An improved model and field calibration technique for measuring liquid water content in unfrozen and frozen soils with dielectric probes
Notice bibliographique
Résumé
Abstract Dielectric soil moisture probes can be used to obtain frequently logged field observations of volumetric water content, but because this is an indirect method, it is challenging to ensure that you have a suitable calibration relationship and parameters. Challenges are associated with (a) limitations in the probes’ ability to accurately measure the soil bulk dielectric constant and (b) limitations in obtaining reliable direct observations to calibrate the probe against, due to the spatial heterogeneity in the field. Furthermore, in soils that freeze, we do not have a robust approach to account for the effect of ice on the instrument. In this study, we propose a calibration relationship for all dielectric probes that is physically based, parsimonious, accounts for errors in the bulk dielectric constant, and quantifies the uncertainty in the liquid water content caused by the presence of ice. We show that our relationship has a better performance and more realistic parameter values than existing approaches. To calibrate a dielectric probe in the field, we show that it is necessary to account for spatial heterogeneity in samples taken for calibration. There is value in taking simultaneous measurements of the bulk dielectric constant (using the same dielectric probe as is being calibrated) and gravimetric samples for water content at a number of points in space. Taking too few samples is likely to be misinformative—we show that it is better to not calibrate the probe at all than to calibrate it with too few data points.
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 | 0,000 | 0,000 |
| 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 ».