Enhancing CYGNSS Soil Moisture Retrieval Accuracy by Considering the Lag Effect of Sun-Induced Fluorescence
Notice bibliographique
Résumé
The Cyclone Global Navigation Satellite System (CYGNSS) has emerged as a key focus in soil moisture (SM) retrieval research due to its high temporal resolution and quasi-global coverage. The Normalized Difference Vegetation Index (NDVI) is widely used for large-scale SM retrieval due to its ability to characterize vegetation's physiological status and growth. In comparison, Sun-Induced Fluorescence (SIF) demonstrates greater sensitivity to SM variations. However, there has been limited research exploring the application of SIF in SM retrieval based on CYGNSS, and existing studies have largely overlooked the potential lag effect of SIF on SM (LESOS). To enhance the accuracy of CYGNSS-based SM retrieval, this study proposed a novel SM retrieval scheme considering the LESOS. The results indicated that there was a lag effect in the response of SIF to SM, and this effect varied significantly across different regions. After accounting for LESOS, the mean root mean square error (RMSE) of the retrieved SM across the entire study area decreased from 0.0360 cm3$\cdot$cm-3to 0.0355 cm3$\cdot$cm-3, while the Pearson correlation coefficient (PCC) increased from 0.5217 to 0.5358. In regions where the lag effect was entirely positive, both metrics showed more substantial improvements: RMSE decreased by 5.7%, and PCC improved by 10.8%. In Hunan Province, where positive lag effects predominated, retrieval accuracy was further enhanced. Moreover, the retrieved SM in the positive delay region showed better consistency with in-situ SM. The proposed method offers a novel solution for high-precision SM retrieval using SIF based on CYGNSS.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».