Application of physics-informed neural network approach in soil moisture retrieval using GNSS reflectometry
Notice bibliographique
Résumé
This research aims to obtain soil moisture from reflected GNSS signals using physics-informed neural networks (PINN). GNSS reflectometry (GNSS-R) signals can be considered as a new remote sensing source to study soil moisture. Despite the high sensitivity between GNSS reflected signal power and soil moisture, the model between measurements and parameters is difficult to solve mathematically due to the complexity of the electromagnetic relationships. Although Neural Network (NN) algorithms have been applied successfully in GNSS-R soil moisture retrieval, neural networks are trained without respecting any laws of physics. In this work, a new framework referred to as “physics-informed neural networks (PINN)” was used which adds governing physical relationships between data parameters to neural networks to generate more robust models, with less data. The proposed research advances GNSS-R soil moisture estimations, exploiting Cyclone Global Navigation Satellite Systems (CYGNSS) satellite signals using PINN methodology. In PINN’s structure, reflected GPS signals from CYGNSS and land surface geophysical parameters are used as input features. Since reflected signal power variations are not only sensitive to changes in soil moisture, but also to changes in vegetation, surface roughness, soil texture, and elevation angle, the effects of land surface geophysical parameters involved in physical relationships are considered in the model. For reference data, soil moisture measurements of the International Soil Moisture Network (ISMN) were used in both training and validation. The proposed PINN model generates daily soil moisture values with a root mean squared error (RMSE) of 0.05 〖cm〗^3/ 〖cm〗^3, which is an improvement from 0.0774 〖cm〗^3/ 〖cm〗^3 for the underlying NN model due to adding physical models. Four different soil dielectric constant models (Dobson, Hallikainen, Mironov, and Wong models) have been used to investigate the impact of soil dielectric constant models as part of physical relations. The RMSE distinction and correlation coefficient difference of the best model (Hallikainen) and worst model (Mironov) is 0.02 and 0.13, respectively demonstrating PINN sensitivity to different soil dielectric constant models. Consequently, the soil dielectric constant model selection influences overall PINN results. Thus, calibration of soil dielectric models is necessary for GNSS-R soil moisture retrieval in the future.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».