A machine learning-based framework for spatio-temporal extension and filling of SMOS surface soil moisture observations over Canada
Notice bibliographique
Résumé
Advancements in global satellite missions have revolutionized the assessment of Surface Soil Moisture (SSM) at global to local scales. However, spatio-temporal data discontinuities in specific regions remain a challenge. This study proposes a Machine Learning (ML)-based framework to extend the Soil Moisture Ocean Salinity (SMOS) SSM product both in the spatial and temporal domains, over Canada. In the first phase of the proposed framework, ML models based on Random Forest (RF) and Convolutional Neural Networks (CNN) are trained and validated with SMOS SSM as target and SSM-relevant climatic variables and geophysical variables, obtained from fifth-generation European Centre for Medium-Range Weather Forecasts (ECMWF) reanalysis data (ERA5), for the 2011–2020 period, as predictors. Developed models, when tested on unseen data for the years 2021–2022, suggest slightly better performance of the RF model compared to CNN, with root mean square error (RMSE) of 0.033 and 0.056 respectively; prediction biases mostly noted for regions with large inter-annual variability. The spatial filling of SSM for grid cells that were excluded during the training process, with similar land types as those in the SMOS training data, yields reasonable performance, with RF (RMSE = 0.013) performing better than CNN (RMSE = 0.064). In the second phase, the RF model is selected to extend the SMOS dataset for the 2008–2010 period. The temporal correlation between extended SMOS and ASCAT (Advanced Scatterometer) SSM demonstrates a reasonable association, with correlation coefficient exceeding 0.6. Additionally, spatial correlation analysis reveals similar patterns between the two datasets, with smaller values for the summer season owing to the importance of local processes on SSM during this period. However, extending SMOS SSM spatially for surface types that were not included in the training process such as peatlands, remains a challenge warranting additional studies. The developed framework is robust and can address spatio-temporal discontinuities in other SSM products.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».