Soil Moisture Retrieval from the CyGNSS Data Based on a Bilinear Regression
Notice bibliographique
Résumé
Soil moisture (SM) has normally been estimated based on a linear relationship between SM and the surface reflectivity (Γ) from the spaceborne Global Navigation Satellite System (GNSS)-Reflectometry, while it usually relies on inputs of SM data without considering vegetation optical depth (VOD/τ) effects. In this study, a new scheme is proposed for retrieving soil moisture from the Cyclone GNSS (CyGNSS) data. The variation of CyGNSS-derived ΔΓ is modeled as a function of both variations in SM and VOD (ΔSM and Δτ). For retrieving SM, ancillary τ data can be obtained from the Soil Moisture Active Passive (SMAP) mission. In addition to this option, a model for simulating Δτ is suggested as an alternative. Experimental evaluation is performed for the time span from August 2019 to July 2021. Excellent agreements between the final retrievals and referenced SMAP SM products are achieved for both training (1-year period) and test (1-year duration) sets. On the whole, overall correlation coefficients (r) of 0.97 and 0.95 and root-mean-square errors (RMSEs) of 0.024 and 0.028 cm3/cm3 are obtained based on models using the SMAP and simulated Δτ, respectively. The model without τ generates an r of 0.95 and an RMSE of 0.031 cm3/cm3. The efficiency and necessity of considering τ are thus confirmed by its enhancement based on correlation and RMSE against the one without τ, and the usefulness of approximating Δτ by sinusoidal functions is also validated. Influences of SM statistics in terms of mean and variance on the retrieval accuracy are evaluated. This work unveils the interaction between CyGNSS data, SM, and τ and demonstrates the feasibility of integrating the Δτ approximation function into a bilinear regression model to obtain SM results.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».