Soil Moisture Retrieval Using SAR Backscattering Ratio Method during the Crop Growing Season
Notice bibliographique
Résumé
Soil moisture content (SMC) is an indispensable basic element for crop growth and development in agricultural production. Obtaining accurate information on SMC in real time over large agricultural areas has important guiding significance for crop yield estimation and production management. In this study, the paper reports on the retrieval of SMC from RADARSAT-2 polarimetric SAR data. The proposed SMC retrieval algorithm includes vegetation correction based on a ratio method and roughness correction based on the optimal roughness method. Three vegetation description parameters (i.e., RVI, LAI, and NDVI) serve as vegetation descriptors in the parameterization of the algorithm. To testify the vegetation correction result of the algorithm, the water cloud model (WCM) was compared with the algorithm. The calibrated integrated equation model (CIEM) was employed to describe the backscattering from the underlying soil. To improve the accuracy of SMC retrieval, the CIEM model was optimized by using the optimal roughness parameter and the normalization method of reference incidence angle. Validation against ground measurements showed a high correlation between the measured and estimated SMC when the NDVI serves as vegetation descriptor (R2 = 0.68, RMSE = 4.15 vol.%, p < 0.01). The overall estimation performance of the proposed SMC retrieval algorithm is better than that of the WCM. It demonstrates that the proposed algorithm has an operational potential to estimate SMC over wheat fields during the 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 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».