An inverse dielectric mixing model at 50 MHz that considers soil organic carbon
Notice bibliographique
Résumé
Abstract. The prevalent soil moisture probe algorithms are based on a polynomial function that does not account for the variability in soil organic matter. Users are expected to choose a model before application: either a model for mineral soil or a model for organic soil. Both approaches inevitably suffer from limitations with respect to estimating the volumetric soil water content in soils with a wide range of organic matter content. In this study, we propose a new algorithm based on the idea that the amount of soil organic matter (SOM) is related to major uncertainties in the in situ soil moisture data obtained using soil probe instruments. To test this theory, we derived a multiphase inversion algorithm from a physically based dielectric mixing model capable of using the SOM amount, performed a selection process from the multiphase model outcomes, and tested whether this new approach improves the accuracy of soil moisture (SM) data probes. The validation of the proposed new soil probe algorithm was performed using both gravimetric and dielectric data from the Soil Moisture Active Passive Validation Experiment in 2012 (SMAPVEX12). The new algorithm is more accurate than the previous soil-probe algorithm, resulting in a slightly improved correlation (0.824 to 0.848), 12 % lower root mean square error (RMSE; 0.0824 to 0.0727 cm3 cm−3), and 95 % less bias (−0.0042 to 0.0001 cm3 cm−3). These results suggest that applying the new dielectric mixing model together with global SOM estimates will result in more reliable soil moisture reference data for weather and climate models and satellite validation.
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 | 0,001 | 0,001 |
| 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 ».