Estimating Soil Moisture over Winter Wheat Fields during Growing Season Using RADARSAT-2 Data
Notice bibliographique
Résumé
Soil moisture content (SMC) is a significant factor affecting crop growth and development. However, SMC estimation, based on synthetic aperture radar (SAR), is influenced by a variety of surface parameters, such as vegetation cover and surface roughness. As a result, determining the SMC across agricultural areas (e.g., wheat fields) remotely (i.e., without ground measurement) is difficult to achieve. In this study, a model-based polarization decomposition method was used to decompose the original SAR signal into different scattering components that represented different scattering mechanisms. The different volume scattering models were applied, and then the results were compared in order to remove the scattering contribution from vegetation canopy, and extract the surface scattering components related to the soil moisture. Finally, by combining extensively used surface scattering models (e.g., CIEM and Dubois), and a method of roughness parameters optimization, a lookup table was developed to estimate the soil moisture during the wheat growth period. When CIEM is applied, the R2 and RMSE of the SMC are 0.534, 5.62 vol.%, and for the Dubois model, 0.634, 5.16 vol.%, respectively, which indicates that this approach provides good estimation performance for measuring soil moisture during the wheat growing season.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».