Spatiotemporal Reconstruction of FY-3B Soil Moisture Using a Hybrid Attention and Partial Convolution Neural Network
Notice bibliographique
Résumé
China's FY-3/4 satellite constellation has significantly advanced global environmental monitoring capabilities. However, the inherent temporal resolution limitations of polar-orbiting satellites result in discontinuous spatiotemporal coverage of current soil moisture products, thereby constraining their application in global hydrological modeling. To overcome this challenge, this study introduces a dedicated spatiotemporal reconstruction model that enhances the spatial continuity of FY-3B satellite soil moisture datasets. The proposed model utilizes a dual-channel input architecture integrating continuous observation data with dynamic mask matrixand leverages partial convolution for effective collaborative spatiotemporal feature extraction. Contextual attention and multi-layer transformer encoder are incorporated to generate seamless global daily soil moisture product (2010-2019). Validation indicate notable improvements in accuracy: (1) in-situ validation increased the mean correlation coefficient from 0.582 to 0.671 and reduce the root mean square error from 0.147 m3/m3to 0.143 m3/m3; (2) temporal consistency analysis confirms that the reconstructed sequence remains highly synchronized with the original soil moisture products; (3) simulated missing region experiments yielded a coorelation of 0.953 with the original products, with a bias as low as -0.004 m3/m3and an unbiased root mean square error of 0.006 m3/m3. Compared to traditional partial convolution methods, this approach enhances global accuracy by increasing the correlation by 23.8%. Notably, this research marks the first implementation of a hybrid attention-partial convolution deep learning model to generate a seamless global daily soil moisture product derived from Fengyun satellites, effectively addressing previous reconstruction limitations.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».