Sensitivity of multi-frequency and multi-polarization SAR to soil moisture at different depths in agricultural regions
Notice bibliographique
Résumé
Soil moisture is critical for various agricultural applications such as crop monitoring and irrigation management. Synthetic Aperture Radar (SAR), especially at L-band and C-band frequencies, has been widely utilized for soil moisture estimation across different polarizations. However, the ambiguity in the depth of soil moisture retrieval remains a challenge due to the complex interactions between SAR signals and ground targets. In this study, the sensitivity of multi-frequency and multi-polarization SAR to soil moisture retrieval at various depths was quantitatively analysed. First, using the Dobson semi-empirical dielectric mixing model, the penetration depth of C-band SAR was found to be limited to the top surface soil (0–5 cm), while L-band SAR could penetrate from 3 cm to more than 20 cm depending on soil properties. Next, the accuracy of soil moisture retrieved at five depths (0–5 cm, 5 cm, 20 cm, 50 cm, and 100 cm) was evaluated using in-situ soil moisture data. Using Random Forest (RF) regression and polarimetric features, the volume scattering of C-band SAR was demonstrated as the dominant scattering mechanism, leading to reduced accuracy across all depths. In contrast, L-band SAR achieved the highest accuracy at the 5 cm depth, constrained by the limited intervals of moisture measurements. Furthermore, the analysis of incidence angle and vegetation coverage revealed that lower incidence angles (15–45 degrees) and lower vegetation conditions improved the accuracy for C-band SAR. L-band SAR, however, exhibited less sensitivity to vegetation coverage when retrieving soil moisture from shallower depths. These findings provide valuable insights for selecting SAR data suitable for soil moisture retrieval in agricultural 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 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 | 0,000 | 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 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 ».