Optimizing Soil Moisture Retrieval: Utilizing Compact Polarimetric Features with Advanced Machine Learning Techniques
Notice bibliographique
Résumé
Soil moisture plays a crucial role in various environmental processes and is essential for agricultural management, hydrological modeling, and climate studies. Synthetic Aperture Radar (SAR) remote sensing presents significant potential for estimating soil moisture due to its ability to operate in all weather conditions and provide day-and-night imaging capabilities. Among the SAR configurations, the Compact Polarimetric (CP) mode has gained increasing interest as it relaxes system constraints, improves coverage, and enhances target information compared to conventional dual polarimetric SAR systems. This paper introduces a novel approach for soil moisture retrieval utilizing machine learning algorithms and CP SAR features. The CP SAR features are derived from a series of RADARSAT Constellation Mission (RCM) CP SAR imagery acquired over Canadian experimental sites equipped with Real-Time In Situ Soil Monitoring for Agriculture (RISMA) stations. This study employs a diverse dataset of compact polarimetric SAR features and corresponding ground truth soil moisture measurements for training and validation purposes. The results of our study achieved a Root Mean Square Error (RMSE) of 6.88% with a coefficient of determination R2 equal to 0.60, which corresponds to a correlation R between true and predicted soil moisture values of 0.75, using optimized Ensemble Learning Regression (ELR) with a decision-tree-based model. These results improved, yielding an RMSE of 5.67% and an R2 equal to 0.73 (R = 0.85), using an optimized Gaussian Process Regression (GPR) model.
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 | 0,000 | 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 ».