An Apparent Thermal Inertia Based Trapezoid Model for Downscaling ESA CCI Soil Moisture Products
Notice bibliographique
Résumé
Existing long-term Soil Moisture (SM) products are relatively coarse in spatial resolution, limiting their applications in heterogeneous scales. Various spectral information derived from optical satellite data, such as the Land Surface Temperature-Vegetation Parameter (LST-VP), have been widely employed to detect spatiotemporal variability of SM under different regional hydrological scales. In this study, inspired by the concept of LST-VI space, an ATI-VP (Apparent Thermal Inertia-Vegetation Parameter) was proposed and assessed for downscaling the ESA CCI SM product from 25 km to 1 km. Different vegetation indices (including NDVI, EVI, NIRv, and MSAVI) and biophysical variables (LAI and fPAR) derived from MODIS satellites were first assessed as inputs of the ATI-VP space to estimate AVDI (Apparent Thermal Inertia/Vegetation Drought Index). The AVDI was then applied to the weight decomposition model for SM downscaling. Overall, LAI for the ATI-VP space achieved the best AVDI performance. The accuracy of SM estimation was validated using in situ SM collected from the Murrumbidgee Soil Moisture Monitoring Network (MSMMN). The results showed that the accuracy of the downscaled 1km SM (R = 0.637, bias = 0.038 m3/m3) was close to that of the CCI SM (R = 0.661, bias = 0.030 m3/m3). However, the downscaled SM data exhibited enhanced spatial detail compared to CCI SM data. Further analysis based on the time series SM indicated that both the CCI SM and the downscaled SM are in good agreement in terms of temporal evolution. The downscaling method shows high potential for application in SM mapping across semi-arid regions.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».