Downscaling SMOS/SMAP soil moisture product using high resolution Radarsat-2 SAR data: a case study in southern Ontario
Notice bibliographique
Résumé
Current soil moisture products derived from SMOS and SMAP satellites have very coarse resolutions (~40km). This limits the soil moisture products for applications where a resolution of 1-10 km is generally needed (e.g. hydro-climatological applications). To obtain high resolution soil moisture, an algorithm was developed to downscale SMOS/SMAP products by using multi-temporal dual-polarized (HH and HV) C-band SAR images. Recently the use of full-polarized (FP) SAR data was reported to improve soil moisture retrieval even under dense vegetation canopy, but FP SAR data has the disadvantage of narrow swath, which limits its applications for soil moisture estimates over large areas. With the Radarsat Constellation Mission (RCM) becoming operational in 2018, it will provide compact polarimetric (CP) configurations that has a wider swath and hence is a possible alterative to the FP data. A new downscaling algorithm has been developed to improve soil moisture retrieval by using RCM-CP data, which is simulated from the Radarsat-2 FP imagery. Comparing to previous algorithm, the new algorithm can enhance the removal of vegetation effect by using a normalized scattering based empirical model, in which the conditions of vegetation are characterized by the RCM-CP derived vegetation parameter. In addition, a new mathematical model, rather than complicate wavelet transform, is used to better account for scale change. The new algorithm is validated with in-situ soil moisture data from Southern Ontario collected in the summer of 2017. When compared to results obtained from a previous algorithm there is a promising improvement in soil moisture estimation. Since the RCM will provide a short revisit time (<4 days), this study demonstrates the potential for fusing RCM data with SMOS/SMAP soil moisture (2-3 days repeat cycle) to continuously map soil moisture at higher resolutions over large areas, even under dense vegetation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».