Potential of ground-penetrating radar to calibrate electromagnetic induction for shallow soil water content estimation
Notice bibliographique
Résumé
Ground-penetrating radar (GPR) and electromagnetic induction (EMI) are used to determine and map soil water content (SWC) in the agricultural landscape. While GPR provides a straightforward estimation of SWC, EMI requires site-specific calibrations mainly based on point-scale measurements such as time domain reflectometry (TDR). However, there is a significant difference in the measurement volumes between EMI and point-scale TDR measurements. This study aimed to enhance the calibration of EMI for estimating SWC in the agricultural landscape by leveraging the larger sampling volumes provided by GPR. Apparent electrical conductivity (ECa) from a multi-coil EMI sensor and dielectric constant from GPR with two center frequencies (500 MHz and 250 MHz) were collected as soil proxies along with TDR measurements. Calibration models were developed under irrigated conditions and the model evaluation was conducted under natural moisture conditions. Correlations were assessed between the proxies from GPR and EMI with TDR-derived SWCs. Simple linear regression (SLR) models were developed between EMI and GPR data to predict SWC. Strong positive correlations (r≥ 0.80) were observed between the proxies (GPR and the shorter inter-coil spacing (0.32 m) of EMI) and TDR-measured SWC. ECa data from vertical and horizontal coil orientations of the shorter inter-coil spacings were selected to develop SLR models with GPR. The SLR models with the GPR 500 MHz frequency showed a higher coefficient of determination (R2 > 0.70) for both coil orientations of EMI. Results showed the potential of using GPR to calibrate EMI for shallow SWC estimation (below 0.5 m). Nevertheless, the EMI estimated SWCs were not effectively verified with GPR-estimated SWCs, which could be attributed to specific site conditions in the study area. Further research must focus on improving the calibration and model evaluation by incorporating the variability of other soil parameters (soil porosity, pore-water conductivity, and soil salinity) that may affect the SWC−ECa relationship.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».