Spatial Gap-Filling of SMAP Soil Moisture Pixels Over Tibetan Plateau via Machine Learning Versus Geostatistics
Notice bibliographique
Résumé
The Soil Moisture Active Passive (SMAP) satellite provides global soil moisture products with reliable accuracy since 2015. However, significant gaps of SMAP soil moisture appeared over Tibetan Plateau. To address this issue, we proposed two methods, machine learning and geostatistics technique to fill the spatial gaps of SMAP L3 soil moisture. For the machine learning technique, we train a Random Forest algorithm which aims to match the output of available SMAP L3 soil moisture using a series of input variables such as SMAP brightness temperature (TBH, TBV) in ascending orbits, surface temperature, MODIS NDVI, land cover, DEM and other auxiliary data. Then, the established RF estimators were applied to the SMAP brightness temperature from descending orbits to reconstruct complete soil moisture data over the Tibetan Plateau. For the geostatistics technique, the Ordinary Kriging was applied to the available SMAP L3 soil moisture pixels to interpolate complete soil moisture data. To cross-validate the performances of the algorithms, we assume certain areas with available SMAP SM values as missing, and then compared the gap-filling results with the actual ones. The cross-validations show that the gap-filling results from two algorithms were highly correlated to the SMAP official SM products with high coefficients of determination (R2_RF = 0.97, R2_OK = 0.85) and low RMSE (RMSE_RF = 0.015 cm3/cm3, RMSE_OK = 0.036 cm3/cm3). Furthermore, the gap-filling soil moisture data present a better correlation with the SMOS soil moisture data (R = 0.55 ~ 0.7) than the GLDAS simulations (R = 0.18 ~ 0.62).
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 | 0,001 |
| 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 | 0,001 |
| 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 ».