Vegetation Water Content Retrieval from Spaceborne GNSS-R and Multi-Source Remote Sensing Data Using Ensemble Machine Learning Methods
Notice bibliographique
Résumé
Vegetation water content (VWC) is a crucial parameter for evaluating vegetation growth, climate change, natural disasters such as forest fires, and drought prediction. Spaceborne global navigation satellite system reflectometry (GNSS-R) has become a valuable tool for soil moisture (SM) and biomass remote sensing (RS) due to its higher spatial resolution compared with microwave measurements. Although previous studies have confirmed the enormous potential of spaceborne GNSS-R for vegetation monitoring, the utilization of this technology to fuse multiple RS parameters to retrieve VWC is not yet mature. For this purpose, this paper constructs a local high-spatiotemporal-resolution spaceborne GNSS-R VWC retrieval model that integrates key information, such as bistatic radar cross section (BRCS), effective scattering area, CYGNSS variables, and surface auxiliary parameters based on five ensemble machine learning (ML) algorithms (i.e., bagging tree (BT), gradient boosting decision tree (GBDT), extreme gradient boosting (XGBoost), random forest (RF), and light gradient boosting machine (LightGBM)). We extensively tested the performance of different models using SMAP ancillary data as validation data, and the results show that the root mean square errors (RMSEs) of the BT, XGBoost, RF, and LightGBM models in VWC retrieval are better than 0.50 kg/m2. Among them, the BT and RF models performed the best in localized VWC retrieval, with RMSE values of 0.50 kg/m2. Conversely, the XGBoost model exhibits the worst performance, with an RMSE of 0.85 kg/m2. In terms of RMSE, the RF model demonstrates improvements of 70.00%, 52.00%, and 32.00% over the XGBoost, LightGBM, and GBDT models, respectively.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».