Retrieval of soil moisture using a decomposition‐based model and optical‐thermal model with Sentinel‐1 and Landsat‐8 images
Notice bibliographique
Résumé
Abstract Water content of the soil has a significant role to play in the hydrological cycle and environmental processes. This study includes two phases: (1) approximation of soil moisture at the farm level based on optical‐thermal images of Landsat‐8 satellite and (2) retrieval of soil moisture by the dual‐polarized basis decomposition model with the help of approximate soil moisture that is obtained by the optical‐thermal model. In this research, two mechanisms, volume scattering and surface scattering, are considered. Furthermore, in order to model surface scattering, Bragg matrix has been used. The proposed radar model estimates soil moisture without using ground data, although few ground measurements have been used in the optical‐thermal model. The Carlson triangular model has been used to approximate soil moisture using optical‐thermal images. Three indices, normalized difference vegetation index (NDVI), normalized difference moisture index (NDMI), and moisture stress index (MSI), have been used in the optical‐thermal model. Two ground soil moisture datasets are used in this study: (1) Cook Agronomy Farm (CAF) soil moisture data located in the United States and (2) real‐time in situ soil monitoring for agriculture (RISMA) soil moisture data located in Canada. The radar model (base decomposition model) achieved a lowest root mean square error (RMSE) of 3.33% and a highest of 11.21%, showing strong accuracy in soil moisture retrieval. The optical‐thermal model had a slightly higher minimum RMSE of 4.04% and a maximum of 9.68%. These results suggest that the radar model generally outperforms the optical‐thermal model, making it more reliable for accurate soil moisture estimation in agricultural applications, which is crucial for optimizing irrigation and managing resources.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».