A Spatial Downscaling Method for Remote Sensing Soil Moisture Using Adaptive Weighted Stacking Strategy
Notice bibliographique
Résumé
Soil moisture (SM) derived from remote sensing plays a crucial role in understanding land-atmosphere interactions between water and carbon cycles. However, existing remotely sensed surface SM products (e.g., ESA CCI SM) have relatively coarse spatial resolutions (25 – 40 km), limiting their suitability for precision agriculture and ecological management. To address this limitation, this study proposes an adaptive weighted stacking strategy for soil moisture downscaling. A stacking framework integrating Random Forest (RF), Gradient Boosted Regression Trees (GBRT), and XGBoost was developed to downscale 25 km resolution ESA CCI SM data to a high-resolution 1km product. Key predictors, including surface albedo, apparent thermal inertia, clay content, and leaf area index, were identified through SHAP (SHapley Additive exPlanations) feature importance analysis. An adaptive weight strategy was then introduced to dynamically optimize the contributions of each base model. The downscaled SM was validated using in-situ SM measurements from the Murrumbidgee River Basin. Results indicate that both GBRT (R = 0.916, RMSE = 0.046 m³/m³) and XGBoost (R = 0.915, RMSE = 0.047 m³/m³) models significantly outperformed the RF model (R = 0.847, RMSE = 0.066 m³/m³). Notably, the stacking strategy method that combines a linear regression meta model with adaptive weighting achieved the best performance (R = 0.931, RMSE = 0.041 m³/m³). The downscaled SM exhibits finer spatial details of within-field variability compared to the original CCI SM. Further spatiotemporal analysis confirmed the downloaded SM effectively captures precipitation response and seasonal variations, particularly providing more detailed representation in farmland and pastureland regions. This study provides an effective method for high-resolution soil moisture monitoring in semi-arid areas, with significant applications in agricultural irrigation, water resource management, and climate change research.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».