Bias-Corrected RADARSAT-2 Soil Moisture Dynamics Reveal Discharge Hysteresis at An Agricultural Watershed
Notice bibliographique
Résumé
Satellites are designed to monitor geospatial data over large areas at a catchment scale. However, most of satellite validation works are conducted at local point scales with a lack of spatial representativeness. Although upscaling them with a spatial average of several point data collected in the field, it is almost impossible to reorganize backscattering responses at pixel scales. Considering the influence of soil storage on watershed streamflow, we thus suggested watershed-scale hydrological validation. In addition, to overcome the limitations of backscattering models that are widely used for C-band Synthetic Aperture Radar (SAR) soil moisture but applied to bare soils only, in this study, RADARSAT-2 soil moisture was stochastically retrieved to correct vegetation effects arising from agricultural lands. Roughness-corrected soil moisture retrievals were assessed at various spatial scales over the Brightwater Creek basin (land cover: crop lands, gross drainage area: 1540 km2) in Saskatchewan, Canada. At the point scale, local station data showed that the Root Mean Square Errors (RMSEs), Unbiased RMSEs (ubRMSEs) and biases of Radarsat-2 were 0.06~0.09 m3/m3, 0.04~0.08 m3/m3 and 0.01~0.05 m3/m3, respectively, while 1 km Soil Moisture Active Passive (SMAP) showed underestimation at RMSEs of 0.1~0.22 m3/m3 and biases of −0.036~−0.2080 m3/m3. Although SMAP soil moisture better distinguished the contributing area at the catchment scale, Radarsat-2 soil moisture showed a better discharge hysteresis. A reliable estimation of the soil storage dynamics is more important for discharge forecasting than a static classification of contributing and noncontributing areas.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 | 0,001 |
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 ».