 | 0,001 |
| 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 ».